Solar Mini 4 vs LFM2.5 2.6B Base: Tre gånger indexet, och en kostnadsjämförelse som inte finns

Det ärliga sättet att jämföra Solar Mini 4 och LFM2.5 2.6B Base är att redan från början erkänna att de inte tillhör samma marknad. Solar Mini 4 är Upstages sparse mixture-of-experts-modell med 35 miljarder parametrar, släppt den 22 september 2026, som aktiverar omkring 3 miljarder parametrar per token, är proprietär och debiteras med 0,10 dollar per miljon indata-tokens och 0,40 dollar per miljon utdata-tokens. LFM2.5 2.6B Base är Liquid AIs förtränade checkpoint med 2,69 miljarder parametrar, publicerad på Hugging Face i början av augusti 2026 under LFM Open License v1.0, tillräckligt liten för att rymmas i minnet på en telefon. Den ena är en endpoint. Den andra är en viktfil, och om du läser det här för att du vill köra en modell snarare än anropa en, är jämförelsen redan avgjord.

Det som ändå gör kombinationen värd en artikel är den enda dimension där de verkligen överlappar: båda har ställts mot samma oberoende måttstock, och formen på den jämförelsen är inte vad parameterantalen förutspår. Artificial Analysis ger Solar Mini 4 24 poäng på Intelligence Index v4.3.2 och betygsätter LFM2.5 2.6B-generationen till 8,4 – men den andra siffran är en uppskattning, och den mäter inte checkpointen i den här artikelns titel. Båda förbehållen spelar roll, och de är det första man behöver reda ut.

Specifikationsbladet, sida vid sida

• Parametrar — Solar Mini 4 har 35B totalt med 3B aktiva; LFM2.5 2.6B Base är dense med 2,69B, utan något som hålls tillbaka. Tretton gånger så många vikter på Upstage-sidan för ungefär samma beräkningsbudget per token.

• Arkitektur — Solar Mini 4 är en gles mixture-of-experts. LFM2.5 2.6B Base har 30 lager, varav 22 är dubbelgrindade kortkonvolutionsblock och 8 är grouped-query attention, den hybriddesign som Liquid byggde för CPU- och kantinferens.

• Träning — Upstage publicerar ingen tokenbudget. Liquids kort dokumenterar 34 biljoner tokens och ett ordförråd på 128 000 tokens fördelat på 16 språk, däribland koreanska och japanska.

• Licens — Solar Mini 4 är proprietär. LFM2.5 2.6B Base släpps under LFM Open License v1.0 — tillåtande för kommersiell användning med villkor, och finjusterbar.

• Kontext — Upstage dokumenterar 512K tokens, Artificial Analysis listar 1,05M för samma modell, så betrakta taket som oklart. LFM2.5 2.6B Base kör 131 072.

• Modalitet – båda är text in, text ut. Ingen av dem tar emot bilder eller ljud.

• Pris — Solar Mini 4 för $0.10 / $0.01 cachat / $0.40 per miljon tokens, för närvarande 50 % rabatt till och med den 22 oktober 2026. LFM2.5 2.6B Base har ingen prislista alls; värden Artificial Analysis spårar priser för LFM2.5 2.6B-generationen till $0.00.

Vad "8.4, uppskattat" mäter och inte mäter

Artificial Analysiss post för LFM2.5 2.6B-generationen – den eftertränade modellen, inte den förtränade Base – har ett index på 8,4 flaggat som en uppskattning, och de flesta av dess delutvärderingar är markerade på samma sätt. Det är en position på en resultattavla, inte en specifikation att bygga mot, och den bör aldrig citeras som om någon hade kört Base-checkpointen genom sviten. Det har ingen gjort. Liquids eget modellkort publicerar ingen benchmark-tabell alls för LFM2.5 2.6B Base: det är en förtränad checkpoint för textkomplettering, och kortet säger tydligt att den endast rekommenderas för omfattande finjustering.

Det poängsatta syskonet är en annan artefakt. Liquids benchmarktabell för eftertränade LFM2.5 2.6B visar IFStruct på 85,5 och Multi-IF på 80,1, AIME25 på 51,9, LiveCodeBench v6 på 59,4, BFCLv4 på 56,9 och τ³-Banking på 5,7 – alla körda av leverantören, alla på den instruktionstränade versionen, och τ³-siffran är den som låter som en varning.

Solar Mini 4:s profil har en helt annan form. Den får 83,3 % på AA-LCR v1.1 för resonemang i lång kontext, 47,6 % på SciCode och −10,8 på AA-Omniscience med 18,4 % noggrannhet och en icke-hallucinationsfrekvens på 64,2 %. Den får också 1 % på Terminal-Bench 4.0 och 22,3 % på AutomationBench-AA. Båda familjerna är svaga på agentiskt arbete; Upstages modell är svag på agentiskt arbete samtidigt som den är dyr, vilket är en sämre position än att vara svag på agentiskt arbete samtidigt som den är gratis.

Det som gör att Solar Mini 4 är värt sitt pris är skalningen av resonemang. Vid 88 300 utdata-tokens per indexuppgift – varav 71 600 är resonemang – spenderar den beräkningskraft på ett sätt som en tät modell med 2,6B parametrar inte kan efterlikna genom att få en längre prompt. En modell med 2,69B parametrar kan instrueras att tänka steg för steg; den kan inte instrueras att ha 35B parametrar. Det är den faktiska produkten.

Tre gånger indexet, och ingen jämförbar kostnadssiffra

Artificial Analysis anger Solar Mini 4 till 0,36 $ per slutförd indexuppgift, jämfört med 0,006 $ för Granite 4.2 3B, och LFM2.5 2.6B-generationen är prissatt till noll, så det finns ingen siffra för kostnad per uppgift som skulle göra detta till ett rättvist förhållande. Formuleringen ”Solar Mini 4 kostar enormt mycket mer än LFM2.5 2.6B Base” är därför sann och en aning vid sidan av saken. Den relevanta frågan är huruvida arbetet med koreanskspråkiga långdokument och strukturerad extraktion, som Solar Mini 4 är byggd för, alls kan utföras av en förtränad checkpoint på 2,69B. Vanligtvis kan det inte det, och då blir jämförelsen Solar Mini 4 mot en generalistmodell i framkanten snarare än Solar Mini 4 mot en telefonmodell.

Det fall där LFM2.5 2.6B Base vinner är inte det fall där den är billigare. Det är fallet där uppgiften är tillräckligt snäv för att finjustering ska stänga gapet. Strukturerad fältextraktion från ett känt dokumentformat, klassificering mot en fast taxonomi, en assistent på enheten som måste fungera utan nätverk – det är uppgifter där en 2,69B-checkpoint plus din egen träningsdata slår en 35B-generalist plus en prislista, och kostar en GPU-instans i stället för en tokenmätare. Liquid levererar bascheckpointen med recept för fortsatt förträning, LoRA SFT, DPO och GRPO via Unsloth och TRL, just för den processen.

Vilken ska man ringa?

Välj Solar Mini 4 när indata är lång, utdata måste resoneras över och språkblandningen innehåller koreanska eller japanska — och när sju minuters avkodning per svår uppgift är tolererbart. Välj LFM2.5 2.6B Base när vikterna behöver vara dina egna, enheten saknar nätverk och uppgiften är tillräckligt avgränsad för att finjustera. De intressanta driftsättningarna använder båda, eftersom de inte är alternativ: en liten lokal modell sköter routning, redigering och extrahering, och en hostad modell anropas endast för den bråkdel av förfrågningar som faktiskt behövde 35B parametrar.

Liquids modell finns inte på OrcaRouter, och inte Upstages heller, så ingen av dessa vägar är något vi kan sälja till dig. Det vi kan göra är den del som förvandlar den här jämförelsen från ett beslut till en konfiguration: mer än 200 modeller bakom en enda nyckel till 0 % påslag över leverantörens listpris, med automatisk redundansväxling mellan leverantörer och ett routing-DSL som låter dig kombinera flera modeller till ett enda anrop. När det rätta svaret är ”den billiga för det mesta och den bra när det verkligen gäller” är det ett routingproblem, och det är anledningen till att routing-DSL:en finns.

Siffran som ingen av leverantörerna vill sätta på en bild

Latens. Solar Mini 4 förbrukar 88 300 utdatatokens per Intelligence Index-uppgift vid en uppmätt hastighet på 204 token per sekund, så den tog i genomsnitt 430 sekunder – drygt sju minuter – per svår uppgift. LFM2.5 2.6B-generationen, på den värd som Artificial Analysis testade, körde med 45,7 token per sekund och 2,8 sekunders väntan på första chunket, men det är en datacenter-värd som pratar med en modell som vanligtvis skulle köra på ditt skrivbord. I Liquids egna mätningar hamnar samma arkitektur på 220 token per sekund på en M5 Max, 113 på en Ryzen AI Max+ 395 och cirka 30 token per sekund på en telefon – vilket är en användbar agentloop på en enhet utan nätverk.

Om din arbetsbelastning är interaktiv är jämförelsen inte ens nära och inget benchmark-resultat kommer att ändra på det. Om din arbetsbelastning är batch och det som väntar är ett cron-jobb är sju minuter helt okej och resonemangsdjupet är värt det.

Två källnoteringar att avsluta. Varje siffra från Artificial Analysis här är den organisationens oberoende mätning på en gemensam svit; indexet LFM2.5 2.6B är uttryckligen en uppskattning och täcker den eftertränade modellen snarare än den förtränade Base-checkpointen som nämns ovan. Varje siffra från Liquid AI är leverantörens egen körning på leverantörens egna benchmarks, oreproducerad — och Base-checkpointen själv har inga publicerade resultat alls, vilket är ett faktum om förtränade modeller snarare än en kritik av den här.