MiniCPM5-2B vs LFM2.5 2.6B Base: Um Modelo Finalizado vs a Matéria-Prima para Construir o Seu Próprio

Dois dos lançamentos de modelos pequenos mais interessantes do último mês ocupam a mesma categoria de peso e não poderiam estar em fases mais diferentes de suas vidas. O MiniCPM5-2B é o produto final: um modelo denso de 2.5B que a ModelBest e a OpenBMB apresentaram na World Artificial Intelligence Conference em 19 de julho, cujos pesos abertos entraram no ar sem alarde no Hugging Face em 6 e 7 de setembro, com um pipeline completo de pós-treinamento por trás, Apache-2.0, pronto para servir. O LFM2.5 2.6B Base é o checkpoint pré-treinado somente de texto da Liquid AI — o substrato bruto que a empresa diz ser “recomendado apenas para tarefas que exigem fine-tuning pesado”, sem ajuste de instruções, sem template de chat e zero benchmarks publicados, porque um modelo base não é avaliado; os modelos que você ajusta a partir dele é que são. Compará-los é, na verdade, uma questão sobre qual camada da construção você está procurando: um modelo que funcione já esta noite, ou os ingredientes para fazer o seu próprio.

As duas fichas dizem "não para uso direto" em dialetos diferentes, e os fornecedores colocam isso nas primeiras linhas. A ficha do MiniCPM5-2B descreve um transformer denso da arquitetura Llama com 2.516.756.480 parâmetros no total (1.981.982.720 sem embeddings), 42 camadas, atenção de consulta agrupada, uma janela de contexto de 131.072 tokens na configuração fornecida e uma história de pós-treinamento — SFT de pensamento profundo, RL especializado, destilação on-policy — voltada diretamente para o comportamento agêntico e o uso de ferramentas. A ficha da Liquid para o LFM2.5 2.6B Base descreve um híbrido de 2,69B que empilha oito camadas de atenção de consulta agrupada sobre vinte e dois blocos de convolução curta com portas duplas, pré-treinado em cerca de 34 trilhões de tokens em 16 idiomas com contexto de 128K, e então para: a base existe para ser continuada ou ajustada para se tornar outra coisa. Uma é um destino; a outra é uma linha de partida.

O que a Liquid realmente lançou

LFM2.5 2.6B Base chegou ao Hugging Face no início de agosto como a fundação pré-treinada para a família LFM2.5-2.6B da Liquid. Seu model card mostra a tabela da família — a base, e o LFM2.5-2.6B pós-treinado que a Liquid ajustou para cargas de trabalho agênticas com chamada de ferramentas — e é transparente ao afirmar que a base é o checkpoint somente de texto usado para criar todas as variantes. Esse é todo o seu papel: você pega a arquitetura híbrida de 2,69B e a fundação multilíngue de 34 trilhões de tokens e continua o pré-treinamento ou faz SFT no seu próprio domínio, após o que qualquer coisa que você distribuir herda os termos de licença dela. Não há benchmarks no card porque ainda não há o que avaliar; o modelo não tem ajuste de instruções, então, pronto para uso, ele continua texto em vez de responder. Ele roda a partir de cerca de 2,5GB de pesos e é suportado por Transformers, vLLM, SGLang, MLX e llama.cpp, o que o torna uma base plausível para projetos de fine-tuning voltados a celulares e dispositivos de borda.

A ressalva prática para esta comparação: se o que você quer é um modelo pequeno funcional da Liquid, a contraparte justa do MiniCPM5-2B é o LFM2.5-2.6B pós-treinado, não o Base. O Base é a versão que você escolhe quando pretende fazer o pós-treinamento você mesmo — e é exatamente por isso que a tabela de benchmarks do próprio MiniCPM5-2B faz a comparação com a versão irmã ajustada por instruções da família, em vez deste checkpoint bruto.

O que a OpenBMB lançou e por que é diferente

MiniCPM5-2B chega como um produto completo com as plantas da fábrica anexas. Enquanto a Liquid entrega uma base e o trabalho, a OpenBMB entrega tudo aberto: o checkpoint pós-treinado final com RL + OPD, GGUF, MLX, GPTQ, base, SFT e acompanhantes de draft e — a parte que muda a comparação — os próprios corpora de treinamento, lançados sob Apache-2.0 como a família UltraData. O model card relata uma média interna de 53,9 em um conjunto de comparação selecionado pelo fornecedor de modelos abertos de 2B-4B, com um AIME 2025/2026 de 86,5 e um 46,4 executado pelo fornecedor no SWE-bench Verified, nada disso ainda reproduzido de forma independente. Ele foi feito para rodar, não para ser treinado: a proposta de lançamento foi adaptação no dia zero em nove famílias de chips e ARM, chamada nativa de ferramentas por meio de chamadas em estilo XML e modos de resposta híbridos entre rápido e deliberado para uso interativo.

O placar, honestamente rotulado

• O que você obtém — MiniCPM5-2B: um modelo de chat pronto e servível, além de dados de treinamento abertos. LFM2.5 2.6B Base: uma base pré-treinada que você ajusta para obter um modelo final.

• Parâmetros — MiniCPM5-2B: 2,52B total / 1,98B não-embedding, denso estilo Llama. LFM2.5 2.6B Base: 2,69B híbrido (8 blocos de atenção + 22 blocos de convolução curta).

• Contexto — MiniCPM5-2B: 131.072 tokens na configuração fornecida. LFM2.5 2.6B Base: 128K nativos.

• Idiomas — MiniCPM5-2B: cartão e dados centrados em inglês e chinês. LFM2.5 2.6B Base: pré-treinado em 16 idiomas.

• Benchmarks — MiniCPM5-2B: suíte completa do fornecedor (média interna 53.9; não reproduzido). LFM2.5 2.6B Base: nenhum publicado para a própria base, por design.

• Licença — MiniCPM5-2B: Apache-2.0 para pesos e dados divulgados. LFM2.5 2.6B Base: LFM Open License v1.0, gratuita para receita anual inferior a US$ 10 milhões, e o teto se estende aos seus derivados.

O placar acima é a mesma história em seis linhas: ambos os modelos são pequenos, da classe 128K e adjacentes ao Apache, mas uma coluna termina em um serviço em execução e a outra termina em uma decisão sobre quem faz o treinamento.

A licença é o recurso

Para quem constrói, a lacuna de licenciamento é a linha menos glamourosa e mais decisiva dessa lista. A OpenBMB colocou o MiniCPM5-2B e seus dados lançados sob Apache-2.0: você pode disponibilizá-lo, ajustá-lo e construir um produto comercial sobre ele, sem teto de receita e sem obrigação herdada além da atribuição. A LFM Open License v1.0 da Liquid é genuinamente de pesos abertos, mas condicionada à receita — organizações com menos de US$ 10 milhões de receita anual recebem uma ampla concessão comercial; organizações nesse valor ou acima dele não recebem, e o teto é herdado por qualquer coisa que você ajuste; portanto, um produto construído sobre o LFM2.5 2.6B Base carrega o mesmo teto à medida que sua empresa cresce. Isso não torna a licença da Liquid irrazoável; faz dela uma condição que uma startup que espera escalar além do teto precisa considerar no planejamento desde o início, e é o principal motivo pelo qual o enquadramento de “modelo pronto” importa. Se você está construindo algo que pretende expandir, Apache-2.0 com dados abertos é um tipo diferente de matéria-prima em comparação com uma licença com teto.

A bifurcação entre construir e comprar, concretizada.

Enquadre isso como construir versus comprar e a escolha deixa de ser confusa. MiniCPM5-2B é o caminho da compra: o trabalho árduo — pós-treinar um modelo pequeno para trabalho agêntico e de contexto longo — já está feito, a licença é limpa, e o que resta para você é servir e avaliar. O custo é que você está adotando as escolhas de pós-treinamento de outra pessoa, e os seus números de destaque têm uma semana e não foram verificados por ninguém fora do laboratório. LFM2.5 2.6B Base é o caminho da construção: você compra a arquitetura e o pré-treinamento da Liquid e faz o pós-treinamento você mesmo, que é a única razão honesta para escolher um modelo base em vez do irmão LFM2.5-2.6B ajustado por instruções que a Liquid já vende. Esse caminho faz sentido quando você tem um domínio, um idioma ou um perfil de comportamento que os modelos prontos não cobrem. É estritamente mais trabalho, começa com zero benchmarks publicados e herda o teto de receita. O ganho é um modelo que ninguém mais tem — e, como a OpenBMB abriu os dados do próprio MiniCPM5-2B, agora você tem uma segunda maneira de chegar lá: continuar o treinamento de uma receita comprovada sob Apache-2.0 em vez de começar de uma base bruta.

A realidade do roteamento para ambos

Nenhum dos checkpoints aparece hoje em um catálogo hospedado, então a questão da camada diz respeito ao mundo ao redor deles, e não à entrega. Depois de servir o MiniCPM5-2B ou ajustar o LFM2.5 2.6B Base para algo próprio, a maneira reversível de testar qualquer um deles contra os modelos hospedados que você já usa é por meio de uma API com failover automático — uma pilha nova ou derivada pode falhar sem derrubar a produção, e os preços de tabela dos provedores são repassados com margem de 0%, então a comparação A/B é barata. Quanto à própria decisão de construir versus comprar, porém, o plano honesto é o mesmo de sempre com pequenos modelos abertos: o benchmark que importa é aquele que você executa no seu próprio hardware e com seus próprios dados, não o impresso na ficha de nenhum dos dois.

Qual camada você está realmente procurando?

Escolha o MiniCPM5-2B quando você quiser um modelo pronto para dispositivo, licenciado sob Apache-2.0, que possa servir esta noite e ajustar com dados abertos — aceitando que sua ficha técnica impressionante não foi verificada e precisa de reprodução própria antes de ganhar confiança em produção. Escolha o LFM2.5 2.6B Base quando sua intenção for pós-treinar seu próprio modelo e quiser a arquitetura híbrida da Liquid e a fundação em 16 idiomas como pesos iniciais — aceitando o custo do fine-tuning, os zero benchmarks publicados e o limite de US$ 10 milhões em receita que virá junto em tudo o que você lançar. Os dois não são rivais para o mesmo trabalho; são dois trabalhos diferentes no mesmo hardware, e a única escolha errada é comprar um enquanto acredita que estava comprando o outro.