LBS-27B vs LFM2.5 24B A2B: Frågan om aktiva parametrar

Det viktigaste numret i LFM2.5 24B A2B är inte 24. Det är 2,45 – de miljarder parametrar som modellen faktiskt läser för varje token. Det är därför Liquid AI kan hävda 184 utdatatokens per sekund på en Apple M5 Max medan modellen rymmer 24 miljarder parametrar i kunskap, och därför företaget positionerar den som en agent på enheten snarare än en arbetshäst i datacenter. Samma nummer saknas i LBS-27B, och dess frånvaro är anledningen till att den här jämförelsen ännu inte kan avgöras: utan ett antal aktiva parametrar finns det inget sätt att placera inclusionAI:s modell på den effektivitetskurva som LFM2.5 definierar.

LFM2.5 24B A2B har varit nedladdningsbar sedan 13 oktober 2026, med ett modellkort, sexton benchmarkrader och en licens som de flesta företag behöver läsa noggrant. LBS-27B är ett repository som skapades den 26 oktober 2026 och som innehåller en standardfil av typen .gitattributes och en README på 28 byte som anger Apache-2.0. Inga vikter, ingen konfiguration, inget modellkort, inget tillkännagivande. Det som följer är därför en jämförelse mellan en fullt specificerad effektivitetssatsning och ett namn som ännu inte har angett vilken typ av modell det är.

Vad Liquid optimerar för

LFM2.5 24B A2B är en mixture-of-experts-dekoder med 64 experter och top-4-routing, 40 lager, en dold storlek på 2 048 och ett ordförråd på 128 000 token. Antalet aktiva parametrar är 2,45 miljarder. Den accepterar 131 072 token i kontext, upp från 32K i föregående generation, och den förtränades på 33 biljoner token, ungefär dubbelt så många som de 17 biljoner som användes för LFM2.

Att ändra vokabulären är en detalj som är värd att lägga märke till. Att gå från 65K till 128K tokens är dyrt – det innebär att inbäddnings- och utdatalagren måste tränas om – och det vanliga skälet att göra det är icke-latinsk text. Kortet listar sexton språk: engelska, arabiska, kinesiska, franska, tyska, italienska, japanska, koreanska, portugisiska, spanska, vietnamesiska, thailändska, indonesiska, hindi, ryska och polska. En större vokabulär gör dessa språk billigare per ord och vanligtvis bättre i svansen.

Det är också en modell som enbart resonerar. Liquids efterträningspipeline kör övervakad finjustering, lärarspecialisering, icke-agentisk och agentisk destillation, följt av agentisk förstärkningsinlärning i ramverk som OpenClaw, Hermes Agent, Pi och OpenCode. Modellen producerar en tankekedja innan den svarar; det finns inget separat "snabbt, icke-tänkande" läge dokumenterat på kortet.

En avsiktligt spetsig benchmarkprofil

Liquids egna siffror, som vi inte har reproducerat, beskriver en modell som är utmärkt på sådant som en agent på enheten gör och dålig på sådant som en kunskapsarbetare behöver. Den formen är ingen slump; det är designen.

• Instruktionsföljning — IFEval 96,75, IFBench 74,69, Multi-IF 84,38. Detta är det starkaste klustret på kortet och det som spelar störst roll för en agent som måste följa ett verktygsschema.

• Verktygsanvändning — ToolSandbox 80,71, PinchBench 83,18, BFCL v4 65,01, AutomationBench 27,69. Bra, men ojämnt mellan testmiljöerna.

• Agentisk webbläsning och datoranvändning – LiveClaw 48,09, WebArena Verified 26,75, tau3-Bench Banking 8,04. Bankresultatet är avvikaren: en ensiffrig poäng på en uppgiftssvit som andra agentiska modeller hanterar mycket bättre. Det är en påminnelse om att "agentisk" inte är en enda förmåga.

• Programvaruteknik — SWE-Bench Verified 51,00 under OpenCode, SciCode 32,71. Mitt i fältet.

• Matematik — MATH-500 96.04. Starkt för sin storlek.

• Kunskap — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. Det negativa Omniscience-resultatet är den ärliga signalen här: på ett benchmark som bestraffar självsäkra felaktiga svar förlorar modellen mer än den vinner. Liquids egen positionering erkänner detta — modellen är tänkt att kombineras med retrieval, inte att litas på som ett uppslagsverk.

Sammantaget säger de raderna att modellen är en kompetent instruktionsföljare och verktygsanropare med en tunn kunskapsbas. För en lokal agent som läser dina filer och anropar dina API:er är det rätt avvägning. För en forskningsassistent är det fel avvägning.

Effektivitetspåståendet, med sina förbehåll

Liquid rapporterar 184 tokens per sekund på en Apple M5 Max med cirka 15 GB minne, och 114 tokens per sekund på en Ryzen AI Max+ 395. Det är leverantörssiffror på specifik hårdvara, inte ett allmänt benchmark, och de kommer att förändras med kvantisering och batchstorlek. Riktningen är fortfarande betydelsefull: en 24B-modell med 2,45B aktiva parametrar kan köras på en laptop på ett sätt som en tät 24B-modell inte kan.

Avvägningen gäller minnesbandbredd. Glesa modeller måste fortfarande hålla alla 24 miljarder parametrar i minnet – besparingen ligger i beräkningsarbetet per token, inte i lagringen. Det är därför siffran 15GB spelar lika stor roll som genomströmningen: den motsvarar ungefär en 4-bitars kvantisering av hela viktuppsättningen och fastställer hårdvarugolvet.

Var LBS-27B skulle behöva sitta

Allt i den här matchningen beror på två fält som ännu inte finns i LBS-27B-repositoriet: antalet experter och antalet aktiva parametrar.

Om LBS-27B är sparse med något i stil med 2B till 4B aktiva parametrar landar den direkt på LFM2.5:s territorium – en kunskapsbas i 27B-klass vid beräkningskapacitet för små modeller – och jämförelsen blir en ren tävling om kvalitet per aktiv parameter. Om den är dense är den en helt annan produkt: en serversidig modell med förutsägbar beräkningskapacitet och ett minnesavtryck som utesluter de flesta bärbara datorer. Om den är sparse med ett stort antal aktiva parametrar ligger den mellan de två och konkurrerar på kvalitet snarare än effektivitet.

Det finns inget sätt att avgöra vilket utifrån repot. Namnet anger 27B, README-filen anger Apache-2.0, och filträdet anger inget annat. inclusionAI har inte publicerat något modellkort, något blogginlägg eller någon artikel som vi har kunnat hitta.

Jämförelsen, i den mån den kan göras

• Totalt antal parametrar — 24,0B för LFM2.5 24B A2B; en overifierad 27B för LBS-27B.

• Aktiva parametrar — 2,45B för LFM2.5; okänt för LBS-27B, och detta är den avgörande okända faktorn.

• Arkitektur – 64 experter med top-4-routing och 40 lager för LFM2.5; okänt för LBS-27B.

• Kontext – 131 072 tokens för LFM2.5; okänt för LBS-27B.

• Modalitet — endast text för LFM2.5; okänd för LBS-27B.

• Språk — sexton listade för LFM2.5; okänt för LBS-27B.

• Resonemang — tankekedja som standard, utan något dokumenterat icke-tänkandeläge, för LFM2.5; okänt för LBS-27B.

• Licens — LFM 1.0-licensen, med krav på kommersiell licens vid årliga intäkter över 10 miljoner USD, för LFM2.5; Apache-2.0 deklarerad för LBS-27B.

• Publicerade utvärderingar — sexton leverantörsrapporterade rader för LFM2.5; inga för LBS-27B.

Licensen är en upphandlingsfråga, inte en fotnot.

Detta är den enda aspekten där det tomma repot redan ger LBS-27B en fördel. LFM 1.0-licensen är inte öppen källkod i OSI:s bemärkelse: företag med mer än 10 miljoner dollar i årlig omsättning behöver en separat kommersiell licens innan de driftsätter den. För en enskild utvecklare eller en startup under tröskeln är det inget problem. För ett medelstort företag är det en juridisk granskning, en förhandling och en budgetpost.

LBS-27B anger Apache-2.0 i sin README. Det är en tillåtande licens med en uttrycklig patentlicens och ingen intäktströskel, och om den överlever fram till viktsläppet tar den bort ett helt upphandlingssteg. Det är den enda konkreta fördelen som LBS-27B för närvarande har i den här jämförelsen, och den är värd att nämnas tydligt eftersom den är verklig — en licensdeklaration som görs när förvaret skapas är svagt bevis, men det är inte ingenting.

På enheten kontra API: två olika produkter

LFM2.5 24B A2B är byggd för att köras där data finns. Säljargumentet är integritet och latens: en modell på en laptop eller arbetsstation som aldrig skickar en förfrågan till en tredje part, med verktygsanrop som är tillräckligt bra för att driva lokal automatisering. Minnesfotavtrycket på 4 bitar och kontexten på 131K är dimensionerade för den uppgiften.

LBS-27B har inte angett vad den är till för. Om inclusionAI lanserar en modell som är utformad för serverbaserad drift gäller inte argumentet för körning på enheten, och de två modellerna är komplement snarare än substitut. Om den lanserar en MoE med litet antal aktiva parametrar och en strategi för lokal driftsättning är jämförelsen direkt, och Liquids två generationers försprång inom verktyg för körning på enheten – stöd för llama.cpp, MLX, ONNX och vLLM samt ett dokumenterat agentramverk – blir den avgörande faktorn.

Ramverksstöd är en underskattad del av detta. En modell som inte finns i llama.cpp eller MLX från dag ett är i praktiken inte en on-device-modell, oavsett hur många aktiva parametrar den har.

Att testa en oprövad modell utan att satsa på den

Varken LBS-27B eller LFM2.5 24B A2B finns på OrcaRouter idag, så det finns ingen hostad slutpunkt för någon av dem, och vi kommer inte att antyda något annat. Anledningen till att nämna plattformen här är utvärderingsproblemet som följer: om du vill veta om en ny small-active-modell kan ersätta din nuvarande behöver du köra båda på din egen trafik, inte på en leaderboard.

OrcaRouters routnings-DSL låter dig skicka en procentandel av förfrågningarna till en kandidatmodell medan den nuvarande modellen behålls som standard, och automatisk failover innebär att en kandidat som får timeout eller fel faller tillbaka till den kända modellen i stället för att förfrågan misslyckas. För de svåra fallen där en modell inte räcker till låter modellfusion en panel av modeller svara tillsammans och returnera ett kombinerat resultat – användbart när uppgiften är kunskapsintensiv och den billiga modellens svaga punkt är precis det du testar. Katalogen med över 200 modeller och 0 % påslag spelar mindre roll här än möjligheten att jämföra med dina egna indata utan en andra integration.

Det är ett sätt att generera det underlag som den här sidan saknar. Det är inte en ersättning för att modellen finns.

Tre läsare, tre svar

Om du bygger en agent på enheten och behöver något som körs på en bärbar dator i dag, är LFM2.5 24B A2B en seriös kandidat: stark instruktionsföljsamhet, bra verktygsanrop i flera ramverk, 131K kontext och en dokumenterad väg in i de vanliga lokala körmiljöerna. Kontrollera licensgränsen först, och förvänta dig inte att den kan fakta utan informationshämtning.

Om du väljer en serversidig 27B och behöver en tillåtande licens är LBS-27B värd att hålla ögonen på just eftersom Apache-2.0 redan är deklarerad. Men det finns inget att utvärdera, och en licensdeklaration är inte en modell.

Om du är ett företag med mer än 10 miljoner dollar i intäkter och en strikt upphandlingsprocess kan licensskillnaden spela större roll än någon benchmarkrad i den här artikeln. LFM2.5:s anpassade licens är en verklig kostnad; LBS-27B:s Apache-2.0 är en verklig fördel, förutsatt att den överlever fram till lanseringen.

Det tal som skulle förändra alla tre svaren är antalet aktiva parametrar. Tills det finns är den ärliga hållningen att den ena modellen har en effektivitetsberättelse och den andra har ett kodförråd.