Ling 3.0 Tiny vs LFM2.5-2.6B-Base: Dois Tipos de Grátis, e Apenas Um Responde a Você Hoje

Ambos os modelos são gratuitos. Isso é quase a única coisa que eles têm em comum. Ling 3.0 Tiny, o modelo de raciocínio com mistura de especialistas de 7,9 bilhões de parâmetros da Ant Group InclusionAI, é gratuito porque alguém está executando um servidor e apontando uma API para ele — você cola uma chave em um cliente e ele responde ao seu parágrafo na hora, sem rodada de treinamento, sem GPU. LFM2.5-2.6B-Base, o checkpoint de pré-treinamento de 2,69 bilhões de parâmetros da Liquid AI, é gratuito porque alguém publicou um arquivo de pesos — 151 downloads na última contagem, nenhum provedor de inferência o hospedando em lugar nenhum, e um model card que recomenda a base "apenas para tarefas que exigem fine-tuning pesado." Um é um produto com um medidor. O outro é matéria-prima. Esta comparação é sobre qual tipo de 'grátis' você realmente precisa, porque os dois modelos não funcionarão para a mesma pessoa, não importa quantos meses os dois digam "$0."

The names make the divergence easy to miss. Both sit in the "tiny / small model" category that has become the most crowded shelf in AI in 2026. Both are text-only, both carry contexts big enough for real work, and both will run a genuinely useful model on a modest budget. But they are built from different philosophies, owned by different parties, and rented or owned through completely different channels. Before you pick one, the single most useful question to ask is: do you need answers, or do you need weights?

Ling 3.0 Tiny, a API gratuita

O Ling 3.0 Tiny foi lançado em 6 de agosto de 2026, seguindo o clássico padrão de lançamento silencioso: uma listagem de API comercial da InclusionAI, divisão de modelos do Ant Group, em vez de um keynote. A arquitetura é um modelo de mistura de especialistas (mixture-of-experts) com 7,9 bilhões de parâmetros no total e cerca de 1,3 bilhão ativos por token — pequeno o suficiente para ser servido a baixo custo, grande o suficiente para ter capacidade real de raciocínio. Ele suporta uma janela de contexto de 256 mil tokens (as listagens comerciais mostram 262 mil), até 32 mil tokens de saída, e vem com dois modos que você pode alternar por solicitação: um modo "Thinking", ativado por padrão, que gasta tokens extras raciocinando, e um modo "Instant", que responde diretamente. Chamada nativa de funções e cache de prompt são ambos anunciados, o que é importante para o trabalho com agentes.

O preço é onde o "grátis" precisa ser esclarecido. Hoje o modelo é genuinamente gratuito para chamar: ele está listado como inclusionai/ling-3.0-tiny:free com taxa de $0 tanto na entrada quanto na saída, e um segundo gateway o executa como promoção gratuita sob inclusionai/ling-3.0-tiny-free até as 8h00 (horário do Pacífico) de 14 de agosto de 2026. Após essa promoção, a tabela de preços listada pela Vercel se aplica: $0,06 por milhão de tokens de entrada, $0,18 por milhão de tokens de saída e $0,01 por milhão de tokens de entrada em cache. Esse é um preço real — cerca de um terço do nível GPT-5.6 Luna pós-corte, para dar uma ideia da escala — mas não é o "grátis" em que você pode confiar depois de meados de agosto. Quem estiver construindo com base na premissa de que o Ling 3.0 Tiny é permanentemente $0 está construindo sobre uma promoção que termina.

LFM2.5-2.6B-Base, os pesos livres

O LFM2.5-2.6B-Base é o outro tipo, totalmente gratuito. É o checkpoint base pré-treinado por trás da família LFM2.5-2.6B da Liquid AI, publicado no Hugging Face em 4 de agosto de 2026 — na mesma semana em que a O​penAI reduziu o preço do GPT-5.6 Luna em 80%, o que diz algo sobre por que o mercado inteiro está saturado. A base é um modelo de 2,69 bilhões de parâmetros em bfloat16 com arquitetura híbrida: 22 blocos de convolução curta com portas duplas, além de 8 camadas de atenção de consulta agrupada, um vocabulário de 128.000 tokens que cobre 16 idiomas e cerca de 34 trilhões de tokens de pré-treinamento — um treinamento excepcionalmente longo para um modelo desse tamanho.

É também, por todas as medidas disponíveis, algo não medido. O próprio lançamento da Liquid deu ao irmão pós-treinado LFM2.5-2.6B a tabela de benchmarks e os 47.000 downloads na primeira semana, enquanto o checkpoint base recebeu um parêntese e 151 downloads. A base tem zero avaliações publicadas — sem MMLU, sem GPQA, sem perplexidade em nenhuma das superfícies da Liquid. É somente texto. Seu contexto é de 128K conforme o config.json do repositório (o card anuncia 131.072, e o config é o que um script de treinamento realmente empacota). E nenhum provedor de inferência o hospeda, então a única maneira de ver o que esses pesos podem fazer é fazer fine-tuning e servi-los você mesmo — que é exatamente o que o model card diz para você fazer. Ele é distribuído sob a LFM Open License v1.0, que limita o uso comercial a US$ 10 milhões em receita anual e aplica esse limite a trabalhos derivados, como o seu fine-tune.

O placar honesto

Este confronto tem a situação de evidências mais desequilibrada que você verá entre dois modelos de 2026. O Ling 3.0 Tiny tem uma pontuação independente: a Artificial Analysis dá a ele 23 no Intelligence Index, classificado em #6 entre 56 modelos em sua classe de tamanho, contra uma mediana de classe de 8 — bem acima da média para um modelo tão pequeno. Esse índice é um composto de nove avaliações, incluindo Terminal-Bench 2.1, GPQA Diamond e Humanity's Last Exam, realizadas por um terceiro, em vez de selecionadas pelo fornecedor.

LFM2.5-2.6B-Base não tem pontuação nenhuma. Os números agentivos que as pessoas citam para a família — ToolSandbox 77.83, IFBench 59.17, Multi-IF 80.07, AIME25 51.87 — pertencem ao LFM2.5-2.6B pós-treinado, são reportados pelo fornecedor e são o resultado de um pipeline de pós-treinamento em quatro estágios que não está presente no checkpoint base. Pegue os pesos base e você herda o pré-treinamento — os idiomas, o conhecimento de mundo, a capacidade de contexto longo — e nenhuma das pontuações de seguimento de instruções. O único número que a base carrega é 34T de tokens de treinamento, o que é um orçamento, não um resultado. Ninguém ainda relatou o que ele rendeu.

As seis dimensões que os separam, uma linha cada:

• Preço — Ling 3.0 Tiny $0,06 / $0,18 por 1M após a promoção gratuita (grátis até 14 de agosto) vs LFM2.5-2.6B-Base $0 para baixar, mais sua fatura de treinamento, para sempre.

• Contexto — 256K tokens no Ling 3.0 Tiny vs 128K no LFM2.5-2.6B-Base (config.json), uma diferença de 2x.

• Parâmetros — ~1,3B ativos de 7,9B totais MoE vs 2,69B densos; ambos apenas texto.

• Pontuação independente — Ling 3.0 Tiny AA Intelligence Index 23 (#6/56) vs LFM2.5-2.6B-Base zero avaliações publicadas.

• Modos — Ling 3.0 Tiny: alternância Thinking/Instant, chamada de funções, cache de prompt vs LFM2.5-2.6B-Base: nada até você fazer o pós-treinamento.

• Servido — Ling 3.0 Tiny no ar hoje em seus próprios endpoints comerciais vs. LFM2.5-2.6B-Base hospedado por nenhum provedor de inferência em lugar algum.

A assimetria é o ponto: você pode rodar o Ling 3.0 Tiny em teste A/B contra seus próprios prompts ainda esta tarde por trocados, e os números que você obtém são verificáveis. O checkpoint base é uma aposta na sua própria habilidade de fine-tuning, sem validação externa disponível ainda.

O custo do "grátis": uma resposta medida vs um medidor que para

O medidor do Ling 3.0 Tiny nunca para depois que a promoção termina. Cada token de entrada e saída é cobrado pela tarifa listada, para sempre, em qualquer concorrência que você execute. Há também um custo oculto: a Artificial Analysis mediu o modelo gerando 210 milhões de tokens de saída ao avaliar sua classe de 56 modelos — contra uma mediana de 63 milhões — e o classifica como "muito verboso". Um modelo de raciocínio que queima tokens extras de saída pensando tem um custo efetivo por tarefa maior do que a tabela de preços sugere, e a verbosidade corrói parcialmente a vantagem de preço. Preço grátis hoje mais medição verbosa amanhã é um trade-off econômico real, não um erro de arredondamento.

O "grátis" do checkpoint base é uma contabilidade diferente: não custa nada para baixar, mas depois custa dados, uma execução de treinamento e hardware. Um conjunto de ajuste fino supervisionado com 100 mil exemplos custa na ordem de dez dólares em tokens para gerar; um conjunto com 1 milhão de exemplos fica mais perto de cem. O ajuste fino em si — um modelo de 2,6B é uma execução curta em uma única GPU — representa horas de tempo de máquina mais as suas horas de engenharia. Para servir esse modelo, você precisa de um dispositivo; a Liquid informa que a família atinge cerca de 220 tokens/segundo de decodificação em um Apple M5 Max e 113 em um Ryzen AI Max+ 395, com medições feitas pelo fornecedor no irmão pós-treinado, e o modelo base não tem números de velocidade próprios. Na prática, isso significa um laptop que você já possui ou uma máquina nova a partir de cerca de US$ 1.500.

A diferença decisiva é a mesma que este blog usou para enquadrar {{1}}LFM2.5-2.6B-Base contra um GPT-5.6 Luna reprecificado{{/1}}: um medidor nunca para, o outro para no dia em que o treinamento termina. O Ling 3.0 Tiny cobra por token, seja qual for a sua concorrência, para sempre. O token marginal do modelo base é gratuito após a execução do treinamento, em qualquer concorrência, para quantos agentes concorrentes você puder alimentar. Esse é o único regime em que um 2.6B realmente supera uma API medida em custo: {{2}}cargas de trabalho de alto volume, alta concorrência e sempre ativas{{/2}}.

Quem deve escolher qual

Escolha Ling 3.0 Tiny se…

Você precisa de um modelo funcional esta semana: um modelo de raciocínio de texto capaz, que você possa chamar por meio de um endpoint compatível com a O​penAI, com contexto de 256K, chamada de ferramentas e uma pontuação independente que você possa consultar. O período gratuito oferece uma janela real para avaliá-lo em sua própria carga de trabalho antes de pagar qualquer coisa, e mesmo após a promoção, a taxa de US$ 0,06 / US$ 0,18 é agressiva para um modelo com pontuação de inteligência medida acima de sua classe. Você está alugando inteligência com medidor, e você se sente confortável com isso.

Escolha LFM2.5-2.6B-Base se…

Você está construindo um modelo em vez de alugar um: um idioma ou domínio que os modelos prontos para uso atendem de forma insuficiente, um setor regulado onde os dados não podem sair do dispositivo, pesquisa de pós-treinamento ou um estudante de destilação. Sua carga de trabalho tem concorrência alta o suficiente para que o custo marginal zero supere uma fatura por uso medido, e você se sente confortável abaixo do teto de receita da licença. Você também deve ser honesto consigo mesmo sobre os riscos: sem avaliações publicadas, sem caminho para servir o modelo e um ajuste fino que você terá que depurar sem um benchmark como alvo.

O híbrido honesto — e onde um roteador se encaixa

A maneira mais útil de ler esse emparelhamento é como duas metades de um único sistema, em vez de dois rivais. O verdadeiro pré-requisito do checkpoint base são os dados: a própria receita de pós-treinamento da Liquid funciona com especialização do professor e destilação on-policy, o que significa que tornar a base útil começa com um trabalho de geração de dados com vários modelos antes de se tornar um trabalho de treinamento. É exatamente aí que um modelo de API barato e capaz como o Ling 3.0 Tiny — ou, com qualidade superior, qualquer um dos níveis de texto no OrcaRouter — ganha seu lugar como professor para um pequeno aluno local. Aproveite a janela gratuita enquanto ela durar, gere o corpus de fine-tuning e então treine a base para transformá-la em algo seu.

Na parte da API, uma ressalva honesta antes de dizermos qualquer coisa sobre o nosso próprio produto: nem o Ling 3.0 Tiny nem o LFM2.5-2.6B-Base estão no OrcaRouter. O Ling 3.0 Tiny é servido por seus próprios endpoints comerciais, e o checkpoint base não é hospedado por ninguém. O que o OrcaRouter faz de útil é carregar os modelos professores e o tráfego de API ao redor deles — Qwen 3.7 Flash a $0.03 / $0.13 por 1M, Gemini 3.5 Flash-Lite a $0.30 / $2.50, e mais de 200 outros atrás de uma única chave com margem de lucro de 0%, de modo que o preço de tabela do provedor é o que você paga e uma redução de preço do fornecedor é repassada no mesmo dia. Para uma execução de geração de dados que não pode parar no meio, o failover automático entre provedores importa mais do que a escolha do modelo. Mas não hospedamos nenhum dos dois modelos sobre os quais trata este artigo, e não vamos fingir o contrário.

Veredito

Não é tanto uma disputa entre dois modelos baratos, mas uma bifurcação entre duas formas de gastar seu dinheiro. Se você precisa de respostas — respostas capazes, verificáveis, alugáveis — o Ling 3.0 Tiny está no ar hoje, gratuito pela próxima semana, com pontuação independente acima da sua classe e preço baixo após a promoção. Se você quer possuir o modelo — offline, privado, custo marginal zero, ajustado para se tornar algo seu — o LFM2.5-2.6B-Base é um dos poucos checkpoints de 2.6B genuinamente não medidos, com 34T de tokens de pré-treinamento por trás, e você estará entre as primeiras pessoas no mundo a descobrir o quão bom ele é. Ambos são gratuitos. Eles são gratuitos em moedas diferentes: o Ling 3.0 Tiny custa um medidor, e o LFM2.5-2.6B-Base custa uma rodada de treinamento.