Vyb vs LFM2.5 2.6B Base: Vem som äger utdata är viktigare än vem som vinner

Varken Vyb eller LFM2.5 2.6B Base är en modell som du kan peka på en uppgift och sedan lämna därhän, och sätten de kommer till korta på är nästan varandras motsatser. Vyb, som Coco Labs tillkännagav den 20 oktober 2026, är en färdig designprodukt bakom en väntelista: den förvandlar ett varumärkes tillgångar till lagerindelad, redigerbar marknadsföringsgrafik, och den har inget publikt API och inget publicerat pris. LFM2.5 2.6B Base, som Liquid AI publicerade den 4 augusti 2026, är en förtränad checkpoint med 2,698 miljarder parametrar helt utan instruktionsträning – nedladdningsbar idag under LFM Open License v1.0, användbar i samma stund som du har en träningskörning att rikta mot den, och oanvändbar dessförinnan. Varken en väntelisteprodukt eller en bascheckpoint registrerar hur en designpipeline misslyckas i produktion, och dessa incidenter katalogiseras i OrcaRouter AI Incident Archive där varje post har egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstridd status.

Så jämförelsen som spelar roll handlar inte om kvalitet, och inte om hastighet. Det handlar om ägande: vad du får göra med artefakten, vad du kan göra med dess utdata, och vilken av dessa två begränsningar som faktiskt blockerar ditt projekt.

Två artefakter, med skaparnas egna ord

Vyb beskrivs av Coco Labs som "den första designmodellen som förstår en användares smak." Den bygger designer i lager med hjälp av ett internt strukturerat format som företaget kallar Cocolang, behåller text som text och vektorer som vektorer och exporterar förlustfritt till verktyg som Figma. Den läser in ett varumärkes webbplats och filer så att logotypen, typsnitten och färgerna i resultatet är de som varumärket redan äger. Åtkomst sker via en väntelista med $10 i genereringskrediter. Inget parameterantal, ingen arkitekturavslöjning, ingen prislista, inget API.

LFM2.5 2.6B Base har det fullständigare namnet LFM2.5-2.6B-Base. Dess modellkort listar 2,698 miljarder parametrar totalt fördelade över 30 lager, varav 22 är dubbelgrindade kortkonvolutionsblock och åtta är grouped-query attention, en kontext på 131 072 token, en vokabulär på 128 000 token, träning på 34 biljoner token och täckning av 16 språk. Den hanterar endast text. Det är en av ett par – Liquid AI släpper också LFM2.5-2.6B, eftertränad för agentiskt arbete – och kortets egen beskrivning av bascheckpointen är att det är modellen som alla varianter i familjen härstammar från. Det finns redan sexton finjusterade derivat under den på Hugging Face.

Läs de två styckena tillsammans så träder formen fram. Liquid AI publicerade en komponent och berättade exakt vad den är gjord av. Coco Labs publicerade en produkt och berättade nästan ingenting om vad som finns inuti den. Båda är legitima sätt att leverera en modell; de lägger arbetet på olika ställen.

Vad licensen tillåter

Detta är den del av jämförelsen som har den mest omedelbara praktiska konsekvensen, och den delar sig i två riktningar.

• Vidaredistribution – LFM2.5 2.6B Base levereras under LFM Open License v1.0, en anpassad licens märkt license:other på Hub. Den är skriven för öppen användning och tillåter kommersiell användning under villkor, men det är ett dokument som någon har skrivit med avsikt och som måste läsas innan du vidaredistribuerar ett derivat. Vyb publicerar inga villkor alls, eftersom det inte finns något att vidaredistribuera: du får designer, inte vikter.

• Äganderätt till utdata – det här är punkten du bör kontrollera innan du förbinder dig. En design som produceras av Vyb är en design som produceras på någon annans infrastruktur enligt ett avtal som du ännu inte har fått se, eftersom väntelistan inte är ett kontrakt. Text som produceras av en finjusterad LFM2.5 2.6B Base produceras på din hårdvara från vikter som du äger. För ett varumärke vars kampanjmaterial är produkten är den skillnaden inte akademisk.

• Modifiering – varje vikt i LFM-checkpointen får du fortsätta förträna, finjustera, kvantisera eller destillera. Vyb kan inte modifieras alls. Du kan redigera dess utdata, vilket är hela poängen, men du kan inte ändra modellen som producerade dem.

• Maskinvara — LFM2.5 2.6B Base är dense och tillräckligt litet för att Liquid AI ska positionera familjen för telefoner och bärbara datorer; en checkpoint på 2,69B ryms på en enda konsument-GPU eller en edge-enhet vid fyra bitar. Vyb kräver ingen maskinvara, vilket antingen är den bästa eller sämsta egenskapen på den här listan beroende på om din begränsning är kapital eller kontroll.

Vad du faktiskt skulle träna LFM2.5 2.6B Base att göra

Den uppenbara användningen är också den som kompletterar en designpipeline i stället för att konkurrera med den. Vyb placerar text; något måste skriva texten, i en röst som varumärket känner igen, i en volym som en marknadsföringskalender kräver. Det är ett finjusteringsjobb med ett litet, väldefinierat dataset: tolv månader av godkända rubriker, en stilguide och avslagen. En bascheckpunkt på 2.69B är rätt storlek för det — tillräckligt stor för att rymma en röst, tillräckligt liten för att träna på en GPU på en eftermiddag och tillräckligt liten för att köras för mindre än kostnaden för en kaffe per tusen genereringar.

Kontexten på 131 072 token är generös för den uppgiften. En varumärkesbok plus hundra godkända exempel ryms bekvämt, vilket innebär att finjusteringen kan betingas på guiden i stället för att hoppas att den har absorberats.

Det som LFM2.5 2.6B Base inte gör är att besvara en fråga utan träning. Den fortsätter på texten. Den följer inte ett format, anropar inte ett verktyg och stannar inte när du vill att den ska göra det, eftersom inget av det har tränats in i den. Varje artikel om bascheckpoints säger detta, och varje team försöker ändå, så: om du vill ha en modell som skriver en rubrik idag, finjustera först eller använd en eftertränad syskonmodell. Bascheckpointen är en startposition, inte en tjänst.

Kostnaden för varje sökväg, uträknad

Vybs kostnad är för närvarande en enda siffra: 10 dollar i krediter, gratis, när du väl har kommit av väntelistan. Allt efter det är okänt, och det okända är inte litet – ett marknadsteam som tar fram fyrtio material i månaden behöver en kostnad per material för att avgöra om verktyget ersätter en designers eftermiddag eller en designer.

LFM2.5 2.6B Base:s kostnad går att beräkna på öret och är nästan helt fast. Vikterna är gratis. Träningskörningen är dina GPU-timmar. Serveringen är din inferens, och vid 2,69B dense är matematiken oglamorös: ett enda mellanklasskort hanterar en copy-generation-arbetsbelastning utan problem, och marginalkostnaden för den tusende rubriken är i praktiken elen. Det du i stället lägger pengar på är ingenjörstid – datapipelinen, utvärderingssetet, skyddsräckena – och det är den posten folk glömmer när de jämför "gratis vikter" med "billigt API".

Det finns en tredje väg som de flesta team landar i, och den är värd att namnge. Använd en hostad modell för copy medan varumärkesrösten fortfarande definieras, och finjustera LFM2.5 2.6B Base när du har tillräckligt många godkända exempel för att göra träningen värd uppsättningen. Det är en routingfråga snarare än en modellfråga: en nyckel över 200+ hostade modeller, med leverantörernas listpriser vidarebefordrade med 0 % påslag, tar dig från prototyp till produktion utan ett andra avtal, och den lokala checkpointen tar över när ekonomin tippar.

Den ärliga tolkningen av Vybs siffror

Eftersom den här sidan placerar ett fyra dagar gammalt leverantörsbenchmark bredvid en två månader gammal öppen checkpoint, bör källhänvisningen redovisas tydligt i stället för att begravas.

Coco Labs publicerade VybBench som omfattar 145 Google-typsnitt, 100 färger och 200 redigeringar, och rapporterar en typsnittstrohet på 90,3 % mot 76,0 % för ChatGPT Image, ett färgfel på 0,00 mot 3,94 och en genomsnittlig pixeländring vid redigeringar på 11,9 % mot 95,5 %. Företaget skrev benchmarken och dess modell vann den. Det avslöjar också att Vyb fick skiktade SVG-indata för redigeringstestet medan jämförelsemodellerna fick tillplattade PNG-filer, eftersom de inte kan ta emot lager. Inget av detta gör resultatet fel — lagerformatet är produkten — men det innebär att siffrorna mäter ett annat indatakontrakt, inte två modeller som fått identiskt arbete. Ingen oberoende part har reproducerat något av det.

LFM2.5 2.6B Base är däremot en checkpoint som du kan ladda ner och utvärdera själv redan i eftermiddag. Det är inte ett påstående om kvalitet; det är ett påstående om verifierbarhet, och på den här axeln är de två inte i samma liga.

Vilken blockerar dig

Om ditt problem är att godkända designer inte kan redigeras utan att de genereras om, är Vyb det enda av dessa två som har ett svar, och väntelistan innebär en vecka av din tid i stället för ett kvartals budget. Om ditt problem är att varje tillgång behöver en rubrik i din röst i en omfattning som ingen människa vill skriva, är LFM2.5 2.6B Base plus en finjusteringskörning svaret, och det är tillgängligt nu.

Om ditt problem är båda två är de inte rivaler – de är två steg i samma pipeline, en hyrd och en ägd. Det beslut som faktiskt behöver fattas är inte vilken modell man ska välja. Det är huruvida ett varumärkes kampanjmaterial ska produceras av en modell som varumärket äger eller en modell som det har ett väntelistekonto hos, och att den frågan fortfarande är öppen i oktober 2026 är det mest användbara den här jämförelsen kan berätta för dig.