Perceptron Mk1.5 vs LFM2.5-2.6B-Base: Hyr perceptionen, eller äg checkpointen och slutför den själv

Båda dessa modeller riktar sig mot hårdvara som du kan lyfta med en hand. Perceptron Mk1.5 är en perceptionsmodell för förkroppsligade agenter som enligt leverantören landar på drönare, fyrbenta robotar, smartglasögon och telefoner. LFM2.5-2.6B-Base är en checkpoint med öppna vikter på 2,69B som Liquid AI uttryckligen byggde för driftsättning på enheten – tillräckligt liten för att köras på under 2,5 GB minne. Den gemensamma fysiska ambitionen är det enda de har gemensamt, och den är en fälla för alla som jämför dem i ett specifikationsblad. Perceptron Mk1.5 är en färdig produkt som du hyr per token: text, bilder, video och ljud in, och text plus maskinläsbar geometri ut, live sedan 25 september 2026. LFM2.5-2.6B-Base är en rå förtränad grundmodell utan instruktionsträning, utan chattmall och utan benchmark-påståenden – en checkpoint som släppts för att andra ska färdigställa den. En av dem svarar på en fråga i dag; den andra är råmaterialet för en modell som kommer att göra det.

Jämförelsen fungerar bara om du namnger steget

Att ställa ett serverat API bredvid en bascheckpoint är inte en head-to-head-jämförelse, och att låtsas något annat ger en meningslös tabell där ena sidan ”vinner” varje rad eftersom den har slutförts av sin leverantör och den andra inte har påbörjats. Den användbara frågan är i vilket skede av arbetet du befinner dig.

Liquid AI släppte LFM2.5-familjen som en uppsättning checkpoints, och basmodellen är den första. Dess modellkort listar totalt 2,69 miljarder parametrar fördelade över 30 lager – 22 dubbelgrindade korta konvolutionsblock och 8 block för grupperad query-attention – och den är tränad på omkring 34 biljoner tokens, med en vokabulär på 128 000 tokens, en kontextlängd på 131 072 tokens och stöd för 16 språk, inklusive engelska, kinesiska, japanska, koreanska och arabiska. Den är endast för text, den är en kausal språkmodell och inget mer, och Liquids egen rekommendation är tydlig: den här checkpointen är till för uppgifter som kräver omfattande finjustering, till exempel en språkspecifik eller domänspecifik assistent, träning på proprietär data eller experiment med nya metoder för efterträning. Det som förvandlar den till den verktygsanropande agent som bär familjens publicerade resultat är Liquids fyrstegspipeline för efterträning, som basmodellen inte innehåller.

Perceptron Mk1.5 ligger i den andra änden av den bågen. Perceptron har redan gjort efterträningen, bestämt utdataformatet och prissatt resultatet – 0,15 USD per miljon indatatokens och 1,50 USD per miljon utdatatokens, med cachad indata till 0,0375 USD. Dess specifikationer är specifika på ett sätt som bascheckpointens inte är: kontext på 36 864 tokens, maximal utdata på 8 192 tokens, fyra indatamodaliteter, en reasoning_effort-kontroll som standard är hög, funktionsanrop vid chat completions och begränsade svar genom JSON Schema och regex.

Anledningen till att ha båda i åtanke är att den totala ägandekostnaden går i motsatta riktningar. Mk1.5 är dyrt per token och gratis att komma igång med. LFM2.5-2.6B-Base är gratis i marginalen och dyrt i den enda valuta som spelar roll för en bascheckpoint – din ingenjörstid.

Dimension för dimension, med rollerna hållna isär

• Vad det är — Perceptron Mk1.5 är ett hostat perceptions-API med strukturerad spatial utdata. LFM2.5-2.6B-Base är en nedladdningsbar förtränad kausal LM på 2,69B.

• Indata — Mk1.5 tar text, bilder, video och ljud (WAV, MP3, FLAC). LFM2.5-2.6B-Base tar text, och endast text.

• Utdata — Mk1.5 returnerar text plus valfria punkter, boxar, polygoner, klipp och tidsstämplade <track>-element, eller JSON Schema-begränsade svar. Basmodellen returnerar token-sannolikheter för nästa token, och inget har trimmats för att göra det användbart.

• Fristående användning — Mk1.5 fungerar den dag du får en nyckel. LFM2.5-2.6B-Base svarar inte på frågor i någon produktmässig bemärkelse; den behöver en finjustering, och vanligtvis en chattmall, innan den är en modell du skulle leverera.

• Kontext — 36 864 tokens för Mk1.5 mot 131 072 för basen. Checkpointen på enheten rymmer nästan fyra gånger så mycket text som den serverade perceptionsmodellen överhuvudtaget rymmer.

• Fotavtryck — Mk1.5 körs där Perceptron kör den, och dess publicerade latensarbete är på en enda H100. Basen är utformad för att köras på en bärbar dator, en telefon eller en edge-box under 2,5 GB.

• Bevis — varje kapacitetssiffra för Mk1.5 är Perceptrons egen, och det finns inget oberoende index för den. Basen har inga benchmark-påståenden alls: Liquid publicerar resultat för den eftertränade LFM2.5-2.6B, inte för denna checkpoint.

• Licens — Mk1.5 är sluten, hyrs per token. LFM2.5-2.6B-Base levereras under LFM Open License v1.0 med vikter som du laddar ner och behåller.

Vikternas rutt, ärligt kostnadsberäknad

Om det som lockar med LFM2.5-2.6B-Base är att vikterna är gratis, är den ärliga versionen av den meningen att vikterna är den billigaste delen av projektet. En finjustering på proprietär data innebär ett dataset, en träningskörning, ett utvärderingsramverk för att avgöra om finjusteringen fungerade, och en väg för servering – Transformers, vLLM eller SGLang, eller någon av de GGUF-, ONNX- och MLX-byggen som Liquid publicerar för CPU-, plattformsoberoende respektive Apple Silicon-driftsättning. Inget av detta är exotiskt, och vid 2,69B får det plats på hårdvara som en 70B-finjustering aldrig kommer i närheten av. Men en bas-checkpoint är en utgångspunkt, och tidsplanerisken ligger helt och hållet på din sida av transaktionen.

Det du får i utbyte är kontroll. Tokeniseraren för 16 språk och kontexten på 131K gör att en domänfinjustering inte behöver slåss med förträningen om utrymme. Fotavtrycket på under 2,5 GB innebär att distributionsmålet är en enhet i stället för ett datacenter, vilket är hela poängen med familjen. Och LFM Open License låter dig behålla resultatet — en specialist som ingen konkurrent kan hyra från samma API som du kan.

Det finns en bit tredjepartsbevis som är värd att känna till innan du satsar på härstamningen, och en lucka. Liquids eftertränade LFM2.5-2.6B har faktiskt en oberoende mätning: Artificial Analysis listar den med ett Intelligence Index på 8, rankad 9:a av 49 modeller i sin klass. Bascheckpointen har det inte – det finns ingen sida för den, vilket är normalt för en förtränad grundmodell och värt att säga rakt ut i stället för att behandla som en dom. Vad den eftertränade modellens index säger dig är vad pipelinen producerar från denna utgångspunkt i den lilla änden av indexbandet, inte vad din finjustering kommer att producera.

API-rutten, och vad "on-device" innebär för en hostad modell

Perceptron Mk1.5:s utplaceringshistoria är mer komplicerad än dess mållista antyder, och det är värt att vara precis. Leverantörens tillkännagivande anger drönare, fyrbenta robotar, smartglasögon och telefoner som utplaceringsmål. Modellen själv serveras från api.perceptron.inc bakom en API-nyckel, och latensbeviset som Perceptron publicerade är ett medianvärde av tre körningar på en enda H100. En enda H100 är inte en drönare. Den realistiska tolkningen är att Mk1.5 är perceptionslagret för en robot som har en nätverkslänk eller en medföljande beräkningsbox, inte en modell som körs inuti flygkroppen — och den som planerar en offline-enhet kring den bör testa det antagandet innan hårdvaran designas.

Vad API-rutten ger, om nätverksantagandet håller, är det som en bascheckpoint inte kan ge dig till något pris: koordinater. Mk1.5:s <track> utdata bär en rumslig observation och dess tidsstämpel, så ett klipp kommer tillbaka som objektpositioner över tid i stället för en beskrivning av en scen. Lägg till asset_idx-fältet, som låter en begäran adressera flera bilder eller videor separat, och begärans form matchar en reglerslinga — referensbild in, geometri ut, inget parsningssteg mellan modellen och koden som flyttar något.

Kostnaderna är de som redan listats: 36 864 token kontext, ett ljudtak på 16 384 token per objekt som Perceptrons dokumentation anger till ungefär 21,8 minuter vid cirka 750 token per minut, ett reasoning_effort-standardvärde på high som debiterar dig för den dyraste resonemangsvägen vid varje anrop du inte konfigurerar, och en uppsättning benchmarkpåståenden som producerats av företaget som säljer modellen. Siffran för handspårning är den att testa mot ditt eget filmmaterial: 0,9433 på egocentrisk hand_box mot 0,4467 för Gemini 3.1 Pro i Perceptrons egen körning är en stor marginal, och stora marginaler i leverantörsutvärderingar är precis de som är värda att reproducera.

Ingen av dem finns i vår katalog, och det förändrar beslutet.

Varken Perceptron Mk1.5 eller LFM2.5-2.6B-Base routas via OrcaRouter idag. Mk1.5 har ingen rutt alls, så att nå den innebär leverantörens eget API — pip install "perceptron>=0.4.0" och PERCEPTRON_API_KEY — och Liquid AI har ingen modell av någon storlek i vår katalog, så bascheckpointen är en nedladdning från Liquids Hugging Face snarare än ett anrop.

Det spelar mindre roll än det låter, eftersom de två inte är utbytbara slutpunkter och inget prisargument kommer att göra dem till det. Vad ett routningslager bidrar med här är den del av beslutet som fortfarande är öppen. Om du bygger en perceptionstjänst på Mk1.5 och en textspecialist på en finjusterad LFM2.5-2.6B-Base, kör du två integrationer och två felmoder; en OpenAI-kompatibel gateway framför dem gör en leverantörsincident på endera sidan till en reservlösning i stället för ett misslyckat jobb, och en routningsregel kan skicka visionstrafiken och texttrafiken till olika modeller utan att applikationen vet vilken som är vilken. Ett API som täcker över 200 modeller med leverantörers listpriser som förs vidare med 0 % påslag är den version av det där en leverantörsprisändring får genomslag samma dag i stället för vid din nästa förnyelse — även om gatewayen för just dessa två, i dag, är en planeringsfråga snarare än en tillgänglig genväg.

Vad du bör göra, och vad du bör mäta

Om din uppgift är "hitta det här objektet i den här bildrutan och returnera var det finns", hyr Mk1.5 och testa hand-box-anspråket på din egen video innan du binder en produktionsväg till den. Budgetera för nätverksantagandet, ställ in reasoning_effort medvetet i stället för att acceptera high, och behandla fönstret på 36 864 token som den hårda begränsning det är. Den strukturerade utdatan är produkten, och om din nedströmskod kan konsumera en koordinat utan ett parsningssteg, är det en verklig besparing på en plats där de flesta vision-pipelines i tysthet tappar noggrannhet.

Om din uppgift är "Jag behöver en 2,6B-modell finjusterad på data som ingen annan har, som körs någonstans utan GPU", ladda ner LFM2.5-2.6B-Base och prissätta finjusteringen ärligt innan du börjar. Checkpointen är gratis, och ingenjörsarbetet är det inte, och familjens egen lärdom — att det eftertränade syskonet får 8 på det oberoende indexet — är en påminnelse om att gapet mellan en basmodell och en färdig modell är där det faktiska arbetet ligger. Ingen av dessa är fel svar. De är olika köp, och det enda verkliga misstaget är att behandla en grundmodell du måste färdigställa som om den redan vore en produkt.

Två modeller, två integrationer och två fellägen är ett sämre läge än det ser ut. På OrcaRouter kan du ställa in automatisk redundansväxling så att en leverantörsincident på endera sidan övergår i en reservlösning i stället för ett misslyckat jobb.