LFM2.5-24B-A2B vs LFM2.5-8B-A1B-DSpark: En av dessa är inte en modell du kan köra

Sätt LFM2.5-24B-A2B och LFM2.5-8B-A1B-DSpark i en jämförelsetabell och tabellen är en lögn innan du fyller i en enda cell. Liquid AIs LFM2.5-24B-A2B, som släpptes den 13 oktober 2026, är en språkmodell: 24,0B parametrar, 2,45B aktiva per token, 131 072 tokens kontext, och den svarar på promptar. LFM2.5-8B-A1B-DSpark, som släpptes den 20 augusti 2026, är en draft-checkpoint med 327,7 miljoner parametrar som inte kan svara på något på egen hand – den finns för att gissa nästa tokens åt en annan modell, LFM2.5-8B-A1B, och för att kontrolleras av den. Att förväxla de två är det enskilt vanligaste sättet som detta släpp missförstås på, och det är värt att klargöra i första stycket, eftersom resten av den här sidan hänger på det: en av dem har ett pris per miljon tokens och ett Hugging Face-kort som du kan peka en agent mot, och den andra lever inuti någon annans inferensstack.

Det som dock verkligen gör parkopplingen värd en egen sida är att det är jämförelsen som Liquid AI har skapat för sig själva. På modellkortet för LFM2.5-24B-A2B står ett DSpark-utkast för spekulativ avkodning för 24B som kommande. När det landar kommer den exakta fråga som den här sidan besvarar att vara den som folk ställer om det – betalar sig utkasttricket som gjorde 8B-modellen upp till 3,18× snabbare på en datacenter-GPU faktiskt på en 24B-modell vars hela existensberättigande är en bärbar dator? Siffrorna för 8B innehåller redan svarets form, och det är inte den form som rubriken antyder.

Vad en kontrollpunkt för utkast egentligen är, i tre meningar

Spekulativ avkodning ställer en billig modell framför en dyr: draftmodellen föreslår ett block av kandidattoken, den riktiga modellen verifierar hela blocket i en enda framåtpassning och behåller det som den instämmer i. Eftersom målmodellen kontrollerar varje föreslaget token är utdata vid girig avkodning bitidentisk med att köra enbart målmodellen — Liquids formulering är "förlustfri genom konstruktion", och det är därför en draft är säker att hänga på en produktionsstack. LFM2.5-8B-A1B-DSpark är en medvetet liten draftmodell: fem lager med enbart attention, ett block med nio föreslagna token per steg och ett Markov-huvud över målmodellens vokabulär på 128 000 token, tränad i 15 epoker på chatt-, kod- och funktionsanropsdata med checkpoints valda utifrån acceptansgrad snarare än valideringsförlust.

Den där sista detaljen är inte en kuriositet. Liquids egen redogörelse noterar att valideringsförlusten för de större utkasten ”fortsätter förbättras efter att den benchmark-acceptans vi bryr oss om har slutat röra sig” – vilket är den typ av mening som bara dyker upp när ett team skeppar detta till serving i stället för att publicera en artikel.

De två stackarna, en rad per dimension

• Vad det är — LFM2.5-24B-A2B är en driftsättbar resonemangsmodell, text in och text ut. LFM2.5-8B-A1B-DSpark är en accelerator för spekulativ avkodning och inget annat.

• Storlek — 24,0B totalt / 2,45B aktiva per token, 64 experter med top-4-routning över 40 lager, mot 327,7M utkastparametrar i fem lager med enbart uppmärksamhet.

• Kontext — 131 072 tokens för 24B, dubbelt så många jämfört med föregående generation; utkastet har ingen egen kontext, eftersom det arbetar på målmodellens ström.

• Resonemang — 24B avger alltid en explicit tankekedja inuti ett <think>-block. Utkastet avger ingenting som en användare någonsin ser.

• Pris — 0,10 USD per miljon indatatoken (0,05 USD cachade) och 1,00 USD per miljon utdata i Liquid's Console, med 2 USD i startkredit, för 24B. Utkastet har inget pris eftersom ingen inferensleverantör tillhandahåller det.

• Licens — lfm1.0 för båda: gratis att ladda ner, finjustera och driftsätta kommersiellt tills ett företag passerar 10 miljoner USD i årlig intäkt, då en kommersiell licens gäller.

• Publicerade format — GGUF från Q4_K_M på 14,5 GB upp till 48 GB BF16, en QAT QAD-Q4_0 på 13,6 GB, FP8, ONNX och 4/5/6/8-bitars MLX för 24B:n; Safetensors och GGUF för draften, med stöd för SGLang och llama.cpp från dag ett.

Den dimension som avgör allt är den sista som modifieras av den femte: en av dessa har ett pris per token, och den andra är något man installerar för att göra en självhostad modell billigare per token. De konkurrerar aldrig. De staplas.

Siffrorna som spelar roll, och den som borde oroa dig

Liquid mätte DSpark-utkastet vid batchstorlek 1 och temperatur 0 över fem datamängder – på en 80 GB H100 i BF16 under SGLang, och på en M4 Max MacBook Pro i FP16 GGUF under llama.cpp med experimentella Metal-kärnor. Varje hastighetsökning jämförs med samma målmodell som körs ensam på samma hårdvara. Allt är leverantörsrapporterat och, tre månader senare, fortfarande inte reproducerat.

På H100, mot LFM2.5-8B-A1B:

• MATH500 — 3,18× (428 → 1 362 tokens/s, acceptans 8,27) — det viktigaste siffran.

• MT-Bench — 3,02× (426 → 1 288 tokens/s, acceptans 8,52).

• MBPP — 2,64× (426 → 1 122) och HumanEval — 2,58× (426 → 1 100).

• GSM8K — 1,29× (385 → 496, acceptans 4,02) — det svaga fallet, och notera att det är det där målet redan var snabbare från början.

• Medelvärde — 2,54× (418 → 1 074 tokens/s).

På M4 Max är samma draft mot samma target en annan produkt: MATH500 1,21× (93 → 112), GSM8K 1,44× (90 → 129), HumanEval 1,12× (91 → 101), MBPP 1,09× (89 → 97), MT-Bench 1,04× (87 → 90), medelvärde 1,18× (90 → 106).

Läs de två listorna tillsammans och slutsatsen är oundviklig: draft-checkpointen accelererar den hårdvara som modellen inte byggdes för, och förbättrar knappt den hårdvara som den byggdes för. Det är inte en bugg i Liquids implementering, det är där flaskhalsen sitter — spekulativ avkodning lönar sig när man är beräkningsledig och minnesbegränsad, och en M4 Max som kör en kvantiserad MoE med 1,5B aktiva parametrar ligger redan nära sitt tak för minnesbandbredd. Liquid publicerade själva den dåliga halvan av resultatet, vilket är anledningen till att siffran 3,18× har citerats fristående mycket oftare än 1,18×, som de flesta av deras läsare faktiskt skulle uppleva.

Varför 24B-parningen är en genuint öppen fråga

Allt om den kommande LFM2.5-24B-A2B-draften är oannonserat utöver orden ”coming soon” på modellkortet, så det som följer är resonemang om problemets form snarare än en rapport.

Utkastets värde styrs av acceptansgraden, och acceptansgraden styrs av hur förutsägbar målmodellen är. En resonemangsmodell som alltid producerar en explicit tankekedja – LFM2.5-24B-A2B är precis en sådan, och Liquid levererar den med en rekommenderad temperatur på 0,1 – avger långa, lokalt förutsägbara textstycken. Det är den ideala jordmånen för ett 9-tokenblock. Så taket för ett 24B-utkast skulle kunna vara högt, och kortets egen anteckning om vokabulär hjälper till: 24B använder samma 128 000-tokenvokabulär som 8B-utkastarens Markov-huvud byggdes på, så utkastshuvudet behöver inte byggas om från ett annat tokenutrymme.

Motvikten är hårdvaran. 24B-modellens angivna edge-resultat är 184 tokens per sekund på en Apple M5 Max, och ett större mål innebär en större verifieringsomgång även när blocket accepteras i sin helhet. Om 8B-mönstret håller — stora vinster där du har beräkningskraft över, små vinster på laptopen — kan 24B-utkastet visa sig vara ett datacenterverktyg kopplat till en edge-modell, vilket är en märklig form för en produkt. Den som citerar "3.18×" i förväntan på det citerar ett tal uppmätt på en annan modell, på annan hårdvara, med ett annat utkast.

Kostnad, och argumentet för att inte självhosta alls

En ärlig komplikation: DSpark:s hela värdeerbjudande är genomströmning per självhostad token, så dess ekonomiska kalkyl bygger på kostnaden per token för din egen GPU-tid. 24B-modellen har däremot ett offentligt pris – 0,10 USD per miljon indatatokens (0,05 USD cachade) och 1,00 USD per miljon utdatatokens – vilket är vad du betalar om du helst inte vill köra en kvantiserad checkpoint på 14,5 GB på din egen laptop överhuvudtaget.

För att vara tydliga med vad vi erbjuder och inte erbjuder: vi serverar inte LFM2.5-24B-A2B eller LFM2.5-8B-A1B-DSpark på OrcaRouter. Det vi serverar är de öppenviktsmodeller som detta beslut ständigt stöter på — qwen/qwen3.6-35b-a3b, den modell som Liquid jämför sin 24B mot vid ungefär femtio procent fler totala och aktiva parametrar, plus google/gemma-4-26b-a4b-it, obsidian/gemma-4-26B-A4B och google/gemma-4-31b-it i samma sparse-open-klass. Om du väger en 14 GB nedladdning och en speculative-decoding-stack mot att anropa en serverad modell bakom en nyckel till 0 % påslag på leverantörens listpris, är det en jämförelse du kan göra redan i eftermiddag på vår sida och bara uppskatta på deras.

Vad ska vi göra med de två idag?

Om du vill ha en modell att anropa är svaret LFM2.5-24B-A2B, och DSpark-checkpointen är irrelevant för dig – den accelererar en specifik 8B-modell, och det finns ingen tredjepartsplattform som servar någon av dem. Om du redan självhostar LFM2.5-8B-A1B på en GPU är draften en gratis genomströmningsmultiplikator som inte förändrar något i dina utdata, och 2,54× i genomsnitt är en verklig sänkning av serveringskostnaden. Om du självhostar den på en Mac är medelvärdet 1,18×, och den ärliga tolkningen är att draften är värd ungefär en tiondel av vad lanseringsrubriken antyder.

Det man bör hålla ögonen på är inte ankomstdatumet för 24B-draften, som ingen har publicerat. Det är vilken av de två regimerna den landar i. Om Liquid publicerar ett medelvärde över 2× på Apple silicon har spekulativ avkodning passerat en gräns och edge-nivån blir verkligen billigare att köra. Om de publicerar en toppnotering utan något laptop-medelvärde kommer 8B-resultatet att ha varit svaret hela tiden: den här tekniken lönar sig där man har outnyttjad beräkningskapacitet, och en maskin som kör en 24B mixture of experts på batteri har inget att avvara.

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.