Ling 3.0 Tiny vs LFM2.5-2.6B-Base: Två sorters frihet, och bara en svarar dig idag

Båda dessa modeller är gratis. Det är nästan det enda de har gemensamt. Ling 3.0 Tiny, Ant Group InclusionAIs resonemangsmodell med 7,9 miljarder parametrar och blandning av experter, är gratis eftersom någon kör en server och pekar ett API mot den — du klistrar in en nyckel i en klient och den svarar på ditt stycke direkt, ingen träningskörning, ingen GPU. LFM2.5-2.6B-Base, Liquid AIs förträningskontrollpunkt med 2,69 miljarder parametrar, är gratis eftersom någon publicerade en viktfil — 151 nedladdningar senast jag räknade, ingen inferensleverantör som hostar den någonstans, och ett modellkort som rekommenderar basen "endast för uppgifter som kräver tung fine-tuning." Den ena är en produkt med en mätare. Den andra är råmaterial. Den här jämförelsen handlar om vilken typ av gratis du faktiskt behöver, eftersom de två modellerna inte kommer att fungera för samma person oavsett hur många månader de båda säger "$0."

Namnen gör skillnaden lätt att missa. Båda ligger i kategorin "tiny / small model" som 2026 har blivit den mest trångbodda hyllan inom AI. Båda är text-only, båda har kontextfönster stora nog för verkligt arbete, och båda kör en genuint användbar modell på en blygsam budget. Men de är byggda utifrån olika filosofier, ägs av olika parter, och hyrs eller ägs genom helt olika kanaler. Innan du väljer en är den enskilt mest användbara frågan att ställa: behöver du svar, eller behöver du vikter?

Ling 3.0 Tiny, det kostnadsfria API:et

Ling 3.0 Tiny släpptes den 6 augusti 2026 i ett klassiskt tyst lanseringsmönster: en kommersiell API-listning från InclusionAI, Ant Groups modellavdelning, snarare än en keynote. Arkitekturen är en mixture-of-experts-modell med 7,9 miljarder totala parametrar och ungefär 1,3 miljarder aktiva per token — tillräckligt liten för att vara billig att servera, tillräckligt stor för att ha verklig resonemangsförmåga. Den stöder ett kontextfönster på 256K-token (de kommersiella listningarna visar 262K), upp till 32K utmatningstoken, och levereras med två lägen som du kan växla per begäran: ett standardpåslaget "Thinking"-läge som spenderar extra token på resonemang, och ett "Instant"-läge som svarar direkt. Inbyggd funktionsanrop och promptcachning annonseras båda, vilket är viktigt för agentarbete.

Det är i prissättningen som "gratis" behöver förtydligas. Idag är modellen verkligen gratis att anropa: den är listad som inclusionai/ling-3.0-tiny:free med en taxa på $0 för både in- och utdata, och en andra gateway kör den som en gratis kampanj under inclusionai/ling-3.0-tiny-free fram till 08:00 PT den 14 augusti 2026. Efter den kampanjen gäller Vercels publicerade prislista: $0,06 per miljon inmatningstokens, $0,18 per miljon utmatningstokens och $0,01 per miljon cachade inmatningstokens. Det är ett verkligt pris — ungefär en tredjedel av GPT-5.6 Luna-nivån efter prissänkningen, för att ge en uppfattning om skalan — men det är inte det "gratis" du kan lita på efter mitten av augusti. Den som bygger på antagandet att Ling 3.0 Tiny är permanent $0 bygger på en kampanj som tar slut.

LFM2.5-2.6B-Base, de fria vikterna

LFM2.5-2.6B-Base är den andra typen av helt gratis. Det är den förtränade bascheckpointen bakom Liquid AIs LFM2.5-2.6B-familj, publicerad på Hugging Face den 4 augusti 2026 — samma vecka som O​penAI sänkte priset på GPT-5.6 Luna med 80 %, vilket säger en del om varför hela marknaden är överfylld. Basen är en modell med 2,69 miljarder parametrar i bfloat16 med en hybridarkitektur: 22 dubbelgrindade kortkonvolutionsblock plus 8 lager med grupperad query-uppmärksamhet, ett ordförråd på 128 000 token som täcker 16 språk och cirka 34 biljoner förträningstoken — en ovanligt lång träningskörning för en modell av den här storleken.

Det är också, enligt alla tillgängliga mått, omätt. Liquids egen lansering gav den posttränade syskonmodellen LFM2.5-2.6B benchmarktabellen och de 47 000 nedladdningarna under första veckan, medan bascheckpointen fick en parentes och 151 nedladdningar. Basen har noll publicerade utvärderingar — ingen MMLU, ingen GPQA, ingen perplexitet på någon av Liquids plattformar. Den är endast text. Dess kontext är 128K enligt repots config.json (kortet annonserar 131 072, och config är vad ett träningsscript faktiskt packar till). Och ingen inferensleverantör hostar den, så det enda sättet att se vad dessa vikter kan göra är att finjustera och servera dem själv — vilket är precis vad modellkortet säger åt dig att göra. Den levereras under LFM Open License v1.0, som sätter ett tak för kommersiell användning på 10 miljoner dollar i årlig intäkt och för över det taket till derivatverk som din finjustering.

Den ärliga resultattavlan

Den här matchningen har den mest ojämna bevisbilden du kommer att se mellan två 2026-modeller. Ling 3.0 Tiny har ett oberoende resultat: Artificial Analysis ger den 23 på Intelligence Index, rankad #6 av 56 modeller i sin storleksklass, mot ett klassmedian på 8 — väl över genomsnittet för en så liten modell. Det indexet är en sammansättning av nio utvärderingar, inklusive Terminal-Bench 2.1, GPQA Diamond och Humanity's Last Exam, utförda av en tredje part snarare än valda av leverantören.

LFM2.5-2.6B-Base har inga poäng alls. De agentiska siffror som folk citerar för modellfamiljen — {{2}}ToolSandbox 77.83{{/2}}, {{3}}IFBench 59.17{{/3}}, {{4}}Multi-IF 80.07{{/4}}, {{5}}AIME25 51.87{{/5}} — tillhör den eftertränade {{6}}LFM2.5-2.6B{{/6}}, de är leverantörsrapporterade, och de är resultatet av en fyrstegs efterträningspipeline som inte finns i bascheckpointen. Tar du basvikterna, ärver du förträningen — språken, världskunskapen, långkontextförmågan — och ingenting av poängtavlan för instruktionsföljning. Den enda siffran basen bär är {{7}}34T{{/7}} träningstoken, vilket är en budget, inte ett resultat. Ingen har ännu rapporterat vad den gav.

De sex dimensionerna som skiljer dem åt, en rad vardera:

• Pris — Ling 3.0 Tiny $0.06 / $0.18 per 1M efter den kostnadsfria kampanjen (gratis till 14 aug) jämfört med LFM2.5-2.6B-Base $0 att ladda ner, plus din träningskostnad, för alltid.

• Kontext — 256K tokens på Ling 3.0 Tiny jämfört med 128K på LFM2.5-2.6B-Base (config.json), en skillnad på 2x.

• Parametrar — ~1,3B aktiva av 7,9B totala MoE jämfört med 2,69B täta; båda endast text.

• Oberoende poäng — Ling 3.0 Tiny AA Intelligence Index 23 (#6/56) jämfört med LFM2.5-2.6B-Base utan publicerade utvärderingar.

• Lägen — Ling 3.0 Tiny Thinking/omedelbar växling, funktionsanrop, promptcachning vs. LFM2.5-2.6B-Base: ingenting förrän du eftertränar den.

• Serverad — Ling 3.0 Tiny är live på egna kommersiella endpoints idag jämfört med LFM2.5-2.6B-Base som inte hostas av någon inferensleverantör någonstans.

Asymmetrin är poängen: du kan A/B-testa Ling 3.0 Tiny mot dina egna prompts i eftermiddag för småpengar, och siffrorna du får tillbaka är verifierbara. Bascheckpointen är en satsning på din egen finjusteringsförmåga utan att någon extern validering finns tillgänglig ännu.

Kostnaden för "gratis": ett avmätt svar vs en mätare som stannar

Ling 3.0 Tiny:s mätare slutar aldrig räkna när kampanjen tar slut. Varje token in och ut debiteras enligt den angivna taxan, för evigt, oavsett vilken samtidighet du kör med. Det finns också en dold kostnad: Artificial Analysis uppmätte att modellen genererade 210 miljoner utdatatokens när den betygsatte sin klass med 56 modeller – jämfört med en median på 63 miljoner – och flaggar den som "mycket mångordig". En resoneringsmodell som förbrukar extra utdatatokens för att tänka har en högre effektiv kostnad per uppgift än vad prislistan antyder, och mångordigheten urholkar delvis prisfördelen. Att prissätta gratis i dag och mäta mångordighet i morgon är en verklig ekonomisk avvägning, inte ett avrundningsfel.

Bascheckpointens "gratis" är en annan typ av kalkyl: det kostar inget att ladda ner, men sedan kostar det dig data, en träningskörning och hårdvara. En övervakad finjusteringsuppsättning med 100 000 exempel kostar i storleksordningen tio dollar i token att generera; en uppsättning med 1 miljon exempel ligger närmare hundra. Själva finjusteringen — en 2.6B-modell är en kort körning på en enda GPU — är timmar av maskintid plus dina ingenjörstimmar. För att servera den behöver du en enhet; Liquid rapporterar modellfamiljen på ungefär 220 token/sekund vid avkodning på en Apple M5 Max och 113 på en Ryzen AI Max+ 395, mätt av leverantören på den eftertränade syskonmodellen, och basmodellen har inga egna hastighetssiffror. I praktiken innebär det en bärbar dator du redan äger eller en ny maskin från cirka 1 500 dollar.

Den avgörande skillnaden är densamma som den här bloggen använde för att rama in LFM2.5-2.6B-Base mot en omprisad GPT-5.6 Luna: den ena mätaren slutar aldrig, den andra stannar den dag träningen avslutas. Ling 3.0 Tiny tar betalt per token oavsett vilken concurrency du har, för alltid. Basens marginaltoken är gratis efter träningskörningen, vid vilken concurrency som helst, för så många samtidiga agenter du kan mata den med. Det är den enda regimen där en 2.6B verkligen slår ett API med förbrukningsmätning i kostnad: högvolym, hög concurrency, alltid pågående arbetsbelastningar.

Vem ska välja vilken

Välj Ling 3.0 Tiny om…

Du behöver en fungerande modell den här veckan: en kapabel textresoneringsmodell som du kan anropa via en O​penAI-kompatibel slutpunkt, med 256K kontext, verktygsanrop och ett oberoende betyg som du kan slå upp. Den kostnadsfria perioden ger dig ett verkligt fönster att utvärdera den mot din egen arbetsbelastning innan du betalar något, och även efter kampanjen är priset på $0.06 / $0.18 aggressivt för en modell med ett uppmätt intelligensvärde över sin klass. Du hyr intelligens med en mätare, och du är bekväm med det.

Välj LFM2.5-2.6B-Base om…

Du bygger en modell snarare än att hyra en: {{1}}ett språk eller en domän som standardmodellerna inte betjänar tillräckligt{{/1}}, {{2}}en reglerad vertikalmarknad där data inte kan lämna enheten{{/2}}, {{3}}post-träningsforskning, eller en destillationsstudent{{/3}}. Din arbetsbelastning har tillräckligt hög samtidighet för att noll marginalkostnad ska slå en förbrukningsbaserad faktura, och du känner dig bekväm under licensens intäktstak. Du bör också vara ärlig mot dig själv om riskerna: {{4}}inga publicerade utvärderingar, ingen väg till produktion, och en finjusterad modell som du måste felsöka utan ett riktmärke att sikta på.{{/4}}

Den ärliga hybriden — och var en router passar in

Det mest användbara sättet att läsa denna parning är som två halvor av ett system snarare än två rivaler. Bascheckpunktens verkliga förutsättning är data: Liquid's eget post-träningsrecept bygger på lärarspecialisering och on-policy-destillation, vilket innebär att göra basen användbar börjar med ett många-modellers data-genereringsjobb innan det blir ett träningsjobb. Det är precis där en billig, kapabel API-modell som Ling 3.0 Tiny — eller, med högre kvalitet, någon av textnivåerna på OrcaRouter — förtjänar sin plats som läraren för en liten lokal elev. Använd det gratis fönstret medan det varar, generera finjusteringskorpusen, och träna sedan basen till något du äger.

På API-sidan, ett ärligt förbehåll innan vi säger något om vår egen produkt: varken Ling 3.0 Tiny eller LFM2.5-2.6B-Base finns på OrcaRouter. Ling 3.0 Tiny betjänas via egna kommersiella slutpunkter, och bascheckpointen hostas inte av någon. Det som OrcaRouter gör på ett användbart sätt är att bära lärarmodellerna och API-trafiken runt dem — Qwen 3.7 Flash för $0,03 / $0,13 per 1M, Gemini 3.5 Flash-Lite för $0,30 / $2,50, och 200+ fler bakom en enda nyckel med 0 % påslag, så du betalar leverantörens listpris och en prissänkning från leverantören börjar gälla samma dag. För en datagenereringskörning som inte får dö halvvägs, betyder automatisk failover mellan leverantörer mer än modellvalet. Men vi hostar ingen av de två modeller som den här artikeln handlar om, och vi tänker inte låtsas något annat.

Dom

Detta är inte så mycket en tävling mellan två billiga modeller som ett vägskäl mellan två sätt att spendera dina pengar. Om du behöver svar – kapabla, kontrollerbara, hyrbara svar – så är Ling 3.0 Tiny live idag, gratis under den kommande veckan, oberoende poängsatt över sin klass, och prissatt lågt efter kampanjperioden. Om du vill äga modellen – offline, privat, noll marginalkostnad, finjusterad till något eget – så är LFM2.5-2.6B-Base en av de få genuint omätta 2.6B-checkpoints med 34T tokens av förträning bakom sig, och du kommer att vara bland de första i världen att få reda på hur bra den är. Båda är gratis. De är gratis i olika valutor: Ling 3.0 Tiny kostar dig en mätare, och LFM2.5-2.6B-Base kostar dig en träningskörning.