ZwZ2-9B vs LFM2.5 2.6B Base: Um erro de categoria que vale a pena entender

Colocar ZwZ2-9B ao lado de LFM2.5 2.6B Base parece uma comparação de tamanho, e não é. ZwZ2-9B é um checkpoint de visão e linguagem com 9,41 bilhões de parâmetros que a inclusionAI publicou em 16 de outubro de 2026 sem ficha de modelo; LFM2.5 2.6B Base é um modelo pré-treinado apenas de texto com 2,697 bilhões de parâmetros que a Liquid AI publicou em 1 de agosto de 2026, com uma ficha que diz, com suas próprias palavras, que é o checkpoint "usado para criar todas as variantes do LFM2.5-2.6B". Um é algo que você adota. O outro é algo sobre o qual você constrói. Escolher entre eles não é como escolher entre dois carros — é como escolher entre um carro e um bloco de motor, e a única pergunta útil é qual desses você realmente precisava.

Então, este artigo faz duas coisas. Ele traz os números reais de ambos, porque você veio aqui procurando uma comparação e vale a pena ter esses números. E então explica a distinção que a comparação esconde, porque errar isso é como as equipes acabam três semanas dentro de um fine-tune de que não precisavam, ou rodando um modelo de servidor de 9.4B para uma tarefa que um modelo de laptop de 3B teria dado conta.

O que cada um destes artefactos é na realidade

O LFM2.5 2.6B Base é deliberadamente inacabado. É o checkpoint pré-treinado na raiz da família LFM2.5-2.6B da Liquid AI — 30 camadas alternando entre blocos de convolução curta com gate duplo e atenção com consultas agrupadas, 34 trilhões de tokens de pré-treinamento, um vocabulário de 128.000 tokens e um teto de 128.000 posições. É somente texto. Foi projetado para implantação no dispositivo, que é a expressão que a Liquid AI usa no card, e o ponto central do sufixo "Base" é que a variante conversacional pós-treinada e a variante agêntica são downloads separados derivados dele. Você deve fazer fine-tuning nele ou destilar nele. De fábrica, ele não é um assistente.

ZwZ2-9B é um objeto do tipo oposto. É um checkpoint de formato finalizado que não foi descrito. Sua configuração inclui uma torre de visão de 27 camadas, IDs de token de imagem e vídeo, um processador de vídeo limitado a 768 quadros, um template de chat com um prompt de sistema padrão embutido, e 24 de suas 32 camadas executando atenção linear em vez de um cache de chave-valor crescente. Esse é um alvo de implantação, não um substrato de treinamento. O que falta é tudo o que um comprador pediria: nenhum campo de licença, nenhum resultado de avaliação, nenhuma declaração sobre com o que foi treinado e nenhuma entrada em nenhuma das dez coleções públicas da inclusionAI.

• Parâmetros — ZwZ2-9B: 9.409.813.744. LFM2.5 2.6B Base: 2,697 bilhões.

• Finalidade — um checkpoint multimodal moldado para implantação vs. uma base pré-treinada para ajuste fino.

• Modalidades em — texto, imagem e vídeo vs apenas texto.

• Teto de contexto — 262.144 posições vs 128.000 (o card da Liquid AI arredonda isso para 131.072).

• Vocabulário — 248.320 vs 128.000.

• Design de atenção — 24 camadas lineares mais 8 camadas de atenção completa vs 22 camadas de convolução mais 8 camadas de atenção.

• Licença — nenhuma declarada vs a LFM Open License v1.0, que é uma licença personalizada em vez de Apache-2.0.

• Documentação — nenhum vs. um cartão de modelo, um relatório técnico e um orçamento de treinamento declarado.

Duas linhas ali são mais interessantes do que parecem. Ambos os modelos chegam exatamente a 8 camadas de atenção, e ambos preenchem o restante com algo mais barato — o ZwZ2-9B com atenção linear recorrente, o LFM2.5 2.6B Base com convoluções curtas. Essa convergência não é coincidência; é o que "arquitetura eficiente" tem significado nos últimos dois anos, alcançada a partir de direções opostas e em escalas opostas. E os tetos de contexto não são uma competição: 262.144 contra 128.000 quase não dizem nada, porque o modelo de 2,7B foi feito para rodar em um laptop, onde um cache de um quarto de milhão de tokens não é um conjunto de trabalho realista.

A palavra "Base" é a decisão inteira.

Se você tirar uma coisa deste pareamento, tire isto. Um checkpoint base não tem seguimento de instruções, não tem formatação de chat em que se possa confiar e não tem ajuste de segurança — e isso é uma vantagem se você estiver construindo um modelo de domínio, porque significa que você não está lutando contra o alinhamento de outra pessoa quando treina o seu. É um defeito se você queria um assistente, porque você vai passar as suas primeiras duas semanas redescobrindo que modelos pré-treinados completam texto em vez de responder a perguntas.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

A matemática da implantação, que é onde reside a verdadeira diferença

Um modelo de texto de 2,697B e um modelo de visão de 9,41B não são alternativas no mesmo hardware. A base do LFM2.5 foi concebida para telemóveis, portáteis e máquinas de placa única; o enquadramento da Liquid AI assenta na inferência no próprio dispositivo, e um checkpoint de 2,7B quantizado para quatro bits ocupa alguns gigabytes. O ZwZ2-9B mantém uma torre de visão de 27 camadas ao lado de 32 camadas de linguagem e cerca de 2 GB de matriz de embeddings em cada direção — só o vocabulário é uma tabela de 248.320 por 4.096 —, pelo que pertence a um servidor, ou pelo menos a um desktop com um acelerador a sério.

É por isso que a arquitetura honesta para a maioria das equipes não é "escolher um". São dois níveis. Coloque o modelo pequeno e documentado onde a latência e a privacidade importam e a tarefa é restrita, e encaminhe os casos difíceis para um modelo hospedado, onde o custo variável só aparece quando o caso difícil aparece. Acertar essa divisão é mais valioso do que qualquer escolha de modelo único nesta página, e também é a coisa mais difícil de mudar depois, porque é a que mexe no seu código.

Fazê-lo por trás de uma única interface é o objetivo de um roteador. O OrcaRouter expõe mais de 200 modelos a partir de um único endpoint compatível com OpenAI e uma única chave de API, com failover automático, para que o nível barato e o nível caro fiquem a uma string de modelo de distância em vez de duas integrações — e os preços de tabela dos fornecedores são repassados com 0% de markup, portanto executar o nível caro custa o mesmo que custaria em qualquer outro lugar. Não hospedamos o LFM2.5 2.6B Base nem o ZwZ2-9B, por isso nenhum destes é uma chamada que possamos fazer por você — a Liquid AI distribui os seus próprios pesos através dos canais do próprio fornecedor, e a inclusionAI não publicou nenhum endpoint. O que podemos colocar do lado hospedado dessa divisão hoje é qwen/qwen3-vl-8b-instruct, um modelo de visão-linguagem de 8B com um contexto de 131K tokens a $0,18 por milhão de tokens de entrada e $0,70 por milhão de saída, que é o substituto documentado mais próximo para o nível multimodal pequeno.

O licenciamento é onde esses dois divergem mais acentuadamente.

Nenhuma das duas licenças é Apache-2.0, e as razões são diferentes de uma forma que importa. O LFM2.5 2.6B Base é distribuído sob a LFM Open License v1.0, que é uma licença personalizada — ela é publicada, é legível, e é a mesma licença que o resto da família usa, o que significa que uma revisão jurídica feita uma vez cobre todos os modelos LFM2.5 que você usar. O ZwZ2-9B não declara nada. Uma licença ausente não é uma licença permissiva; na ausência de uma concessão explícita, a leitura conservadora é que nenhum direito foi estendido, e essa é uma posição materialmente pior do que uma licença personalizada que você pode ler e avaliar.

Para um checkpoint base que você pretende ajustar com fine-tuning e possivelmente redistribuir, isto não é uma nota de rodapé. Termos de obra derivada são exatamente a cláusula sobre a qual licenças personalizadas costumam ter opiniões, e a ausência de qualquer cláusula não resolve a seu favor.

Como escolher, dito de forma simples

Escolha o LFM2.5 2.6B Base se tem uma tarefa de texto específica, um dispositivo alvo e apetência para conduzir o seu próprio treino — e aceite que é você quem fornece o cumprimento de instruções. O seu orçamento de treino documentado e a licença declarada significam que sabe de onde parte.

Escolha o ZwZ2-9B se precisar de imagens ou vídeo na entrada, tiver as GPUs para servir um modelo de 9,4B, e estiver disposto a ser a primeira organização do planeta a avaliá-lo. Essa última cláusula não é retórica. Antes de se comprometer, as perguntas a responder são se ele aceita os seus formatos de imagem, se retorna o shape de saída de que você precisa com o modo de pensamento desativado, e sob qual licença você estaria realmente operando. Duas dessas três têm resposta no repositório. A terceira não.

Os benchmarks envelhecem e os preços mudam; o registro de falhas não: os incidentes de IA documentados e as falhas de agentes por trás dos modelos desta classe estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de contestação.