Beam 1.0 vs LFM2.5 2.6B Base: Ett oavslutat substrat och en färdig jätte

En modell som inte har tränats att svara på frågor jämförs med en modell som har tränats att planera. LFM2.5 2.6B Base är Liquid AI:s förtränade checkpoint med 2,698 miljarder parametrar, publicerad den 4 augusti 2026 under LFM Open License v1.0 och uttryckligen beskriven som basen för finjustering – den är endast text, den har 30 lager av hybridkonvolution och grouped-query-attention, och den är inte eftertränad. Reflection Beam 1.0 är en gles mixture-of-experts-modell med 501,3 miljarder parametrar totalt och 23,4 miljarder aktiva, eftertränad genom övervakade och förstärkningsinlärningsbaserade steg och släppt som nedladdningsbara vikter den 16 oktober 2026 under Apache 2.0, efter tillkännagivandet den 5 oktober 2026. Storleksgapet är 185 mot ett. Gapet som faktiskt avgör jämförelsen är inte storleken – det är att en av dessa är ett rått substrat som du riktar en träningskörning mot, och den andra är en produkt du servar.

Båda finns på Hugging Face. Båda går att ladda ner i dag. Båda förutsätter att du tar med egen hårdvara. Det är hela överlappningen, och att läsa dem mot varandra är ett användbart sätt att se hur olika ekosystemet för öppna vikter benämner två saker som det sorterar under samma tagg.

De två utgåvorna, beskrivna så som deras utgivare beskriver dem

LFM2.5 2.6B Base går under det fullständiga namnet LFM2.5-2.6B-Base. Dess modellkort listar 2,698 miljarder parametrar totalt, 30 lager varav 22 är dubbelgrindade korta konvolutionsblock och åtta är grouped-query attention, en träningsbudget på 34 biljoner tokens, ett ordförråd på 128 000 tokens och en kontextlängd på 131 072 tokens. Den täcker 16 språk. Den är en av ett par: Liquid AI publicerar även LFM2.5-2.6B, eftertränad för agentiska arbetsbelastningar, och detta är den råa checkpointen från vilken varje variant i familjen härstammar. Modellkortets egna ord om basmodellen är att den är den förtränade checkpointen för enbart text som används för att skapa alla andra varianter. Sexton finjusterade derivat finns redan under den på Hub.

Beam 1.0 är den motsatta konstruktionen. Reflection levererar 501,3B parametrar totalt med 23,4B aktiva per token över 52 lager – tre densa och 49 mixture-of-experts-lager, med 256 experter som dirigeras åtta åt gången i den här konfigurationen. Kontextfönstret är 1 000 000 tokens. Modaliteten är enbart text, och modellkortet säger det utan förbehåll. Den kommer i tre precisioner, BF16, FP8 och NVFP4, plus en 2B DFlash2-draftare för spekulativ avkodning. Dess chattmall använder ett modifierat Harmony-format med kanalerna analysis och final samt en reasoning-effort-inställning med sex namngivna nivåer. Dess fyra repositorier publicerades samma dag, 16 oktober 2026, och Artificial Analysis registrerade lanseringen på sin modellsida som 16 oktober 2026.

Läs de två styckena igen, så framträder formen på saken. Liquid AI publicerade en komponent. Reflection publicerade ett färdigt system med ett överföringsformat och en ansträngningsratt. Båda kallas "öppna", och ordet utför två olika uppgifter.

Licensen är där de två är minst lika varandra.

Det här är jämförelsen du inte kan få från ett parameterantal, och det är den med mest praktiska konsekvenser.

Beam 1.0 är Apache 2.0. Det är en standardmässig tillåtande licens utan användartak, inget tröskelvärde för månatligt aktiva användare och ingen separat kommersiell nivå. Ladda ner den, finjustera den, vidaredistribuera det härledda verket, sälj resultatet. Kortet innehåller också en Responsible Use Guide och en separat teknisk säkerhetsrapport, vilka är policydokument snarare än licensbegränsningar – de reglerar acceptabel användning, inte vikterna.

LFM2.5 2.6B Base är inte det. The Hub taggar den license:other och anger licensen som LFM Open License v1.0. Den praktiska skillnaden är inte att den ena är tillåtande och den andra inte — Liquid AI:s licens är skriven för öppen användning — utan att de två licenserna måste läsas på olika sätt, och bara en av dem kan sammanfattas i en mening. Om din plan innebär att vidaredistribuera en derivatprodukt kommersiellt kräver Apache 2.0-delen av den här sidan ingen analys. LFM-sidan kräver att du läser licensen, eftersom en anpassad licens per definition är ett dokument som någon skrev med avsikt.

Den asymmetrin går åt andra hållet på den andra axeln. Liquid AI:s checkpoint är en tät textmodell med 2,698 miljarder parametrar, vilket innebär att licensfrågan är knuten till något du kan köra på en enda konsument-GPU eller en edge-enhet. Reflections Apache 2.0-beviljande är knutet till en modell med 501 miljarder parametrar, vars bfloat16-vikter uppgår till ungefär en terabyte och vars fyrabitarsvariant fortfarande anges till 255B. En tillåtande licens på en modell du inte kan hosta är en annan typ av frihet än en anpassad licens på en modell du kan.

Vad basmodellen kan och inte kan göra

En artikel om en bas-checkpoint måste säga detta rakt ut, eftersom det är det vanligaste sättet som folk slösar bort en eftermiddag på. LFM2.5 2.6B Base har inte instruktionstränats. Den fortsätter din text. Den kommer inte att svara på din fråga, följa ditt format, anropa ditt verktyg eller stanna när du vill att den ska göra det. Den är en utgångspunkt vars beteende är vad du än tränar in i den, och Liquid AI säger det i modellbeskrivningen i stället för att låta det upptäckas.

Det är inte en defekt och det är inte en mindre version av Beam 1.0. Förträningskörningen på 34 biljoner tokens och den 30-lagrade hybridarkitekturen är produkten; avsaknaden av alignment är själva poängen, eftersom alignment är uppgiftsspecifik och labbet som släpper en basmodell medvetet överlämnar det beslutet till den som äger uppgiften. Sexton derivat på Hub är hur upplägget ser ut i praktiken.

Konsekvensen för utvärderingen är att det inte finns någon benchmarktabell att jämföra med. Beam 1.0:s kort innehåller en fullständig sådan – SWE-bench Verified 81,6 % på BF16, Terminal Bench v2.1 80,1, GPQA Diamond 90,6, AIME 2026 97,7, LiveCodeBench 88,3, MCP Atlas 80,8, IFBench 79,6, alla rapporterade av leverantören och ingen reproducerad av tredje part – eftersom det är en eftertränad modell byggd för namngivna arbetsbelastningar och det är den bevisning dess köpare efterfrågar. LFM2.5 2.6B Base har ingen, enligt design. Det finns inget att poängsätta: checkpointens kvalitet är vad din finjustering gör den till, och den ärliga jämförelsepunkten är en träningskörning, inte en rad i en resultattabell.

Vart pengarna går

Ingendera av dessa finns i OrcaRouters katalog. Det vi routar är den serverade världen runt dem: fler än 200 modeller bakom en enda OpenAI-kompatibel nyckel, leverantörens listpris vidarebefordrat med 0 % påslag, med automatisk failover mellan leverantörer så att en rutt som försämras dirigeras om i stället för att misslyckas. Det är värt att nämna här av en specifik anledning, eftersom de två modellerna på den här sidan ligger i motsatta ändar av samma upphandlingsfråga.

LFM2.5 2.6B Base kostar ingenting att ladda ner och allt att driva, i den meningen att kostnaden är en träningskörning och en enhet. Beam 1.0 kostar ingenting att ladda ner och allt att driva, i den meningen att kostnaden är att serva en 501B MoE och, när detta skrivs, publicerar Reflection ingen API-taxa. Artificial Analysis registrerar prisfälten på Beams sida som otillgängliga och noterar att det inte finns något offentligt tillgängligt API. Tolv dagar efter tillkännagivandet har modellen med benchmarktabellen för 501 miljarder parametrar fortfarande ingen siffra som ett finansteam kan använda.

För en läsare vars faktiska krav är inferens den här veckan på en arbetsbelastning som ingen av modellerna är utformad för — en sammanfattare, en klassificerare, en chatt-yta — står beslutet inte mellan dessa två. Det står mellan att finjustera 2,698 miljarder parametrar själv och att hyra något som redan är alignerat och prissatt, och det andra alternativet är det du kan mäta innan du förbinder dig.

Vilken är det du egentligen letar efter

Välj LFM2.5 2.6B Base om ditt problem är smalare än en allmän assistent. Anledningen att välja en liten bascheckpoint är att du har en uppgift, du har data, och du föredrar att äga artefakten framför att hyra ett anrop. Kontextfönstret på 131 072 tokens är generöst för storleken, täckningen av 16 språk är verklig, den hybrida faltningsstacken är vald för genomströmning på enheten, och licensen låter dig distribuera det du bygger. Det du tar på dig är finjusteringspipelinen, utvärderingsramverket och aligneringsbesluten – inget av detta levereras av checkpointen.

Välj Beam 1.0 om din uppgift är en av dem som dess kort nämner: kodning, verktygsanvändning, resonemang i repositoriskala, agentisk exekvering över lång horisont. Utvärderingstabellen är riktad rakt mot det arbetet, 1M-token-kontexten matchar det, FP8- och NVFP4-byggena gör hårdvarudiskussionen mer hanterbar än vad 501B antyder, och Apache 2.0-licensen gör ett kommersiellt derivat möjligt. Det du skriver upp dig för är serveringsinfrastruktur, en alltid påslagen resonemangsbudget som mallen inte låter dig stänga av, och en kostnadsuppskattning som du måste ta fram själv eftersom leverantören inte har publicerat någon.

De två modellerna konkurrerar inte, och jämförelsen är värd att göra just för att den visar hur lite "öppna vikter" säger dig på egen hand. En utgivare lämnade över en komponent och en träningsbudget; den andra lämnade över ett system med ett wire-protokoll och en licens som du kan klistra in i en juridisk granskning. Att läsa sig till vilken du erbjöds innan du laddar ner den är det mesta av arbetet.

Vad skulle förändra bilden

Ett publicerat API-pris för Beam 1.0, eller en hostad FP8-driftsättning med en prislista, skulle flytta den modellen från kolumnen "bygg en uppskattning" till kolumnen "jämför siffrorna", och det är den enda raden som saknas i dess dokumentation. En oberoende benchmark på Beams vikter – nu möjlig, eftersom de är offentliga – skulle ge leverantörstabellen en domare, vilket är precis vad LFM2.5 2.6B Base aldrig kan få eftersom det ännu inte finns något att poängsätta. Tills något av detta blir verklighet är den korrekta sammanfattningen att en bascheckpoint med 2,7 miljarder parametrar och en eftertränad MoE med 501 miljarder parametrar båda är gratis att ladda ner, båda dyra att driva i helt olika valutor, och ingen av dem är en ersättning för den andra.

Jämförelser som den här är också där fellägena visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.