Kolibri vs LFM2.5 2.6B Base: en suverän 78B-driftsättning mot en telefonstor checkpoint

Ställ Kolibri bredvid LFM2.5 2.6B Base och den uppenbara tolkningen är David och Goliat: 78,1 miljarder parametrar mot 2,69 miljarder, en lägsta driftsättningsnivå på två GPU:er mot en modell som Liquid AI säger körs på en telefon. Den uppenbara tolkningen är fel, och inte i den riktning man skulle vänta sig. Ingen av dessa är en modell man kan peka på en uppgift idag. Kolibri släpptes av Aleph Alpha den 3 oktober 2026 som en komplett, post-tränad, verktygsanropande tysk- och engelskspråkig assistent med en serveringsplugin och en rekommenderad samplingskonfiguration. LFM2.5 2.6B Base, publicerad av Liquid AI i början av augusti 2026, är en förtränad checkpoint helt utan instruktionsträning, släppt specifikt för att finjusteras. Den ena är en produkt man driftsätter. Den andra är råmaterial. Att jämföra deras kvalitet är ett kategorimisstag, och den intressanta frågan är vilken sorts råmaterial ditt projekt faktiskt behöver.

Klyftan som avgör de flesta verkliga upphandlingar mellan dessa två är inte parametrar. Det är licensen. Kolibri släpps under Apache 2.0. LFM2.5 2.6B Base släpps under LFM Open License v1.0, en specialanpassad licens (modellkortet anger den som "license: other"), och den skillnaden är den som hamnar hos ett juridiskt team snarare än ett ingenjörsteam.

Två olika betydelser av "open weights"

Båda modellerna låter dig ladda ner vikterna och köra dem. Vad du tillåts göra efteråt är där de skiljer sig åt.

• Kolibri — Apache 2.0, inget tillägg om godtagbar användning, ingen tröskel för antal användare, inga separata kommersiella villkor. Aleph Alphas kort noterar endast att labbet är undertecknare av EU:s GPAI-uppförandekod.

• LFM2.5 2.6B Base — LFM Open License v1.0, som är Liquid AIs egen licens snarare än en OSI-standard. Det är samma licens som styr den eftertränade LFM2.5 2.6B och resten av familjen.

För ett forskningsteam är båda okej. För ett företag som måste ange sin licensposition i ett upphandlingsdokument är den ena en känd storhet och den andra ett dokument som någon måste läsa. Det är en verklig kostnad, den betalas innan en enda token genereras, och den är osynlig i alla benchmarktabeller.

Det finns en andra åtskillnad i samma kategori, och det är den som Liquid AIs eget modellkort är noga med att framhålla. The Base är inte en assistent. Den har ingen instruktionsträning, vilket innebär att den inte följer en prompt, inte avstår, inte utfärdar något verktygsanrop och inte håller sig till ämnet – inte för att den är svag, utan för att den aldrig har tränats till det. Modellkortet säger klart och tydligt att den endast rekommenderas för uppgifter som kräver tung finjustering: språkspecifika eller domänspecifika assistenter, träning på proprietär data eller experiment med nya metoder för efterträning. Allt nedströms från bascheckpointen – övervakad finjustering, lärarspecialisering, on-policy-distillation, agentisk förstärkningsinlärning – är köparens problem. Kolibri levereras med allt detta redan gjort, på fyra nivåer av resonemangsansträngning, med en verktygsanropsparser i Hermes-stil som medföljer vid sidan av vikterna.

Vad storlekarna faktiskt ger

Rensa bort inramningen och de två modellerna är optimerade för motsatta begränsningar.

• Parametrar — 78 103 074 560 totalt med 3 457 573 120 aktiva per token på Kolibri, jämfört med 2,69 miljarder totalt på LFM2.5 Base, som använder en hybridstack av 22 dubbelgrindade kortkonvolutionsblock och 8 lager med grouped-query-attention snarare än en transformer med enhetliga block.

• Kontext — 131 072 tokens på LFM2.5 Base, mot ett inbyggt fönster på 262 144 tokens på Kolibri och en validerad kontext på 1 048 576 utöver det.

• Träningsdata – 34 biljoner tokens på LFM2.5 Base, mot 20 biljoner på Kolibri hämtade från en rå pool på över 200 biljoner efter filtrering och deduplicering, varav 13,6 procent var kod.

• Språk — sexton på LFM2.5 Base, inklusive arabiska, kinesiska, japanska, koreanska, thailändska och vietnamesiska, mot exakt två på Kolibri, tyska och engelska, enligt uttrycklig design.

• Minne – LFM2.5 Base har GGUF-, ONNX- och MLX-byggen som publiceras tillsammans med den och är byggd för edge-driftsättning; Kolibris FP8-vikter har ett minnesavtryck på ~78 GB och kräver minst två A100 80 GB-kort, två H100 SXM5, en H200, en B200 eller en B300.

Läs de fem raderna tillsammans, så upphör bilden att vara skev. Liquid AIs modell täcker tio gånger så många språk på hårdvara som är tre storleksordningar mindre. Aleph Alphas modell täcker två språk med ett kontextfönster som är åtta gånger längre och ett specialiseringsdjup som bara visar sig i dess egna vertikala utvärderingar. Ingen av dem är en sämre version av den andra; de är svar på olika frågor, och frågorna är "kan detta köras utan server" och "kan detta resonera sig igenom en tysk regulatorisk inlämning".

Endast en av dem har ett uppmätt resultat, och det är inte Base

Här är delen som parkopplingen döljer. Artificial Analysis har faktiskt en modellsida för LFM2.5-2.6B — men för den eftertränade modellen, inte för basmodellen. Den sidan rapporterar ett Intelligence Index på 8, rankad som #9 av 49 modeller i sin klass, med en kontext på 128 000 token, 2,7 miljarder parametrar och LFM Open License v1.0. Det är en blygsam poäng och en ärlig sådan: modellen mäts, prissätts till i praktiken noll och utvärderas som det den är — en liten resonemangsmodell.

Base-checkpointen har ingen poäng, och den kan inte ha någon. Ett Intelligence Index beräknas genom att köra en modell mot resonemangs- och kunskapsuppgifter; en checkpoint som inte har instruktionstränats har inget meningsfullt beteende på dessa uppgifter. Liquid AI publicerar ingen utvärderingstabell för den, och den frånvaron är ett uttalande om artefakten, inte en lucka i utgåvan.

Kolibris position är återigen annorlunda, och värd att formulera exakt eftersom det är lätt att misstolka. Det finns inte heller någon Artificial Analysis-sida för Kolibri – vi kontrollerade, och modellen saknas helt i den jämförelsen. Det som finns är Aleph Alphas egen tabell efter träning, där Kolibri får 75,5 i engelskt genomsnitt och 70,8 i tyskt genomsnitt i dess utvärderingsramverk, mot 54,1 och 46,4 för dess egen föregångare Kolibri Origin. Det är leverantörsdrivna siffror i en utvärderingssvit byggd av leverantören, och de kan inte omvandlas till ett Intelligence Index. Så av de två modellerna i den här rubriken har den ena en oberoende poäng för en systerversion, den andra har en leverantörstabell, och ingen av de exakta artefakterna som jämförs har någon oberoende mätning alls.

Syskonet som ändrar rekommendationen

Att bedöma LFM2.5 2.6B Base på egen hand är fel sätt att utvärdera Liquid AI:s lansering, eftersom Base finns för att tjäna den eftertränade LFM2.5 2.6B, och de två levereras tillsammans. Om du inte har för avsikt att skriva en finjusteringspipeline är Base inte din modell – det är den eftertränade syskonmodellen, och det är den som har ett offentligt resultat och ett publicerat pris på i praktiken ingenting per token när du hostar den själv.

Det är samma relation som Kolibri har till Kolibri Origin, och jämförelsen är värd att göra eftersom Aleph Alpha publicerade tidslinjen. Origin avslutade förträningen med 30,6 miljarder parametrar och 3,27 miljarder aktiva den 11 juni 2026 och släpptes aldrig; Kolibri avslutade den 11 september 2026 med 78,1 miljarder och släpptes den 3 oktober. Två modeller, tre månader, en av dem endast intern. Liquid AI:s motsvarande uppdelning är offentlig i båda fallen: Base och eftertränad, sida vid sida, med kvantiserade byggen för llama.cpp, ONNX Runtime och Apples MLX publicerade tillsammans med den nativa checkpointen. Om din plan är att finjustera är det omkringliggande verktygsstödet värt mer än en benchmarkrad, eftersom det avgör hur mycket av arbetet du måste göra själv.

Vad som ska driftsättas, per krav

Den här kokar ner till en kort beslutslista snarare än en vinnare.

Om modellen måste köras utan en server – på en telefon, en bärbar dator, en apparat i en fabrik – är LFM2.5 2.6B Base den enda av de två som ens är en kandidat, och den eftertränade LFM2.5 2.6B är den man faktiskt skulle utgå från. Kolibri kan inte köras där vid någon kvantisering.

• Om arbetsbelastningen är dokumentresonemang på tyska eller engelska inom din egen perimeter, med begränsningar för reglerade data och ett behov av att kunna avstå från att svara, är LFM2.5 Base inte rätt typ av artefakt och Kolibri är inriktad exakt på det — förutsatt att du kan tillhandahålla två 80 GB-acceleratorer och acceptera en licensposition som du kan ange i en rad.

• Om du behöver mer än tyska och engelska täcker Liquid AI:s familj sexton språk vid 2,6B, och argumentet om språktäckning vänds vid den storleken.

Om du behöver en driftsatt assistent det här kvartalet och inte vill köra en efterträningspipeline är Kolibri eftertränad; LFM2.5 Base är det inte, och den eftertränade LFM2.5-modellen är en mycket mindre assistent än Kolibri snarare än en billigare version av den.

För team vars arbetsbelastning verkligen ligger i mitten – några miljarder tokens i månaden, måttlig kontext, inget regulatoriskt krav på att äga hårdvaran – är ingendera av dessa det första man griper efter. Modeller under 4B är billiga att självhosta och besvärliga att routa i skala eftersom driftskostnaden för en distribution kan överstiga tokenräkningen; en 78B-modell har det motsatta problemet. Den nivå som faktiskt routas är den däremellan, och den nivån finns på OrcaRouter idag: Qwen3.5 35B-A3B för $0,057 per miljon input och $0,459 output, Qwen3.8-Flash för $0,15 och $0,47 med en kontext på 1M tokens, eller mixture-of-experts-modellen Gemma 4 26B-A4B IT för $0,06 och $0,33. Det är leverantörernas listpriser som förs vidare utan något påslag per token, på en enda OpenAI-kompatibel nyckel med failover, och de är det ärliga svaret för ett team som vill mäta sin verkliga tokenvolym innan det förbinder sig till antingen ett finjusteringsprojekt eller ett rack.

För att vara tydliga med vad vi inte erbjuder: varken Kolibri eller LFM2.5 2.6B Base är routbara på OrcaRouter idag. Vi genomsökte katalogen efter båda under varje leverantörs- och modellstavning, och ingen av dem finns där. Kolibri är endast för självhosting, och LFM2.5 Base är en finjusteringsartefakt som aldrig var avsedd att ligga bakom ett API.

Valet på en rad

Kolibri är en färdig, licensierad, dokumenterad tysk-engelsk resonerare med 78 miljarder parametrar som kräver två acceleratorer för att köra. LFM2.5 2.6B Base är en ofullbordad flerspråkig startpunkt med 2,69 miljarder parametrar som kräver en finjusteringspipeline och får plats i fickan. Parameterförhållandet mellan dem är 29 mot 1, och det är det minst informativa talet i den här artikeln.