SubQ Snap 1.1 vs LFM2.5 2.6B Base: Köp beslutet eller bygg det från en checkpoint

Det viktigaste ordet i en jämförelse mellan SubQ Snap 1.1 och LFM2.5 2.6B Base är det sista. Base betyder förtränad. Det betyder att Liquid AI publicerade checkpointen efter ungefär 34 biljoner token i träning och innan någon övervakad finjustering, destillering eller förstärkningsinlärning som gör en språkmodell till något som följer en instruktion. Den svarar inte på en fråga. Den väljer inte en etikett. Be den dirigera ett supportärende och den fortsätter din prompt i stil med texten den tränades på, vilket inte är en bugg – det är vad en bascheckpoint är till för.

SubQ Snap 1.1 är däremot en färdig produkt: Subquadratics beslutsmodell, lanserad den 22 oktober 2026, som tar emot upp till 384K token text och bilder plus en fast svarsuppsättning och returnerar ett kalibrerat val. Att ställa dem mot varandra som om de vore alternativ är en kategorimiss, och det är en användbar sådan, eftersom missen är exakt det beslut ett team står inför när det vill ha klassificering som körs på hårdvara de själva kontrollerar. Frågan är inte "vilken modell är bättre". Den är "köper du beslutet, eller bygger du det från en utgångspunkt?"

Vad Liquid AI faktiskt släppte

LFM2.5-2.6B Base anlände den 4 augusti 2026 tillsammans med sitt eftertränade syskon, LFM2.5-2.6B, som en del av en familj som sträcker sig från 230 miljoner parametrar upp till ett 24B mixture-of-experts. Arkitekturen är Liquids LFM2-design: trettio lager, varav tjugotvå dubbelgatede kortkonvolutionsblock och åtta grouped-query-attentionslager, ett ordförråd på 128 000 tokens och ett 128K-kontextfönster som lades till i en förlängningsfas under mellanträningen. Med 2,69 miljarder parametrar får det plats i cirka 2,5 gigabyte, körs i ungefär 220 tokens per sekund på en Apple M5 Max, runt 113 på en Ryzen AI Max+ och omkring 30 på en telefon.

Instruct-syskonmodellen är där de intressanta siffrorna finns, och de är värda att läsas som ett mått på hur mycket efterträning är värd. Liquid rapporterar AIME25 på 51,87, LiveCodeBench v6 på 59,41, IFBench på 59,17, Multi-IF på 80,07, BFCLv4 på 56,88 och ToolSandbox på 77,83 – alla rapporterade av leverantören, alla på den eftertränade modellen. Bascheckpointen har inga jämförbara poäng för instruktionsföljsamhet eftersom den inte kan följa instruktioner. Det gapet, mellan en checkpoint och en modell som du kan ställa en fråga till, utgörs av fyra efterträningssteg: två omgångar övervakad finjustering, lärarspecialisering per domän, multi-domän on-policy-distillation och agentisk förstärkningsinlärning i riktiga harness.

Liquid säger också rakt ut vad modellen inte är avsedd för: agentisk kodning och kunskapstungt arbete. Det är ett ärligare positioneringsuttalande än vad de flesta labb publicerar, och det är värt att ta för vad det är.

Specifikationerna, sida vid sida

• Vad det är — LFM2.5 2.6B Base är en förtränad checkpoint utan instruktionstuning; SubQ Snap 1.1 är en hostad beslutsmodell med ett API för fasta svar.

• Kontext – 128K tokens för LFM2.5 2.6B Base; 384K tokens för Snap 1.1.

• Indata — endast text för LFM2.5 2.6B Base; text och bilder för Snap 1.1.

• Utdata – fri token-generering, eller vilket huvud du än tränar ovanpå, för LFM2.5 2.6B Base; ett val eller en poäng med en sannolikhet för Snap 1.1.

Pris — endast självhostad, ingen kostnad per token, för LFM2.5 2.6B Base; 0,04 USD per 1 miljon indatatoken, utdata gratis, för Snap 1.1.

• Licens — LFM Open License v1.0, kommersiell användning tillåten med ett omsättningströskelvärde, för Liquid-modellen; inga vikter alls för Snap.

• Fotavtryck – cirka 2,5 GB och körbart på en telefon för LFM2.5 2.6B Base; ett nätverksanrop för Snap 1.1.

Klyftan mellan en checkpoint och en klassificerare

För att förvandla LFM2.5 2.6B Base till något som gör samma sak som Snap 1.1 behöver du fem saker, och bara en av dem är modellen.

Du behöver märkta data – några tusen exempel per klass är en rimlig startpunkt för en smal routningsuppgift, och betydligt fler om klasserna är obalanserade eller gränsen är subtil. Du behöver en träningskörning: ett klassificeringshuvud eller en LoRA-adapter ovanpå en bascheckpoint som aldrig har sett en instruktion, vilket innebär att finjusteringen gör både uppgiftsanpassningen och arbetet med att följa instruktioner samtidigt. Du behöver kalibrering, eftersom en softmax-poäng inte är en kalibrerad sannolikhet och ett routningströskelvärde satt på en okalibrerad poäng är ett tröskelvärde satt genom gissningar. Du behöver ett utvärderingsramverk som du underhåller, eftersom modellen kommer att förskjutas i takt med att din trafik förändras. Och du behöver serveringsinfrastruktur – llama.cpp, MLX, vLLM eller ONNX, vilka alla stöder arkitekturen.

Inget av det är exotiskt. Allt är veckor av arbete av någon som vet vad den gör, och det återkommer varje gång uppgiften ändras. Den ärliga jämförelsen är inte $0.04 per miljon tokens mot gratis. Det är $0.04 per miljon tokens mot fyra till åtta veckors ingenjörsarbete, plus den löpande kostnaden för att äga en modell.

Licensen är inte Apache

Liquid levererar LFM2.5 under LFM Open License v1.0. Kommersiell användning är tillåten, men organisationer med över 10 miljoner dollar i årlig omsättning behöver en separat kommersiell licens. Det är ett väsentligt annat erbjudande än Granites Apache 2.0 eller Gemmas Apache 2.0, och det är den typ av klausul som upptäcks sent, av juridikavdelningen, efter att prototypen fungerar. Om du är en startup under tröskeln kostar det dig inget i dag och kan kosta dig något senare. Om du ligger över den bör du prissätta licensen innan du prissätter GPU:n.

Där bascheckpointen vinner klart

Luftgapad driftsättning är det starkaste fallet, och det är inte ens nära. En modell på 2,5 gigabyte som körs på en telefon, en laptop eller i en container utan nätverksväg är det enda alternativet för en fältapplikation, en klassificerad miljö eller en enhet som levereras till kunder. Snap 1.1 kan inte användas i något av dessa sammanhang. Det är ett API, och det finns ingen version av det som körs lokalt.

Volymekonomi är det andra fallet, men den kräver verklig volym för att spela roll. Vid två miljoner beslut i månaden med 20 000 tokens kontext vardera – 40 miljarder indatatokens – kostar Snap 1.1 1 600 dollar i månaden, eller lite under 20 000 dollar om året. En enda finjusterad 2,6B-modell som hanterar den trafiken på hårdvara du redan äger har ingen marginalkostnad. Brytpunkten ligger någonstans kring den punkt där den årliga API-fakturan överstiger ingenjörskostnaden för finjusteringen plus hårdvaran, vilket för de flesta team ligger ett eller två år bort, inte en månad.

Full kontroll är det tredje. En modell som du har tränat på dina egna etiketter gör det du tränade den att göra, och inget annat. Snap 1.1 är en allmän beslutsmodell med en noggrannhet på 20 % på Artificial Analysis Decision Index v1.0 – dess indexpoäng på 65 kommer främst från att avstå från att svara på det den inte kan, med en rapporterad andel icke-hallucinationer på 86 %. En finjusterad 2,6B-modell för din domän kommer ofta att slå den noggrannheten på din uppgift, och kommer aldrig att avstå om du inte tränar den till det.

Där Snap 1.1 vinner helt klart

Tiden till första beslut mäts i minuter, inte i sprintar. Det finns ingen träningsdata att samla in, ingen head att anpassa, ingen kalibreringskurva att rita. Du skickar ett dokument och en lista med alternativ och får en sannolikhet tillbaka, och sannolikheten är produkten.

Lång kontext är den andra skillnaden, och den är arkitektonisk snarare än tillfällig. Snap hanterar 384K token i en enda framåtpassning med konstant beräkningsmängd per token. LFM2.5 2.6B Base har ett fönster på 128K och, som en modell med 2,6 miljarder parametrar, kommer dess effektiva hämtningsintervall att vara betydligt kortare än det nominella — Liquids egen syskonmodell rapporterar ett AA-Omniscience-poäng på −29,50, vilket är ett mått på hur mycket en liten modell vet, inte på hur väl den läser, men det sätter förväntningarna.

Det tredje är att utdata från Snap redan är det du behöver. Ingen parser, inget schema, ingen återförsökslogik för felaktiga svar.

Vilken då?

Köp Snap 1.1 om beslutet är ett routing- eller klassificeringsbeslut över långa dokument, om data kan lämna ditt nätverk och om du vill ha kapaciteten det här kvartalet. Gör-det-själv-vägen är verklig, men den är inte billigare det första året för de flesta team, och bascheckpointen är den svåraste möjliga startpunkten för den — du skulle normalt börja från den eftertränade LFM2.5-2.6B och finjustera därifrån, inte från Base.

Ta Base-checkpointen om du behöver att modellen finns någonstans dit nätverket inte når, eller om du avser att äga vikterna permanent och har den ingenjörsmässiga kapaciteten att göra det värt det. I så fall bör du avsätta budget för både licensfrågan och träningskörningen.

Ingen av dem finns i OrcaRouters katalog, och ingen av dem kommer att hamna där heller: LFM2.5 2.6B Base är en lokal checkpoint, och Snap 1.1 tillhandahålls endast via Subquadratics API på console.subq.ai. Det som OrcaRouter gör i en pipeline uppbyggd kring någon av dem är det skikt som förvandlar ett beslut till en handling — 200+ genereringsmodeller bakom en enda nyckel, leverantörens listpris vidarebefordrat med 0 % påslag, och automatisk failover så att ett routingsanrop som landar på en modell som tillfälligt är otillgänglig inte blir en tappad förfrågan. Beslutsfattandeskiktet och skrivskiktet har olika felsätt; det är värt att inte sätta dem på samma beroende.

Det som är värt att hålla ögonen på är inte någon av modellernas benchmarkrad. Det är huruvida en checkpoint med 2,6 miljarder parametrar som finjusterats på några tusen domänexempel kan matcha en specialbyggd beslutsmodell på den enda uppgift som ett team faktiskt har. För smal, väl annoterad klassificering har svaret historiskt sett varit ja, och det är anledningen till att frågan om att köpa eller bygga här verkligen är öppen och inte retorisk.