Perceptron Mk1.5 против LFM2.5-2.6B-Base: арендовать восприятие или владеть чекпоинтом и доделать его самостоятельно

Обе эти модели нацелены на аппаратное обеспечение, которое можно поднять одной рукой. Perceptron Mk1.5 — это модель восприятия для воплощённых агентов, которая, по словам её поставщика, работает на дронах, четвероногих роботах, умных очках и телефонах. LFM2.5-2.6B-Base — это чекпойнт с открытыми весами на 2,69 млрд параметров, который Liquid AI создала явно для развёртывания на устройстве — достаточно маленький, чтобы работать при менее чем 2,5 ГБ памяти. Эта общая физическая амбиция — единственное, что у них общего, и это ловушка для всех, кто сравнивает их по спецификации. Perceptron Mk1.5 — это готовый продукт, который вы арендуете за токены: на входе текст, изображения, видео и аудио, на выходе текст плюс машиночитаемая геометрия; работает с 25 сентября 2026 года. LFM2.5-2.6B-Base — это сырая предобученная базовая модель без дообучения на инструкциях, без шаблона чата и без заявлений о результатах в бенчмарках — чекпойнт, выпущенный, чтобы его доработали другие. Одна из них отвечает на вопрос уже сегодня; другая — сырьё для модели, которая будет это делать.

Сравнение работает, только если вы назовёте этап.

Готовый к работе API рядом с базовым чекпоинтом — это не очное сравнение, а если делать вид, что это не так, получится бессмысленная таблица, в которой одна сторона «побеждает» в каждой строке, потому что её довёл до готовности вендор, а вторая ещё даже не начата. Полезный вопрос — на каком этапе работы вы находитесь.

Liquid AI выпустила семейство LFM2.5 в виде набора чекпойнтов, и базовый — первый из них. В его карточке указано 2,69 млрд общих параметров в 30 слоях — 22 блока короткой свёртки с двойным гейтированием и 8 блоков grouped-query attention — обучение примерно на 34 трлн токенов, словарь на 128 000 токенов, длина контекста 131 072 токена и поддержка 16 языков, включая английский, китайский, японский, корейский и арабский. Он работает только с текстом, это каузальная языковая модель и ничего больше, а собственная рекомендация Liquid прямолинейна: этот чекпойнт предназначен для задач, требующих интенсивной тонкой настройки, таких как ассистент для конкретного языка или предметной области, обучение на проприетарных данных или эксперименты с новыми подходами к постобучению. В агента с вызовом инструментов, который обеспечивает опубликованные показатели семейства, его превращает четырёхэтапный конвейер постобучения Liquid, который базовая версия не включает.

Perceptron Mk1.5 находится на другом конце этой дуги. Perceptron уже провёл постобучение, определил формат вывода и назначил цену за результат — $0,15 за миллион входных токенов и $1,50 за миллион выходных, при этом кэшированный ввод — $0,0375. Его спецификации конкретны в том смысле, в котором спецификации базового чекпоинта — нет: контекст 36 864 токена, максимальный вывод 8 192 токена, четыре входные модальности, reasoning_effort — управляющий параметр, по умолчанию установленный на high, вызов функций в chat completions и ограниченные ответы через JSON Schema и регулярные выражения.

Причина, по которой стоит держать оба в поле зрения, в том, что совокупная стоимость владения меняется в противоположных направлениях. Mk1.5 дорог в расчёте на токен и бесплатен на старте. LFM2.5-2.6B-Base бесплатен по маржинальным затратам и дорог в единственной валюте, которая имеет значение для базового чекпоинта, — вашем инженерном времени.

Измерение за измерением, с чётким соблюдением ролей

• Что это — Perceptron Mk1.5 — это облачный API восприятия со структурированным пространственным выводом. LFM2.5-2.6B-Base — это загружаемая предобученная причинная языковая модель на 2,69 млрд параметров.

• Входные данные — Mk1.5 принимает текст, изображения, видео и аудио (WAV, MP3, FLAC). LFM2.5-2.6B-Base принимает текст и только текст.

• Вывод — Mk1.5 возвращает текст, а также необязательные точки, рамки, полигоны, клипы и снабжённые отметками времени <track> элементы, либо ответы, ограниченные JSON Schema. Базовая модель возвращает вероятности токенов для следующего токена, и ничего не было настроено, чтобы сделать это полезным.

• Автономное использование — Mk1.5 работает в тот же день, когда вы получаете ключ. LFM2.5-2.6B-Base не отвечает на вопросы ни в каком продуктовом смысле; ему нужен файнтюн и обычно шаблон чата, прежде чем это станет моделью, которую можно выпускать.

• Контекст — 36 864 токена для Mk1.5 против 131 072 для базовой версии. Чекпоинт на устройстве вмещает почти в четыре раза больше текста, чем обслуживаемая модель восприятия вмещает хоть что-либо.

• Требования к ресурсам — Mk1.5 работает там, где его запускает Perceptron, а его опубликованные результаты по задержке получены на одном H100. Базовая модель рассчитана на работу на ноутбуке, телефоне или edge-устройстве при объёме менее 2,5 ГБ.

• Доказательства — все показатели возможностей Mk1.5 принадлежат самой Perceptron, и для него нет независимого индекса. У базовой модели вообще нет заявленных результатов бенчмарков: Liquid публикует оценки для дообученной LFM2.5-2.6B, а не для этого чекпоинта.

• Лицензия — Mk1.5 закрытая, арендуется по токенам. LFM2.5-2.6B-Base поставляется под лицензией LFM Open License v1.0 с весами, которые вы скачиваете и оставляете себе.

Маршрут по весам, честно оценённый по стоимости

Если привлекательность LFM2.5-2.6B-Base в том, что веса бесплатны, то честная версия этой фразы такова: веса — самая дешёвая часть проекта. Дообучение на проприетарных данных означает датасет, запуск обучения, систему оценки, чтобы понять, сработало ли дообучение, и путь для обслуживания — Transformers, vLLM или SGLang, либо одна из сборок GGUF, ONNX и MLX, которые Liquid публикует для развёртывания на CPU, кросс-платформенных системах и Apple Silicon соответственно. Ничего экзотического в этом нет, и при 2,69B это помещается на оборудование, которого дообучение 70B никогда не коснётся. Но базовый чекпоинт — это отправная точка, и риск по срокам полностью лежит на вашей стороне сделки.

Взамен вы получаете контроль. Токенизатор на 16 языков и контекст 131K означают, что дообучение под конкретную предметную область не отвоёвывает место у предобучения. Размер менее 2,5 ГБ означает, что целью развёртывания становится устройство, а не дата-центр, — в этом и заключается весь смысл этого семейства. А LFM Open License позволяет оставить результат себе — специалиста, которого ни один конкурент не сможет арендовать через тот же API, что и вы.

Есть один фрагмент сторонних данных, который стоит знать, прежде чем делать ставку на происхождение, и один пробел. У посттренированной LFM2.5-2.6B от Liquid действительно есть независимое измерение: Artificial Analysis указывает для неё Intelligence Index, равный 8, помещая её на 9-е место из 49 моделей в её классе. У базового чекпоинта этого нет — для него нет страницы, что нормально для предобученной фундаментальной модели, и об этом стоит сказать прямо, а не воспринимать это как вердикт. Индекс посттренированной модели говорит о том, что пайплайн выдаёт из этой отправной точки на нижнем конце диапазона индекса, а не о том, что даст ваш файнтюн.

Маршрут API и что означает «на устройстве» для хостируемой модели

История развёртывания Perceptron Mk1.5 сложнее, чем можно судить по списку целевых платформ, и здесь стоит быть точными. В анонсе вендора в качестве целей для развёртывания названы дроны, четвероногие роботы, умные очки и телефоны. Сама модель отдаётся с api.perceptron.inc за API-ключом, а опубликованные Perceptron данные о задержке — это медиана трёх запусков на одном H100. Один H100 — это не дрон. Реалистичная трактовка такова: Mk1.5 — это слой восприятия для робота, у которого есть сетевой канал или сопутствующий вычислительный модуль, а не модель, работающая внутри корпуса, — и всем, кто планирует офлайн-устройство на её основе, стоит проверить это допущение до проектирования аппаратной части.

Что даёт API-маршрут — при условии, что предположение о сети верно, — это то, чего базовый чекпойнт не даст ни за какие деньги: координаты. Mk1.5<track> на выходе несёт пространственное наблюдение и свою временную метку, так что клип возвращается как положения объектов во времени, а не как описание сцены. Добавьте поле asset_idx, которое позволяет одному запросу адресовать несколько изображений или видео по отдельности, и форма запроса совпадает с контуром управления — эталонный кадр на входе, геометрия на выходе, без этапа парсинга между моделью и кодом, который что-то двигает.

Затраты — это те, что уже перечислены: 36 864 токена контекста, потолок аудио в 16 384 токена на элемент, который документация Perceptron оценивает примерно в 21,8 минуты при примерно 750 токенах в минуту, reasoning_effort по умолчанию — high, из-за чего с вас берут плату за самый дорогой путь рассуждений при каждом вызове, который вы не настроили, и набор заявлений о бенчмарках, сделанных компанией, продающей эту модель. Число по трекингу рук — как раз то, что стоит проверить на собственных записях: 0,9433 на эгоцентрическом hand_box против 0,4467 у Gemini 3.1 Pro в собственном прогоне Perceptron — это большой разрыв, а большие разрывы в оценках поставщика — именно то, что стоит воспроизвести.

Ни того, ни другого нет в нашем каталоге, и это меняет решение.

Ни Perceptron Mk1.5, ни LFM2.5-2.6B-Base сегодня не маршрутизируются на OrcaRouter. У Mk1.5 вообще нет маршрута, поэтому, чтобы добраться до него, нужен собственный API вендора — pip install "perceptron>=0.4.0" и PERCEPTRON_API_KEY — а в нашем каталоге нет ни одной модели Liquid AI какого бы то ни было размера, поэтому базовый чекпойнт нужно скачивать с Hugging Face от Liquid, а не вызывать через API.

Это имеет меньшее значение, чем кажется, потому что эти два варианта — не взаимозаменяемые конечные точки, и никакие аргументы о цене не сделают их таковыми. Вклад слоя маршрутизации здесь — это та часть решения, которая всё ещё открыта. Если вы создаёте сервис восприятия на Mk1.5 и текстового специалиста на дообученной LFM2.5-2.6B-Base, вы используете две интеграции и два режима отказа; OpenAI-совместимый шлюз перед ними превращает инцидент у провайдера с любой из сторон в резервный вариант, а не в проваленную задачу, а правило маршрутизации может направлять трафик компьютерного зрения и текстовый трафик к разным моделям, при этом приложение не знает, что есть что. Один API, охватывающий более 200 моделей с прайс-листовыми ценами провайдеров, передаваемыми с наценкой 0% — это тот вариант, при котором изменение цены у поставщика вступает в силу в тот же день, а не при следующем продлении, — хотя конкретно для этих двух, сегодня, шлюз — это скорее соображение для планирования, чем доступный короткий путь.

Что вам следует делать и что вам следует измерять

Если ваша задача — «найти этот объект в этом кадре и вернуть, где он находится», возьмите в аренду Mk1.5 и проверьте утверждение про hand-box на собственном видео, прежде чем закладывать под него продакшн-путь. Заложите в бюджет сетевое допущение, задайте reasoning_effort осознанно, вместо того чтобы просто принять high, и относитесь к окну в 36 864 токена как к жёсткому ограничению, которым оно и является. Структурированный вывод — это и есть продукт, и если ваш последующий код может принять координату без этапа парсинга, это настоящая экономия там, где большинство vision-пайплайнов незаметно теряют точность.

Если ваша задача — «мне нужна модель на 2,6 млрд параметров, дообученная на данных, которых больше ни у кого нет, и работающая где-то без GPU», скачайте LFM2.5-2.6B-Base и честно оцените стоимость тонкой настройки, прежде чем начинать. Контрольная точка бесплатна, а инженерная работа — нет, и собственный урок этого семейства — то, что прошедший постобучение собрат набирает 8 баллов в независимом индексе, — напоминает, что разрыв между базовой и готовой моделью — это и есть место, где живёт настоящая работа. Ни один из этих вариантов не является неправильным ответом. Это разные покупки, и единственная настоящая ошибка — относиться к базовой модели, которую вам ещё предстоит довести до готовности, так, будто это уже готовый продукт.

Две модели, две интеграции и два режима отказа — это более шаткое положение, чем кажется. В OrcaRouter вы можете настроить автоматическое переключение при сбое, чтобы инцидент у провайдера на любой из сторон приводил к переходу на резервный вариант, а не к провалу задачи.