MiniCPM5-2B mot LFM2.5 2.6B Base: En färdig modell mot råmaterialet för att bygga din egen

Två av de mest intressanta småmodellsläppen under den senaste månaden ligger i samma viktklass men på helt olika punkter i sina liv. MiniCPM5-2B är den färdiga produkten: en tät modell på 2,5 miljarder parametrar som ModelBest och OpenBMB presenterade på världskonferensen för artificiell intelligens den 19 juli, och vars öppna vikter tyst publicerades på Hugging Face den 6 och 7 september – med en komplett post-training-pipeline bakom sig, Apache-2.0-licensierad och redo att användas. LFM2.5 2.6B Base är Liquid AI:s förtränade checkpoint för endast text – det råmaterial som företaget säger är ”rekommenderat endast för uppgifter som kräver omfattande finjustering”, utan instruktionsjustering, utan chattmall och utan ett enda publicerat riktmärke, eftersom en basmodell inte poängsätts; det är modellerna du finjusterar fram ur den som gör det. Att jämföra dem handlar egentligen om vilket lager av bygget du är ute efter: en modell som fungerar i kväll, eller ingredienserna för att skapa din egen.

Båda korten säger "inte för direkt användning" på olika dialekter, och leverantörerna har skrivit det i de första raderna. MiniCPM5-2B:s kort beskriver en tät transformator med Llama-arkitektur med totalt 2 516 756 480 parametrar (1 981 982 720 icke-inbäddningsparametrar), 42 lager, grouped-query attention, ett kontextfönster på 131 072 token i den levererade konfigurationen och en berättelse om efterträning – deep-thinking SFT, specialiserad RL, On-Policy Distillation – som är helt inriktad på agentiskt beteende och verktygsanvändning. Liquids kort för LFM2.5 2.6B Base beskriver en 2,69B-hybrid som staplar åtta grouped-query-attention-lager ovanpå tjugotvå dubbelgrindade kortkonvolutionsblock, förtränad på ungefär 34 biljoner token över 16 språk med ett 128K-kontext, och sedan slutar den: basen finns för att fortsättas eller finjusteras till något annat. Det ena är en destination; det andra är en startlinje.

Vad Liquid faktiskt levererade

LFM2.5 2.6B Base släpptes på Hugging Face i början av augusti som den förtränade grunden för Liquids LFM2.5-2.6B-familj. Modellkortet visar familjetabellen – basmodellen och den posttränade LFM2.5-2.6B som Liquid finjusterade för agentiska arbetsuppgifter med verktygsanrop – och är tydlig med att basen är den kontrollpunkt som enbart innehåller text och som användes för att skapa alla varianter. Det är hela dess uppgift: du tar basmodellen med dess hybridarkitektur på 2,69 miljarder parametrar och dess flerspråkiga grund med 34 biljoner token, och fortsätter sedan antingen förträningen av den eller tillämpar SFT på den inom din egen domän. Allt du därefter släpper ärver dess licensvillkor. Det finns inga benchmarks på kortet, eftersom det inte finns något att benchmarka ännu; modellen har ingen instruktionsanpassning, så direkt ur lådan producerar den textfortsättning snarare än att svara. Den körs med cirka 2,5 GB vikter och stöds av Transformers, vLLM, SGLang, MLX och llama.cpp, vilket gör den till en rimlig bas för finjusteringsprojekt i mobil- och edge-klassen.

Det praktiska förbehållet för denna jämförelse: om det du vill ha är en fungerande liten modell från Liquid, är den rättvisa motsvarigheten till MiniCPM5-2B den eftertränade LFM2.5-2.6B, inte Base. Base är den version du väljer när du själv tänker göra efterträningen — vilket är precis anledningen till att MiniCPM5-2B:s egen benchmarktabell jämför med familjens instruktionsfinjusterade syskon snarare än denna råa checkpoint.

Vad OpenBMB levererade, och varför det är annorlunda.

MiniCPM5-2B anländer som en färdig produkt med fabriksritningarna bifogade. Där Liquid ger dig en bas och arbetskraften, räcker OpenBMB över alltihop öppet: den slutliga RL + OPD-posttränade checkpointen, GGUF, MLX, GPTQ, bas-, SFT- och draftkompanjonerna, och — den del som ändrar jämförelsen — själva träningskorpusarna, utgivna under Apache-2.0 som UltraData-familjen. Modelkortet rapporterar ett internt genomsnitt på 53,9 över en leverantörsvald jämförelseuppsättning av öppna modeller på 2B–4B, med AIME 2025/2026 på 86,5 och en leverantörskörd 46,4 på SWE-bench Verified — inget av detta ännu oberoende reproducerat. Den är tänkt att köras, inte att tränas: lanseringstalet var dag-noll-anpassning över nio chipfamiljer och ARM, inbyggt verktygsanrop genom XML-liknande anrop, och hybrida snabba/eftertänksamma svarslägen för interaktiv användning.

Resultattavlan, ärligt märkt.

• Vad du får — MiniCPM5-2B: en färdig, serverbar chattmodell plus öppen träningsdata. LFM2.5 2.6B Base: en förtränad bas som du finjusterar till en färdig modell.

• Parametrar — MiniCPM5-2B: 2,52B totalt / 1,98B icke-inbäddning, tät Llama-stil. LFM2.5 2.6B Base: 2,69B hybrid (8 attention- + 22 kortkonvolutionsblock).

• Kontext — MiniCPM5-2B: 131 072 token i den levererade konfigurationen. LFM2.5 2.6B Base: 128K nativt.

• Språk — MiniCPM5-2B: kort och data med inriktning på engelska och kinesiska. LFM2.5 2.6B Base: förtränad på 16 språk.

• Prestandatester — MiniCPM5-2B: leverantörens kompletta testsvit (internt genomsnitt 53,9; ej reproducerat). LFM2.5 2.6B Base: inga resultat publicerade för själva basmodellen, avsiktligt.

• Licens — MiniCPM5-2B: Apache-2.0 för vikter och publicerad data. LFM2.5 2.6B Base: LFM Open License v1.0, gratis om årlig intäkt understiger 10 MUSD, och taket följer med in i dina derivat.

Resultattavlan ovan är samma historia i sex rader: båda modellerna är små, i 128K-klass och Apache-besläktade, men den ena kolumnen slutar i en tjänst som körs och den andra i ett beslut om vem som står för träningen.

Licensen är funktionen.

För en byggare är licensgapet den minst glamorösa och mest avgörande raden på listan. OpenBMB lade MiniCPM5-2B och dess släppta data under Apache-2.0: du kan serva den, finjustera den och bygga en kommersiell produkt på den utan intäktstak och utan ärvda förpliktelser utöver namnangivelse. Liquids LFM Open License v1.0 är genuint öppen vad gäller vikter men villkorad av intäkter – organisationer med mindre än 10 miljoner dollar i årliga intäkter får ett brett kommersiellt tillstånd, organisationer på eller över den gränsen får det inte, och taket ärvs av allt du finjusterar, så en produkt byggd på LFM2.5 2.6B Base har samma tak även när ditt företag växer. Det gör inte Liquids licens orimlig; det gör den till ett villkor som ett startup som hoppas kunna växa förbi taket måste ta höjd för från dag ett, och det är den enskilt största anledningen till att inramningen med ”färdig modell” spelar roll. Om du bygger något du tänker växa är Apache-2.0 med öppen data en annan sorts råmaterial än en licens med tak.

Vägskälet mellan att bygga och köpa, konkretiserat.

Formulera det som bygga kontra köpa, så slutar valet att vara förvirrande. MiniCPM5-2B är köpvägen: det svåra arbetet — att efterträna en liten modell för agentiskt arbete med lång kontext — är redan gjort, licensen är ren, och det enda som återstår för dig är serving och utvärdering. Kostnaden är att du tar över någon annans efterträningsval, och dess huvudsiffror är en vecka gamla och inte verifierade av någon utanför labbet. LFM2.5 2.6B Base är byggvägen: du köper Liquids arkitektur och förträning och gör efterträningen själv, vilket är det enda ärliga skälet att välja en basmodell framför den instruktionsjusterade syskonmodellen LFM2.5-2.6B som Liquid redan säljer. Den vägen är vettig när du har en domän, ett språk eller en beteendeprofil som färdiga modeller inte täcker. Det är strikt mer arbete, det börjar med noll publicerade riktmärken, och intäktstaket följer med. Utdelningen är en modell som ingen annan har — och eftersom OpenBMB har öppnat MiniCPM5-2B:s egna data har du nu en andra väg dit: att vidareträna enligt ett beprövat Apache-2.0-recept istället för att börja från en ren basmodell.

Routningsverkligheten för båda

Ingen av de två checkpointarna finns i en hostad katalog i dag, så lagerfrågan handlar om världen runt dem snarare än om leverans. När du väl har serverat MiniCPM5-2B eller finjusterat LFM2.5 2.6B Base till något eget, är det reversibla sättet att testa endera mot de hostade modeller du redan använder genom ett API med automatisk failover — en ny eller härledd stack kan stanna utan att ta ner produktionen, och leverantörens listpriser förs vidare med 0 % påslag, så A/B-jämförelsen är billig. För själva bygga-eller-köpa-beslutet är den ärliga planen dock densamma som alltid med små öppna modeller: det benchmark som spelar roll är det du kör på din egen hårdvara och dina egna data, inte det som tryckts på något av korten.

Vilket lager handlar du egentligen för?

Välj MiniCPM5-2B när du vill ha en färdig Apache-2.0-modell för enheten som du kan sätta i produktion redan ikväll och finjustera på öppen data – och acceptera att dess imponerande modellkort inte är verifierat och kräver att du själv reproducerar resultaten innan det förtjänar produktionsförtroende. Välj LFM2.5 2.6B Base när du har för avsikt att postträna din egen modell och vill ha Liquids hybridarkitektur och 16-språkiga grund som startvikter – och acceptera finjusteringsnotan, avsaknaden av publicerade benchmarks och intäktstaket på 10 miljoner dollar som följer med i allt du levererar. De två är inte konkurrenter om samma jobb; de är två olika jobb på samma hårdvara, och det enda felaktiga valet är att köpa den ena i tron att du köpte den andra.