HiRO-ACEv2 vs LFM2.5 2.6B Base: Ingen av dem är en produkt, och de är inte ofärdiga på samma sätt

Ställ HiRO-ACEv2 och LFM2.5 2.6B Base sida vid sida och det första du lägger märke till är att ingen av dem är något som en utvecklare kan anropa. HiRO-ACEv2 är Ai2:s klimatemulator i andra generationen, uppladdad som ett 10,9 GB Hugging Face-repositorium den 12 oktober 2026 utan tillkännagivande och med en preprint daterad dagen därpå; LFM2.5 2.6B Base är Liquid AI:s förtränade checkpoint med 2,69 miljarder parametrar, skapad den 1 augusti 2026, och beskrivs uttryckligen av sin egen leverantör som den checkpoint du bara tar till när du behöver omfattande anpassning. Båda är råmaterial. Båda går att ladda ner i dag. Och sätten på vilka var och en inte är en färdig produkt är nästan varandras motsatser, vilket är det enda skälet till att den här jämförelsen är värd att skriva snarare än att avfärda.

Bas-checkpointen är ofullbordad eftersom den ännu inte har lärt sig att följa instruktioner. HiRO-ACEv2 är ofullbordad i den meningen att den aldrig kommer att bli en allmän modell – den är en applikation som anlände redan tränad, redan specialiserad och redan omgärdad av angivna begränsningar. Den ena är ett substrat som väntar på ett syfte. Den andra är ett syfte utan substrat för något annat.

Vad varje repository faktiskt innehåller

Liquid AI:s Base-repositorium är en modell. Modellkortet listar 2,69 miljarder parametrar över 30 lager – 22 dubbelgrindade korta faltningsblock och 8 grupperade query-attention-lager, ett hybridupplägg som LFM2-familjen är uppbyggd kring – med ett kontextfönster på 131 072 tokens, ett ordförråd med 128 000 poster, 34 biljoner tokens för förträning och täckning av 16 språk, inklusive engelska, arabiska, kinesiska, franska, tyska, italienska, japanska, koreanska, portugisiska, spanska, vietnamesiska, thai, indonesiska, hindi, ryska och polska. Den är endast textbaserad och är inte instruktionstränad. Nedladdningsformat sträcker sig från den nativa Transformers-checkpointen via GGUF för llama.cpp, ONNX för plattformsoberoende distribution och MLX för Apple silicon; Q4_K_M-kvantiseringen landar på omkring 1,67 GB.

Ai2:s arkiv är inte en modell i den bemärkelsen. Det innehåller två checkpoints – HiROv2.ckpt på cirka 1,28 GiB och ACE2S-X-SHiELD.ckpt på cirka 2,98 GiB – plus tio års NetCDF-drivdata på ungefär 609 MB per fil, två filer med initialvillkor, tre YAML-konfigurationer och ett skalskript. De cirka 4,3 GiB faktiska vikterna utgör en minoritet av de totalt 10,9 GB; det mesta av det du laddar ner är det indatafönster som ramverket byggdes för att konsumera. Det finns ingen kvantisering, ingen alternativ körmiljö, ingen ONNX-export och ingen mindre variant. Det finns ett sätt att köra det, och README beskriver det: installera Ai2:s fme-paket, redigera fyra sökvägar i konfigurationen, kör skriptet.

Två olika typer av licensproblem

Licenstaggar är där kontrasten blir praktisk snarare än filosofisk, och där det här paret verkligen skiljer sig från en modell som de Apache-2.0-utgåvor du kanske förväntar dig att hitta här.

• HiRO-ACEv2 — Apache 2.0, med Ai2:s Responsible Use Guidelines som knyter forsknings- och utbildningssyfte till bidraget, och träningsdata tillskrivna X-SHIELD, tillhandahållna av GFDL.

• LFM2.5 2.6B Base — LFM Open License v1.0, inte en tillåtande licens av OSI-typ. Villkoren finns i repots egen LICENSE-fil, och de kommersiella villkoren är anledningen till att läsa den filen i stället för taggen innan du bygger en produkt på checkpointen.

• Vad det innebär för det vägval du står inför — med HiRO-ACEv2 är frågan huruvida din användning är forskning; med LFM2.5 2.6B Base är frågan huruvida din användning är kommersiell, och i vilken skala. Olika frågor, olika svar, och ingen av dem besvaras av ordet "öppen".

Utdataformerna har inget gemensamt, och det är den användbara delen.

En Base-checkpoint producerar text. Token för token, autoregressivt, med den vanliga samplingsytan — kortet föreslår temperatur 0,6 och top-p 0,95 för den eftertränade syskonmodellens genereringsstil, och en bascheckpoint ber dig avgöra det själv. Allt nedströms om den är en språkuppgift: fortsätt ett dokument, klassificera ett spann, översätt, generera strukturerad data eller fungera som utgångspunkt för en finjustering som lär den en domän eller ett språk som den för närvarande inte täcker väl.

HiRO-ACEv2 producerar rutnätsbaserade fysikaliska fält med 3 km upplösning – sex timmars medelvärden av ytnederbördsintensiteter, momentana 10-metersvindar mot öster och norr samt havsnivåtryck – nedskalade från 100 km indata med en diffusionsmodell, där det grova tillståndet självt genereras autoregressivt av en separat emulator av X-SHIELD. Ingenting i den kedjan är text. Den utvärdering som spelar roll är huruvida fördelningen av utdata matchar en referenssimulering ända ut i dess yttersta svans, och artikeln bakom släppet handlar om just detta: författarna rapporterar att de följer referensfördelningarna för nederbörd och vind nära marken upp till 99,9999:e percentilen, och i stort följer referensens intensitetsfördelning för tropiska cykloner, med en uppgiven inferenskostnad som är mer än 300 gånger lägre än en konventionell numerisk global stormupplösande modell.

Båda dessa är leverantörs- eller författarpåståenden som inte har reproducerats. Skillnaden ligger i vad den som vill reproducera skulle behöva göra. Att verifiera ett påstående om Base checkpoint innebär en uppgiftssvit och GPU-timmar motsvarande en checkpoint. Att verifiera ett påstående om HiRO-ACEv2 innebär ett tioårigt forcingdataset, en referenssimulering att jämföra mot och en fördelningsanalys i den yttersta svansen – vilket är anledningen till att det andra påståendet sannolikt kommer att stå oemotsagt betydligt längre.

Vad du faktiskt skulle bygga på var och en

Base-checkpointens naturliga användning är anpassning, och Liquid AI är ovanligt rakt på sak om det: språk- eller domänspecifika assistenter, träning på egen data eller testning av nya efterträningsmetoder. Det är en checkpoint vars värde kommer efter ditt arbete, inte före det. Det eftertränade syskonet – LFM2.5 2.6B, skapat tre dagar tidigare den 28 juli – är det som är byggt för agentiska arbetsbelastningar, och nedladdningssiffrorna säger allt om vilket av de två som communityn ville ha: den eftertränade modellen hade passerat 114 000 nedladdningar och 823 gilla-markeringar i mitten av oktober, mot 6 282 nedladdningar och 51 gilla-markeringar för Base. Base är ett specialistverktyg och marknaden har prissatt det därefter.

Den naturliga användningen av HiRO-ACEv2 är att köra en ensemble. Ramverkets säljargument är inte en enda prognos utan många: artikelns motivation är att generera stora ensembler tillräckligt billigt för att studera tropiska cykloners beteende och extremvärden vid 3 km, över fleråriga perioder och godtyckliga globala regioner. Du finjusterar den inte, och modellkortet uppmanar dig inte att göra det. Du kör den, och antingen litar du på dess gränser — nio års träningsdata, ingen tillämplighet utanför 66°S till 70°N, problem med patchgränser bortom träningsrutan på 16×16 rutor med en grads upplösning — eller så gör du det inte.

Med andra ord: en av dessa modeller är en utgångspunkt som du modifierar, och den andra är ett instrument som du manövrerar. Att betrakta dem som utbytbara ”öppna modeller” eftersom båda går att ladda ner är det misstag som den här sidan finns till för att avvärja.

Det enda de faktiskt har gemensamt: ingen av dem debiteras per token

Där de två verkligen möts är i kostnadsbilden. Ingen av dem har en prislista. LFM2.5 2.6B Base är gratis att ladda ner och billig att köra just för att den är liten – ett par gigabyte i bf16 och långt under två gigabyte i kvantiserat skick, vilket är hela poängen med LFM2.5-designen och anledningen till att den finns vid sidan av ett eftertränat syskon som är optimerat för arbete på enheten. HiRO-ACEv2 är billig av en annan anledning: den är en snäv emulator, och dess ekonomi kommer från att ersätta en enormt dyr numerisk simulering snarare än från att rymmas på en telefon.

Så om din arbetsbelastning är text är Base-checkpointen en fråga om finjustering, och vardagsversionen av den arbetsbelastningen – den där du vill att en modell ska svara i stället för att en checkpoint ska tränas – ser ut som ett anrop, inte en nedladdning. Det är lagret som OrcaRouter befinner sig i: en API-nyckel för över tvåhundra hostade modeller, med leverantörernas listpris vidarebefordrat utan påslag och automatisk failover mellan leverantörer när en försämras. Ingen av modellerna i den här jämförelsen finns i den katalogen, och ingen av dem skulle kunna vara det i sin nuvarande form; LFM2.5 2.6B Base är en checkpoint snarare än en tjänst, och HiRO-ACEv2 har inte något förfrågningsliknande gränssnitt alls. Det vi dirigerar är allt runt omkring dem – sammanfattningen, extraheringen, harneskkoden och agentloopen som förvandlar en nedladdad artefakt till en pipeline.

Plockning, i praktiken

Om du har data inom en domän eller på ett språk som basmodellen inte har sett tillräckligt av, och du har beräkningskapaciteten för att efterträna, är LFM2.5 2.6B Base en billigare utgångspunkt än de flesta av dess konkurrenter — läs licensfilen innan du läser det benchmark du hoppades på, för för den här checkpointen är licensen dokumentet som avgör om ditt projekt är tillåtet. Om du vill ha en liten agentisk modell som körs på en enhet vill du ha det eftertränade syskonet snarare än Base, och nedladdningssiffrorna antyder att communityn kom fram till den slutsatsen före dig. Om du vill ha ett 3 km atmosfäriskt fält över tre decennier av simulerat klimat är ingen av dessa relevanta, och bara en fil i den här artikeln är det.

Det användbara att ta med sig är att "öppna vikter" har slutat vara en användbar kategori i sig. En bascheckpoint, en eftertränad syskonmodell och en forskningsemulator kan alla bära en etikett som låter tillåtande och mena tre helt olika saker med den.

Jämförelser som denna är också där felmoderna visar sig: de dokumenterade AI-incidenterna och agentfelen bakom modeller i denna klass samlas i the OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omtvistad flagga.