SubQ Snap 1.1 против LFM2.5 2.6B Base: купить готовое решение или собрать его из чекпоинта

Самое важное слово в сравнении между SubQ Snap 1.1 и LFM2.5 2.6B Base — последнее. Base означает «предобученный». Это значит, что Liquid AI опубликовала чекпоинт после примерно 34 трлн токенов обучения и до какого-либо дообучения с учителем, дистилляции или обучения с подкреплением, которые превращают языковую модель в нечто, следующее инструкциям. Она не ответит на вопрос. Она не выберет метку. Попросите её маршрутизировать тикет поддержки, и она продолжит ваш запрос в стиле текста, на котором её обучали, — и это не баг, именно для этого нужен базовый чекпоинт.

SubQ Snap 1.1, напротив, — это готовый продукт: модель принятия решений от Subquadratic, выпущенная 22 октября 2026 года, которая принимает до 384K токенов текста и изображений плюс фиксированный набор ответов и возвращает калиброванный выбор. Ставить их лицом к лицу так, будто это альтернативы, — категориальная ошибка, и ошибка полезная, потому что именно этот выбор встаёт перед командой, когда ей нужна классификация, работающая на оборудовании, которое она контролирует. Вопрос не в том, «какая модель лучше». Вопрос в том: «вы покупаете решение или строите его из отправной точки?»

Что на самом деле выпустила Liquid AI

LFM2.5-2.6B Base вышла 4 августа 2026 года вместе с родственной моделью LFM2.5-2.6B, прошедшей постобучение, в составе семейства, которое охватывает от 230 миллионов параметров до 24B mixture-of-experts. В основе лежит архитектура LFM2 от Liquid: тридцать слоёв, двадцать два из которых — блоки короткой свёртки с двойным гейтированием, а восемь — слои grouped-query attention, словарь на 128 000 токенов и контекстное окно 128K, добавленное на этапе промежуточного обучения. При 2,69 млрд параметров модель занимает около 2,5 гигабайта, работает со скоростью примерно 220 токенов в секунду на Apple M5 Max, около 113 — на Ryzen AI Max+ и примерно 30 — на смартфоне.

{{1}}Instruct-версия{{/1}} — вот где кроются интересные цифры, и их стоит рассмотреть как показатель того, насколько ценна посттренировка. Liquid сообщает: {{2}}AIME25 — 51,87{{/2}}, {{3}}LiveCodeBench v6 — 59,41{{/3}}, {{4}}IFBench — 59,17{{/4}}, {{5}}Multi-IF — 80,07{{/5}}, {{6}}BFCLv4 — 56,88{{/6}} и {{7}}ToolSandbox — 77,83{{/7}} — все по данным вендора, все на посттренированной модели. {{8}}У базового чекпоинта нет сопоставимых оценок следования инструкциям, потому что он не умеет следовать инструкциям.{{/8}} Этот разрыв — между чекпоинтом и моделью, которой можно задать вопрос, — состоит из четырёх этапов посттренировки: два раунда supervised fine-tuning, специализация учителя по доменам, многодоменная on-policy дистилляция и агентное обучение с подкреплением в реальных средах-обвязках.

Liquid также прямо говорит, для чего эта модель не предназначена: для агентного программирования и работ, требующих глубоких знаний. Это более честное позиционирование, чем публикуют большинство лабораторий, и его стоит принимать за чистую монету.

Характеристики, рядом

• Что это — LFM2.5 2.6B Base — это предобученный чекпоинт без инструкционной настройки; SubQ Snap 1.1 — это хостируемая модель принятия решений с API с фиксированными ответами.

• Контекст — 128K токенов для LFM2.5 2.6B Base; 384K токенов для Snap 1.1.

• Входные данные — только текст для LFM2.5 2.6B Base; текст и изображения для Snap 1.1.

• Вывод — свободная генерация токенов или любая головка, которую вы обучаете поверх, для LFM2.5 2.6B Base; выбор или оценка с вероятностью для Snap 1.1.

• Цена — только при самостоятельном размещении, без оплаты за токены, для LFM2.5 2.6B Base; $0.04 за 1 млн входных токенов, вывод бесплатно, для Snap 1.1.

• Лицензия — LFM Open License v1.0, коммерческое использование разрешено при превышении порога выручки, для модели Liquid; для Snap веса вообще не предусмотрены.

• Занятый объём — около 2,5 ГБ и возможность запуска на телефоне для LFM2.5 2.6B Base; сетевой запрос для Snap 1.1.

Разрыв между чекпойнтом и классификатором

Чтобы превратить LFM2.5 2.6B Base в нечто, выполняющее то, что делает Snap 1.1, нужно пять вещей, и только одна из них — модель.

Вам нужны размеченные данные — несколько тысяч примеров на класс являются разумной отправной точкой для узкой задачи маршрутизации, а если классы несбалансированы или граница между ними тонкая, потребуется значительно больше. Вам нужен запуск обучения: классификационная голова или LoRA-адаптер поверх базового чекпоинта, который никогда не видел инструкций, а значит, дообучение одновременно выполняет адаптацию к задаче и работу по следованию инструкциям. Вам нужна калибровка, потому что оценка softmax — это не калиброванная вероятность, а порог маршрутизации, установленный по некалиброванной оценке, — это порог, установленный наугад. Вам нужна инфраструктура оценки, которую вы поддерживаете, поскольку модель будет дрейфовать по мере изменения вашего трафика. И вам нужна инфраструктура обслуживания — llama.cpp, MLX, vLLM или ONNX, все они поддерживают эту архитектуру.

Ничего из этого не экзотика. Всё это — недели работы человека, который знает, что делает, и это повторяется каждый раз, когда меняется задача. Честное сравнение — не $0.04 за миллион токенов против бесплатно. Это $0.04 за миллион токенов против четырёх–восьми недель инженерной работы плюс постоянные расходы на владение моделью.

Лицензия не Apache

Liquid выпускает LFM2.5 под лицензией LFM Open License v1.0. Коммерческое использование разрешено, но организациям с годовым доходом свыше $10 млн требуется отдельная коммерческая лицензия. Это существенно иное предложение, чем Apache 2.0 у Granite или Apache 2.0 у Gemma, и это тот тип пункта, который обнаруживается поздно, юристами, после того как прототип заработает. Если вы стартап ниже порога, сегодня это вам ничего не стоит и может стоить чего-то позже. Если вы выше него, оцените стоимость лицензии до того, как оценивать стоимость GPU.

Где базовый чекпоинт безоговорочно выигрывает

Развёртывание в изолированной от сети среде — самый убедительный сценарий, и здесь нет даже близкой альтернативы. Модель объёмом 2,5 ГБ, работающая на телефоне, ноутбуке или в контейнере без сетевого доступа, — единственный вариант для полевого приложения, секретной среды или устройства, которое поставляется заказчикам. Snap 1.1 не подходит ни для одного из этих сценариев. Это API, и не существует его версии, работающей локально.

Второй случай — экономика объёмов, но для неё нужны реальные объёмы, чтобы иметь значение. При двух миллионах решений в месяц с контекстом в 20 000 токенов каждое — 40 млрд входных токенов — Snap 1.1 обходится в $1 600 в месяц, или чуть меньше $20 000 в год. Одна дообученная модель 2.6B, обслуживающая этот трафик на оборудовании, которым вы уже владеете, имеет нулевые предельные издержки. Точка безубыточности находится примерно там, где годовой счёт за API превышает инженерные затраты на дообучение плюс стоимость оборудования; для большинства команд это через год-два, а не через месяц.

Полный контроль — третий. Модель, обученная вами на собственных метках, делает то, чему вы её научили, и ничего больше. Snap 1.1 — это универсальная модель принятия решений с показателем точности 20% в Artificial Analysis Decision Index v1.0 — её индексный балл 65 обусловлен главным образом воздержанием от ответа на то, на что она не может ответить, при заявленной доле ответов без галлюцинаций 86%. Дообученная модель 2.6B на вашей предметной области часто превзойдёт эту точность в вашей задаче и никогда не будет воздерживаться от ответа, если вы не научите её этому.

Где Snap 1.1 безоговорочно выигрывает

Время до первого решения измеряется в минутах, а не в спринтах. Не нужно собирать обучающие данные, не нужно обучать головной слой, не нужно строить калибровочную кривую. Вы отправляете документ и список вариантов и получаете вероятность — и эта вероятность и есть продукт.

Длинный контекст — это второе отличие, и оно архитектурное, а не случайное. Snap обрабатывает 384K токенов за один прямой проход при постоянных вычислениях на токен. LFM2.5 2.6B Base имеет окно 128K, и, как модель с 2,6 млрд параметров, её эффективный диапазон извлечения будет заметно короче номинального — родственная модель самой Liquid сообщает оценку AA-Omniscience −29.50, которая является мерой того, сколько знает небольшая модель, а не того, насколько хорошо она читает, но это задаёт ожидания.

Третье — вывод Snap уже является тем, что вам нужно. Ни парсера, ни схемы, ни логики повторных попыток для некорректных ответов.

Так какой же?

Покупайте Snap 1.1, если задача — маршрутизация или классификация длинных документов, если данные могут покидать вашу сеть и если вам нужна эта возможность уже в этом квартале. Путь самостоятельной сборки реален, но для большинства команд в первый год он не дешевле, а базовый чекпойнт — самая сложная из возможных отправных точек для этого: обычно начинают с прошедшей постобучение LFM2.5-2.6B и дообучают её, а не с Base.

Берите контрольную точку Base, если модель должна работать там, куда не доходит сеть, или если вы намерены навсегда владеть весами и у вас есть инженерные ресурсы, чтобы это того стоило. В таком случае закладывайте бюджет на вопрос лицензии, а также на запуск обучения.

Ни одного из них нет в каталоге OrcaRouter, и не будет: LFM2.5 2.6B Base — это локальный чекпоинт, а Snap 1.1 доступна только через API Subquadratic по адресу console.subq.ai. Роль OrcaRouter в пайплайне, построенном вокруг любого из них, — это уровень, который превращает решение в действие — более 200 генеративных моделей за одним ключом, прайс-лист провайдера без наценки (0%) и автоматический фейловер, чтобы запрос маршрутизации, попавший на модель, которая временно недоступна, не превращался в потерянный запрос. У слоя принятия решений и слоя генерации текста разные режимы отказа; стоит не завязывать их на одну и ту же зависимость.

Стоит следить не за строкой бенчмарка той или иной модели. А за тем, сможет ли чекпойнт с 2,6 млрд параметров, дообученный на нескольких тысячах примеров из предметной области, сравниться со специализированной моделью принятия решений в той единственной задаче, которая реально есть у команды. В узкой, хорошо размеченной классификации ответ исторически был «да», и именно поэтому вопрос «купить или построить» здесь действительно остаётся открытым, а не риторическим.