Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Alugar a Percepção, ou Possuir o Checkpoint e Finalizá-lo Você Mesmo

Ambos esses modelos são voltados para hardware que você conseguiria segurar com uma mão. O Perceptron Mk1.5 é um modelo de percepção para agentes incorporados que, segundo seu fornecedor, chega a drones, quadrúpedes, óculos inteligentes e celulares. O LFM2.5-2.6B-Base é um checkpoint de pesos abertos de 2,69B que a Liquid AI criou explicitamente para implantação no dispositivo — pequeno o suficiente para rodar com menos de 2,5 GB de memória. Essa ambição física compartilhada é a única coisa que eles têm em comum, e é uma armadilha para quem os compara em uma ficha técnica. O Perceptron Mk1.5 é um produto finalizado que você aluga por token: entrada de texto, imagens, vídeo e áudio, e saída de texto mais geometria legível por máquina, disponível desde 25 de setembro de 2026. O LFM2.5-2.6B-Base é uma base pré-treinada bruta, sem ajuste por instruções, sem template de chat e sem alegações de benchmark — um checkpoint lançado para outras pessoas concluírem. Um deles responde a uma pergunta hoje; o outro é a matéria-prima para um modelo que responderá.

A comparação só funciona se você nomear a etapa

Colocar uma API em produção ao lado de um checkpoint base não é um confronto direto, e fingir o contrário produz uma tabela sem sentido em que um lado “vence” todas as linhas porque foi concluído pelo seu fornecedor e o outro nem foi iniciado. A pergunta útil é em que estágio do trabalho você está.

A Liquid AI lançou a família LFM2.5 como um conjunto de checkpoints, e a base é a primeira delas. Seu card lista 2,69 bilhões de parâmetros totais em 30 camadas — 22 blocos de convolução curta com portão duplo e 8 blocos de atenção com consultas agrupadas — treinados em cerca de 34 trilhões de tokens, com um vocabulário de 128.000 tokens, comprimento de contexto de 131.072 tokens e suporte a 16 idiomas, incluindo inglês, chinês, japonês, coreano e árabe. Ele é somente texto, é um modelo de linguagem causal e nada mais, e a própria recomendação da Liquid é direta: este checkpoint é para tarefas que exigem ajuste fino intenso, como um assistente específico de idioma ou de domínio, treinamento com dados proprietários ou experimentação com novas abordagens de pós-treinamento. O que o transforma no agente de chamada de ferramentas que carrega as pontuações publicadas da família é o pipeline de pós-treinamento de quatro estágios da Liquid, que a base não inclui.

Perceptron Mk1.5 está na outra extremidade desse arco. A Perceptron já fez o pós-treinamento, decidiu o formato de saída e precificou o resultado — US$ 0,15 por milhão de tokens de entrada e US$ 1,50 por milhão de saída, com entrada em cache a US$ 0,0375. Suas especificações são específicas de um jeito que as do checkpoint base não são: contexto de 36.864 tokens, saída máxima de 8.192 tokens, quatro modalidades de entrada, um reasoning_effort controle com padrão alto, chamada de função em conclusões de chat e respostas restritas por meio de JSON Schema e regex.

A razão para manter ambos em perspectiva é que o custo total de propriedade segue em direções opostas. O Mk1.5 é caro por token e gratuito para começar. O LFM2.5-2.6B-Base é gratuito na margem e caro na única moeda que importa para um checkpoint base — o seu tempo de engenharia.

Dimensão por dimensão, com os papéis bem definidos

• O que é — Perceptron Mk1.5 é uma API de percepção hospedada com saída espacial estruturada. LFM2.5-2.6B-Base é um LM causal pré-treinado de 2,69 bilhões de parâmetros disponível para download.

• Entrada — Mk1.5 aceita texto, imagens, vídeo e áudio (WAV, MP3, FLAC). LFM2.5-2.6B-Base aceita texto, e apenas texto.

• Saída — Mk1.5 retorna texto, além de pontos, caixas, polígonos, clipes e elementos <track> com carimbo de data/hora opcionais, ou respostas restritas por JSON Schema. A base retorna probabilidades de token para o próximo token, e nada foi ajustado para tornar isso útil.

• Uso independente — Mk1.5 funciona no dia em que você recebe uma chave. LFM2.5-2.6B-Base não responde a perguntas em nenhum sentido de produto; ele precisa de um fine-tune e, geralmente, de um template de chat, antes de ser um modelo que você lançaria.

• Contexto — 36.864 tokens para o Mk1.5 versus 131.072 para a base. O checkpoint no dispositivo contém quase quatro vezes mais texto do que o modelo de percepção em serviço contém de qualquer coisa.

• Pegada — Mk1.5 roda onde o Perceptron o executa, e seu trabalho de latência publicado foi realizado em uma única H100. A base foi projetada para rodar em um laptop, um celular ou um dispositivo de borda em menos de 2,5 GB.

• Evidência — todos os números de capacidade do Mk1.5 são da própria Perceptron, e não há índice independente para ele. A base não tem nenhuma alegação de benchmark: a Liquid publica pontuações para o LFM2.5-2.6B pós-treinado, não para este checkpoint.

• Licença — o Mk1.5 é fechado, alugado por token. O LFM2.5-2.6B-Base é distribuído sob a LFM Open License v1.0, com pesos que você baixa e mantém.

A rota dos pesos, honestamente orçada

Se o atrativo do LFM2.5-2.6B-Base é que os pesos são gratuitos, a versão honesta dessa frase é que os pesos são a parte mais barata do projeto. Um fine-tune em dados proprietários significa um conjunto de dados, uma execução de treinamento, um harness de avaliação para lhe dizer se o fine-tune funcionou, e um caminho de serving — Transformers, vLLM ou SGLang, ou uma das builds GGUF, ONNX e MLX que a Liquid publica para implantação em CPU, multiplataforma e Apple Silicon, respectivamente. Nada disso é exótico, e com 2,69B ele cabe em hardware que um fine-tune de 70B nunca toca. Mas um checkpoint base é um ponto de partida, e o risco de cronograma fica inteiramente do seu lado da transação.

O que você ganha em troca é controle. O tokenizador de 16 idiomas e o contexto de 131K significam que um fine-tune de domínio não está disputando espaço com o pré-treinamento. A pegada de menos de 2,5 GB significa que o alvo de implantação é um dispositivo, e não um centro de dados, o que é justamente o objetivo da família. E a LFM Open License permite que você fique com o resultado — um especialista que nenhum concorrente consegue alugar da mesma API que você.

Há uma evidência de terceiros que vale a pena conhecer antes de apostar na linhagem, e uma lacuna. O LFM2.5-2.6B pós-treinado da Liquid tem, sim, uma medição independente: a Artificial Analysis o lista com um Intelligence Index de 8, classificado em 9º entre 49 modelos em sua classe. O checkpoint base não tem — não há página para ele, o que é normal para um modelo de base pré-treinado e vale dizer claramente em vez de tratar como um veredito. O que o índice do modelo pós-treinado lhe diz é o que o pipeline produz a partir desse ponto de partida na extremidade inferior da faixa do índice, não o que seu fine-tune produzirá.

A rota da API e o que "no dispositivo" significa para um modelo hospedado

A história de implementação do Perceptron Mk1.5 é mais complicada do que a sua lista de alvos sugere, e vale a pena ser preciso. O anúncio do fornecedor nomeia drones, quadrúpedes, óculos inteligentes e telefones como alvos de implementação. O próprio modelo é servido a partir de api.perceptron.inc por trás de uma chave de API, e as evidências de latência que a Perceptron publicou são uma mediana de três execuções numa única H100. Uma única H100 não é um drone. A leitura realista é que o Mk1.5 é a camada de percepção para um robô que tem uma ligação de rede ou uma caixa de computação associada, não um modelo que corre dentro da estrutura da aeronave — e quem planeja um dispositivo offline em torno dele deve testar essa suposição antes de projetar o hardware.

O que a rota da API proporciona, se a premissa de rede se mantiver, é o que um checkpoint base não pode lhe dar a preço algum: coordenadas. O Mk1.5, cuja saída <track> carrega uma observação espacial e seu timestamp, então um clipe volta como posições de objetos ao longo do tempo em vez de uma descrição de cena. Adicione o campo asset_idx, que permite que uma requisição enderece várias imagens ou vídeos separadamente, e o formato da requisição corresponde a um loop de controle — quadro de referência entra, geometria sai, sem etapa de parsing entre o modelo e o código que move alguma coisa.

Os custos são os que já foram listados: 36.864 tokens de contexto, um teto de áudio por item de 16.384 tokens que a documentação da Perceptron estima em cerca de 21,8 minutos a aproximadamente 750 tokens por minuto, um reasoning_effort padrão definido como high que cobra de você o caminho de raciocínio mais caro em cada chamada que você não configurar, e um conjunto de alegações de benchmark produzidas pela empresa que vende o modelo. O número de rastreamento de mãos é o que deve ser testado com suas próprias filmagens: 0,9433 em egocêntrico hand_box contra 0,4467 para o Gemini 3.1 Pro na própria execução da Perceptron é uma margem grande, e margens grandes em avaliações de fornecedores são exatamente as que vale a pena reproduzir.

Nenhum dos dois está no nosso catálogo, e isso muda a decisão.

Nem o Perceptron Mk1.5 nem o LFM2.5-2.6B-Base estão roteados no OrcaRouter hoje. O Mk1.5 não tem rota alguma, então alcançá-lo significa usar a própria API do fornecedor — pip install "perceptron>=0.4.0" e PERCEPTRON_API_KEY — e a Liquid AI não tem nenhum modelo de qualquer tamanho em nosso catálogo, então o checkpoint base é um download do Hugging Face da Liquid, e não uma chamada.

Isso importa menos do que parece, porque os dois não são endpoints intercambiáveis e nenhum argumento de preço fará com que sejam. O que uma camada de roteamento contribui aqui é a parte da decisão que ainda está em aberto. Se você construir um serviço de percepção sobre o Mk1.5 e um especialista em texto sobre um LFM2.5-2.6B-Base ajustado, você estará executando duas integrações e dois modos de falha; um gateway compatível com OpenAI na frente deles transforma um incidente de provedor de qualquer um dos lados em fallback, em vez de um job com falha, e uma regra de roteamento pode enviar o tráfego de visão e o tráfego de texto para modelos diferentes sem que a aplicação saiba qual é qual. Uma API cobrindo mais de 200 modelos com preços de tabela dos provedores repassados com 0% de markup é a versão disso em que uma mudança de preço do fornecedor chega no mesmo dia, em vez de na sua próxima renovação — embora, para esses dois especificamente, hoje, o gateway seja uma consideração de planejamento, e não um atalho disponível.

O que você deve fazer e o que deve medir

Se a sua tarefa é "encontre este objeto neste quadro e retorne onde ele está", alugue o Mk1.5 e teste a alegação do hand-box no seu próprio vídeo antes de comprometer com ele um caminho de produção. Faça o orçamento considerando a premissa de rede, defina reasoning_effortdeliberadamente em vez de aceitar high, e trate a janela de 36.864 tokens como a restrição rígida que ela é. A saída estruturada é o produto e, se o seu código a jusante conseguir consumir uma coordenada sem uma etapa de parsing, isso é uma economia genuína num ponto onde a maioria dos pipelines de visão perde precisão silenciosamente.

Se a sua tarefa é "preciso de um modelo de 2,6B ajustado com dados que ninguém mais tem, rodando em algum lugar sem GPU", baixe o LFM2.5-2.6B-Base e precifique o fine-tune com honestidade antes de começar. O checkpoint é gratuito e a engenharia não é, e a lição da própria família — de que o irmão pós-treinado marca 8 no índice independente — é um lembrete de que a lacuna entre um modelo base e um modelo finalizado é onde mora o trabalho de verdade. Nenhuma dessas duas opções é a resposta errada. São compras diferentes, e o único erro de fato é tratar uma base que você ainda precisa finalizar como se já fosse um produto.

Dois modelos, duas integrações e dois modos de falha é uma posição pior do que parece. No OrcaRouter, você pode configurar o failover automático para que um incidente do provedor de qualquer um dos lados se degrade em um fallback em vez de um job falho.