LFM2.5-24B-A2B против Granite 4.2 30B: разреженная модель для ноутбука или плотная модель для рабочей станции

«Открытые веса» выполняют две разные функции в LFM2.5-24B-A2B и Granite 4.2 30B. Модель Liquid AI, анонсированная 13 октября 2026 года, — это смесь экспертов на 24 миллиарда параметров, которая активирует 2,45 млрд параметров на токен и поставляется под собственной лицензией вендора lfm1.0. Granite 4.2 30B от IBM, опубликованная на Hugging Face 25 августа 2026 года, — это плотная decoder-only модель рассуждений: примерно 29 миллиардов параметров в её BF16 safetensors, и все они активны на каждом токене, — и поставляется она под Apache 2.0. Одна из этих лицензий — стандартное разрешение Apache без каких-либо условий. Другая — нет, и это различие сохраняется при любых спорах о бенчмарках, которые вы могли бы вести об этих двух моделях.

Второе различие — это арифметика, которую не скроет никакой бенчмарк. MoE с 2,45 млрд активных параметров рассчитана на машину, которая у вас уже есть. Плотная модель на 29 млрд параметров требует GPU с достаточным объёмом памяти, чтобы её вместить, из-за чего сравнение становится не столько вопросом «кто умнее», сколько «какую из них вы действительно сможете запустить на том оборудовании, что стоит перед вами».

Куда помещаются параметры

LFM2.5-24B-A2B состоит из 40 слоёв, разделённых между 30 блоками короткой свёртки с двойным гейтированием и 10 слоями внимания с группированными запросами, с 64 экспертами на блок и маршрутизацией top-4. Liquid обучила её на 33 трлн токенов по подсчёту из поста о запуске — или на 36 трлн по подсчёту карточки модели на Hugging Face для того же релиза, расхождение, которое не устраняет ни один из документов, — затем провела промежуточное обучение в два этапа и завершила пятиэтапным пайплайном постобучения, который заканчивается агентным обучением с подкреплением внутри реальных агентных обвязок. У неё 131 072 токена контекста и словарь на 128 000 токенов.

Granite 4.2 30B — это единый плотный стек, не требующий маршрутизации, построенный на чекпоинте Granite-4.1-30B-Base и обученный с тремя выбираемыми режимами рассуждения: полное мышление, обёрнутое в теги <think>, мышление с низкими усилиями и полное отсутствие мышления. Он имеет нативный контекст 128K с документированным расширением длинного контекста до 512K, поддерживает двенадцать протестированных языков, а в его карточке модели рекомендуется температура 1.0 с top_p 0.95 для всех задач.

Практическое следствие — это профиль пропускной способности, а не просто её величина. Разреженная маршрутизация означает, что LFM2.5-24B-A2B читает файл весов размером 24B, чтобы выполнить 2.45B арифметических операций на токен — хорошо для пропускной способности памяти и не плохо ни для чего конкретного. Плотная же означает, что Granite 4.2 30B выполняет все 29B работы для каждого выдаваемого токена. Если ваша рабочая нагрузка — это длинный цикл агента с множеством коротких шагов, эта разница накапливается.

Номера поставщиков, рядом друг с другом, с прилагаемой оговоркой

Никто не проводил прямого сравнения этих двух моделей друг с другом. Цифры IBM взяты из карточки модели Granite 4.2; данные Liquid — из таблицы vLLM, опубликованной в день запуска, где Granite не фигурирует в качестве отдельного столбца. Таким образом, строки ниже — это два отдельных заявления производителей, поставленные рядом, а не очное сравнение, к тому же в двух из четырёх бенчмарков используются пересекающиеся, но не идентичные тестовые стенды.

• Параметры — 24,0B всего, из них 2,45B активных, против ~29B плотных, все активные. Единственное число, которое определяет ваше железо.

• Контекст — 131 072 токена против 128K нативного и 512K расширенного. Примерно на одном уровне при нативном окне; Granite идёт дальше, если это вам нужно.

• Лицензия — lfm1.0 против Apache 2.0.В Apache 2.0 нет привязки к выручке и нет вопроса об области использования. Сверьте условия Liquid со своими цифрами.

• Агентное использование инструментов — BFCLv4 65,01 против BFCL v4 61,39. Число Liquid — из собственного харнесса; у IBM — из карточки 4.2. Достаточно близко, чтобы харнесс значил больше, чем разрыв.

• Программирование — SWE-Bench Verified 51.00 против 57.00. Преимущество Granite, и это укладывается в закономерность: LFM2.5-24B-A2B — модель, вызывающая инструменты, Granite 4.2 30B — рассуждающая модель, которая тоже вызывает инструменты.

• Следование инструкциям — IFEval 96,75 и IFBench 74,69 против IFBench 77,17. Оба показателя высоки; два поставщика используют разные пары строк, поэтому сравнивайте общую.

Там, где карточка Granite добавляет сведения, которые Liquid не публикует, считайте это аргументом в пользу рассуждающей модели: AIME 2025 — 89,17, GPQA — 66,41, LiveCodeBench v6 — 75,77, MMLU-Pro — 77,60, SciCode — 38,76 и RULER — 89,96 для 64K и 81,38 для 128K. Эта последняя пара — как раз такие доказательства длинного контекста, которых у LFM2.5-24B-A2B просто пока нет: Liquid не опубликовала никаких метрик извлечения ни при какой длине контекста для своего окна в 131K.

Во что вам обходится удержание каждой из них

Liquid устанавливает цену за доступ к API: $0,10 за миллион входных токенов — $0,05 за кэшированные — и $1,00 за миллион выходных токенов в собственной Console, с $2 стартового кредита. Но хостируемый эндпоинт — не совсем продукт; продукт — сам файл 24B-A2B, и заявления вендора о пропускной способности относятся исключительно к работе на устройстве: 184 токена в секунду на Apple M5 Max и 114 токенов в секунду на AMD Ryzen AI Max+ 395. Оба показателя заявлены вендором и не воспроизведены, и независимо от того, подтвердятся ли они, архитектурный аргумент работает: MoE с 2,45 млрд активных параметров работает на унифицированной памяти так, как плотная модель на 29B не может.

IBM не публикует цену за токен в карточке модели — Granite 4.2 30B позиционируется как self-hosted чекпойнт, распространяемый в виде BF16, а также квантований FP8, NVFP4/MXFP4 и GGUF. Совокупная стоимость — это GPU, который придётся купить или арендовать, чтобы разместить примерно 29 млрд плотных весов, а плотная модель на 30B в FP8 требует заметно больше памяти, чем квантованная MoE с 2,45B активных параметров. В расчёте на обслуживаемый токен разреженную модель дешевле эксплуатировать; с точки зрения холодного старта и задержки в худшем случае у плотной модели нет маршрутизации, которую нужно прогревать. Что из этого для вас важно, целиком зависит от того, работает ли эндпоинт постоянно.

Если вы хотите протестировать любой из них, не отдавая предпочтения ни одному, существуют оба варианта. Granite 4.2 30B можно развернуть самостоятельно под лицензией Apache 2.0 без ограничений по выручке, а сторона обслуживания каждого из приведённых выше показателей — qwen/qwen3.6-35b-a3b и google/gemma-4-26b-a4b-it в их числе — находится в нашем каталоге за одним ключом при 0% наценки к собственной прейскурантной цене каждого провайдера, так что изменение цены поставщиком доходит до эндпоинта в тот же день, когда о нём объявлено, а не в следующий расчётный цикл.

Какой выбрать?

Выбирайте LFM2.5-24B-A2B, если ограничение — это машина, а рабочая нагрузка — вызовы инструментов. Он выигрывает там, где измеряется работа в формате harness, удерживает 131K контекста в объёме, посильном ноутбуку, и Liquid обучала его на реальных агентных каркасах, а не на статическом тестовом наборе — деталь, которая важнее для роутера, чем для рассуждающей модели. Примите две вещи вместе с этим выбором: лицензия lfm1.0 — не Apache 2.0, и никто за пределами Liquid ещё не оценивал этот чекпойнт.

Выбирайте Granite 4.2 30B, если у вас есть оборудование, нужна модель, которая сначала рассуждает, а затем действует, или если нужно, чтобы лицензия была такой, которую уже знает ваша юридическая команда. Она лидирует в программировании, это единственная из двух с опубликованными показателями извлечения на длинном контексте, а её расширение до 512K — это настоящая документация, а не маркетинговый ход. Её агентные показатели скромнее — 61,39 в BFCL v4 против 65,01 у Liquid — что прямо противоположно тому, что можно было бы предположить по числу параметров, и служит напоминанием о том, что плотность даёт рассуждения, но не обязательно дисциплину работы с инструментами.

Честный вывод таков: эти две не заменяют друг друга. LFM2.5-24B-A2B создана, чтобы быть моделью, которая крутит цикл на устройстве без облачного подключения. Granite 4.2 30B создана, чтобы быть моделью, которая глубоко обдумывает задачу и имеет лицензию, доказывающую, что её можно выпускать. Если у вас есть обе, вопрос маршрутизации в том, какая из них получит запрос, — и это решение, для принятия которого существует слой маршрутизации, а не таблица бенчмарков.

Отслеживайте отключения и деградации моделей в реальном времени в нашем архиве инцидентов и узнайте, какие маршруты переключились без сбоев.