MiniCPM5-2B-DSpark mot LFM2.5-2.6B-Base: Den ena är en ingrediens för serving, den andra är en ingrediens för träning.

Två av de mest intressanta småmodellslanseringarna under sensommaren 2026 har detta gemensamt: ingen av dem fungerar direkt ur lådan, och båda leverantörerna säger det i de första meningarna på sina modellkort. MiniCPM5-2B-DSpark är DSpark-utkastcheckpointen som OpenBMB tyst publicerade på Hugging Face den 6 september 2026 – en 323,8M-parameterstark följeslagare till MiniCPM5-2B, den täta 2,52B on-device-modellen som ModelBest presenterade på WAIC den 19 juli 2026 – och den gör ingenting förrän du laddar den bredvid denna målmodell i en spekulativ avkodningsmotor. LFM2.5-2.6B-Base är Liquid AIs förtränade textcheckpoint, på Hugging Face sedan den 1 augusti 2026, som Liquids eget modellkort kallar ”den förtränade text-only-checkpointen” och rekommenderar endast för uppgifter som kräver omfattande finjustering. Den ena är en ingrediens för att servera en färdig modell snabbare; den andra är en ingrediens för att träna din egen modell från grunden. De står på olika hyllor – och byggarens misstag vore att sträcka sig efter fel en.

Det som gör dem värda att jämföra är att de riktar in sig på samma hårdvara och samma 2026-ambition – kapabel AI på telefoner, bärbara datorer och edge-enheter – från motsatta ändar av byggprocessen. Vill du ha en distribuerbar modell på enheten plus en gratis prestandaökning, ger OpenBMB:s stack dig hela paketet öppet. Vill du själv äga efterträningen, ger Liquid dig substratet och arbetet. Den här artikeln handlar om vilket lager du faktiskt är ute efter.

Två kort som säger "inte för direkt användning" på olika dialekter

Läs de två modellkorten sida vid sida och ledtråden ligger i språket som kopplar samman dem. MiniCPM5-2B-DSpark:s modellkort är skrivet helt i termer av en annan modell: ett mål, en tokenizer som den delar, draftlager, acceptanslängder, ett SGLang-startkommando som tar en målsökväg och en draftsökväg. Draftmodellen har ingen egen identitet – fem full-attention-lager, 323 776 001 parametrar, en blockstorlek på sju, tränad i sex epoker på 7,05 miljarder tokens av MiniCPM5-2B-genererade svar, och släppt under Apache-2.0 med förtroende- och Markov-huvudena från DSpark-metoden (arXiv 2607.05147) aktiverade. Dess syfte är genomströmning: föreslå upp till sju tokens, låta 2.52B-målet verifiera blocket i ett enda pass och behålla det som accepteras.

openbmb/MiniCPM5-2B-DSpark-kortet ovan är hela den publika ytan av releasen — ett serveringstillbehör utan medföljande tillkännagivande, som rapporterar accepterad längd men ingen end-to-end-snabbning.

Modellkortet för LFM2.5-2.6B-Base är skrivet i termer av en modell som ännu inte existerar: din. 2.69B-hybriden staplar åtta lager med grupperad frågeuppmärksamhet ovanpå tjugotvå dubbelgrindade kortkonvolutionsblock — Liquids arkitektur för distribution på enheten — tränad på ungefär 34 biljoner token över 16 språk med en kontext på 128K. Den är endast text, har ingen instruktionsfinjustering och publicerar inga egna benchmarks, eftersom en förtränad basmodell inte poängsätts; det är de finjusterade produkterna som kommer ur den som gör det. Dess uppgift är att fortsättningsförtränas eller SFT:as på dina data, varefter allt du lanserar ärver dess licensvillkor.

Kortet för LiquidAI/LFM2.5-2.6B-Base ovan visar familjetabellen — basmodellen jämfört med den eftertränade agentiska modellen LFM2.5-2.6B — och anteckningen ”pre-trained text-only checkpoint” som definierar basmodellen som råmaterial.

Reporna, dimension för dimension

• Roll — MiniCPM5-2B-DSpark: accelererar ett befintligt, färdigt mål. LFM2.5-2.6B-Base: substratet du eftertränar till en färdig modell.

• Parametrar — MiniCPM5-2B-DSpark: {{1}}324M-utkast för ett 2,52B-tätt mål. LFM2.5-2.6B-Base: 2,69B-hybrid (attention- och kortkonvolutionsblock).{{/1}}

• Kontext — MiniCPM5-2B mål: 128K native. LFM2.5-2.6B-Base: 128K native.

• Vad du måste lägga till — MiniCPM5-2B-DSpark: en servingmotor (SGLang DSPARK) och målmodellen. LFM2.5-2.6B-Base: en finjusteringskörning, en utvärderingssvit och en inferensstack.

• Riktmärken — MiniCPM5-2B-DSpark: endast repo-acceptanslängd (girig aggregering 5.52 per steg), ingen siffra för hastighetsökning. LFM2.5-2.6B-Base: inga publicerade för själva basen.

• Licens — MiniCPM5-2B-DSpark: Apache-2.0, utan villkor. LFM2.5-2.6B-Base: LFM Open License v1.0 — gratis kommersiellt bruk upp till $10M i årlig intäkt, och taket ärvs av vad du än finjusterar.

Resultattavlan ovan är ingredienshyllan ritad som ett kort: en kolumn är ett serveringstillägg för en färdig modell, den andra ett träningssubstrat för en modell som inte existerar förrän du bygger den.

Skillnaden på 10 miljoner dollar

För en utvecklare är licensgapet den minst glamorösa och mest avgörande raden på den listan. ModelBest och OpenBMB har släppt MiniCPM5-2B och dess utkast under Apache-2.0: du kan servera målmodellen, köra utkastet och bygga en kommersiell produkt ovanpå utan intäktstak och utan ärvd förpliktelse utöver att ange källa. Liquids LFM Open License v1.0 tillåter kommersiellt bruk men sätter ett tak — gratis under 10 miljoner USD i årlig intäkt, och taket följer med in i ditt derivatarbete, så en produkt som du finjusterar från LFM2.5-2.6B-Base bär samma tak. Det gör inte Liquids licens orimlig; det gör den till ett villkor som en startup som hoppas skala förbi taket måste planera för från dag ett. Om ditt projekts intäktsambition är liten eller om du utvärderar modellen för forskning är taket inget problem. Om du bygger något du tänker växa är Apache-2.0 en annan typ av råmaterial.

Bygga kontra köpa – vägvalet för utvecklare

Formulera det som ett bygga-eller-köpa-beslut om själva modellen, så blir valet inte längre förvirrande. MiniCPM5-2B-DSpark är “köpa”-vägen: det hårda arbetet — post-träningen av en enhetsmodell för agentiska och långkontextuella uppgifter — är redan gjort i MiniCPM5-2B, och draften är ett accelerationslager utan extra licens ovanpå. Du köper en färdig modell och en uppsnabbning, båda under Apache-2.0, och ditt återstående jobb är att serva och utvärdera. Den öppna frågan är kvantitativ: OpenBMB har mätt draftens acceptans (5,52 token per verifieringssteg vid girig avkodning) men inte dess verkliga tidsvinst, så du måste ändå benchmarka SGLang-distributionen på din egen hårdvara för att veta vad du köpt.

LFM2.5-2.6B-Base är "build"-vägen: du köper förträningssubstratet och gör efterträningen själv, vilket är den enda ärliga anledningen att välja en basmodell framför den eftertränade LFM2.5-2.6B-syskonmodellen som Liquid redan säljer. Den vägen är vettig när du har en domän, ett språk eller en beteendeprofil som färdiga modeller inte täcker – du tar Liquids arkitektur och grunden med 34 biljoner token och gör den till din egen. Det är definitivt mer arbete, det börjar med noll publicerade benchmarks, och det för intäktstaket vidare. Utbytet är en modell som ingen annan har.

Routingens verklighet

Ingen av kontrollpunkterna förekommer i någon värdkatalog idag, OrcaRouters inräknad — utkastet är per definition ett tillbehör för lokal modellservering, och Liquids bas är ett självvärdat finjusteringsprojekt. Det är där ett routinglager förblir användbart utan att låtsas vara värd för något av dem: när du väl har serverat eller finjusterat endera modellen, är lagret framför dina egna slutpunkter det som gör utvärderingen av dem reversibel. Rikta en testväg mot en MiniCPM5-2B-plus-draft SGLang-build medan produktionen ligger kvar på det du serverar idag, låt automatisk failover fånga upp avstannandet, och låt leverantörernas listpriser passera rakt igenom med 0% påslag för de värdbaserade modeller du jämför med. Poängen med lagret här är inte leverans — det är att ingen av ingredienserna förbinder dig oåterkalleligt.

Vilken hylla handlar du på?

Välj MiniCPM5-2B-DSpark (med dess målmodell) när du vill ha en färdig Apache-2.0-modell på enheten idag och ett utkast som kan göra den snabbare — med insikten att du själv måste mäta utkastets hastighetsökning, eftersom leverantören inte har gjort det. Välj LFM2.5-2.6B-Base när du planerar att vidareträna en egen modell och vill ha Liquids hybridarkitektur och 16-språkiga grund som startvikter — med insikten om notan för finjustering, att inga riktmärken har publicerats och intäktstaket på 10 miljoner dollar som följer med i allt du levererar. De två är inte konkurrenter för samma jobb; de är två olika jobb på samma hårdvara, och det enda felaktiga valet är att köpa den ena medan du tror att du köper den andra.