ZwZ2-9B vs LFM2.5 2.6B Base: Ett kategorimisstag värt att förstå

Att ställa ZwZ2-9B bredvid LFM2.5 2.6B Base ser ut som en storleksjämförelse, och det är det inte. ZwZ2-9B är en checkpoint för vision och språk med 9,41 miljarder parametrar som inclusionAI lade upp den 16 oktober 2026 utan modellkort; LFM2.5 2.6B Base är en endast textbaserad förtränad modell med 2,697 miljarder parametrar som Liquid AI publicerade den 1 augusti 2026, med ett kort som med egna ord säger att det är den checkpoint som "används för att skapa alla LFM2.5-2.6B-varianter". Den ena är något man tar till sig. Den andra är något man bygger vidare på. Att välja mellan dem är inte som att välja mellan två bilar – det är som att välja mellan en bil och ett motorblock, och den enda användbara frågan är vilken av dem du faktiskt behövde.

Så den här artikeln gör två saker. Den ger dig de verkliga siffrorna för båda, eftersom du kom hit för att leta efter en jämförelse och siffrorna är värda att ha. Och sedan förklarar den skillnaden som jämförelsen döljer, för att få det fel är hur team hamnar tre veckor in i en finjustering de inte behövde, eller kör en 9,4B servermodell för ett jobb som en 3B laptopmodell hade klarat.

Vad var och en av dessa artefakter faktiskt är

LFM2.5 2.6B Base är medvetet ofullständig. Den är den förtränade checkpointen i roten av Liquid AI:s LFM2.5-2.6B-familj – 30 lager som växlar mellan dubbelgate:ade kortkonvolutionsblock och grupperad query-attention, 34 biljoner tokens för förträning, ett ordförråd på 128 000 tokens och ett tak på 128 000 positioner. Den är endast för text. Den är utformad för driftsättning på enheten, vilket är frasen Liquid AI använder i modellkortet, och hela poängen med suffixet "Base" är att den eftertränade samtalsvarianten och den agentiska varianten är separata nedladdningar som är härledda från den. Avsikten är att du ska finjustera den eller destillera in i den. Direkt ur lådan är den inte en assistent.

ZwZ2-9B är den motsatta typen av objekt. Det är en färdigformad checkpoint som inte har beskrivits. Dess konfiguration innehåller ett 27-lagers visionstorn, token-id:n för bild och video, en videoprocessor begränsad till 768 bildrutor, en chattmall med en inbakad standardsystemprompt, och 24 av dess 32 lager som kör linjär attention i stället för en växande nyckel-värde-cache. Det är ett driftsättningsmål, inte ett träningssubstrat. Det som saknas är allt en köpare skulle fråga efter: inget licensfält, inga utvärderingsresultat, ingen uppgift om vad den tränats på, och ingen post i någon av inclusionAI:s tio offentliga samlingar.

• Parametrar — ZwZ2-9B: 9 409 813 744. LFM2.5 2.6B Base: 2,697 miljarder.

• Syfte — en för driftsättning utformad multimodal checkpoint kontra en förtränad bas för finjustering.

• Modaliteter i — text, bild och video kontra endast text.

• Kontexttak — 262 144 positioner mot 128 000 (Liquid AI:s kort avrundar detta till 131 072).

• Ordförråd – 248 320 mot 128 000.

• Attention-design — 24 linjära lager plus 8 lager med full attention mot 22 faltningslager plus 8 attention-lager.

• Licens — ingen angiven jämfört med LFM Open License v1.0, som är en anpassad licens snarare än Apache-2.0.

• Dokumentation — ingen kontra ett modellkort, en teknisk rapport och en angiven träningsbudget.

Två rader där är mer intressanta än de ser ut. Båda modellerna landar på exakt 8 attention-lager, och båda fyller resten med något billigare — ZwZ2-9B med återkommande linjär attention, LFM2.5 2.6B Base med korta faltningar. Den konvergensen är inte en tillfällighet; det är vad ”effektiv arkitektur” har betytt de senaste två åren, och den har nåtts från motsatta håll och i motsatta skalor. Och kontexttaken är ingen tävling: 262 144 mot 128 000 säger nästan ingenting, eftersom 2,7B-modellen byggdes för att köras på en bärbar dator, där en cache på en kvarts miljon tokens inte är en realistisk arbetsmängd.

Ordet "Base" är hela beslutet

Om du ska ta med dig en enda sak från den här kombinationen, ta detta. En bascheckpoint har ingen instruktionsföljning, ingen chattformatering värd att lita på och ingen säkerhetsfinjustering — och det är en fördel om du bygger en domänmodell, för det innebär att du inte behöver kämpa mot någon annans alignment när du tränar din. Det är en brist om du ville ha en assistent, för du kommer att lägga dina första två veckor på att återupptäcka att förtränade modeller kompletterar text i stället för att svara på frågor.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Driftsättningsmatematiken, det är där den verkliga skillnaden ligger.

En textmodell på 2,697B och en visionsmodell på 9,41B är inte alternativ på samma hårdvara. LFM2.5-basen är byggd för telefoner, bärbara datorer och enkortsdatorer; Liquid AI:s inramning är inferens på enheten, och en 2,7B-checkpoint kvantiserad till fyra bitar är några gigabyte. ZwZ2-9B behåller ett 27-lagers visionstorn jämsides med 32 språklager och ungefär 2 GB inbäddningsmatris i vardera riktningen — enbart ordförrådet är en tabell på 248 320 × 4 096 — så den hör hemma på en server, eller åtminstone på en stationär dator med en riktig accelerator.

Det är därför den ärliga arkitekturen för de flesta team inte är "välj en". Den är två nivåer. Placera den lilla dokumenterade modellen där latens och integritet spelar roll och uppgiften är snäv, och skicka de svåra fallen till en hostad modell där den rörliga kostnaden bara uppstår när det svåra fallet gör det. Att få den uppdelningen rätt är mer värdefullt än något enskilt modellval på den här sidan, och det är också det som är svårast att ändra senare, eftersom det är det som rör din kod.

Att göra det bakom ett enda gränssnitt är själva poängen med en router. OrcaRouter exponerar över 200 modeller från en enda OpenAI-kompatibel endpoint och en enda API-nyckel, med automatisk failover, så den billiga nivån och den dyra nivån skiljer sig åt med en modellsträng i stället för två integrationer — och leverantörernas listpriser förs vidare utan påslag, så att köra den dyra nivån kostar lika mycket som den skulle göra någon annanstans. Vi hostar inte LFM2.5 2.6B Base och vi hostar inte ZwZ2-9B, så ingendera av dessa är ett anrop vi kan göra åt dig — Liquid AI distribuerar sina egna vikter via leverantörens egna kanaler, och inclusionAI har inte publicerat någon endpoint alls. Det vi kan lägga på den hostade sidan av den uppdelningen i dag är qwen/qwen3-vl-8b-instruct, en 8B vision-språkmodell med en kontext på 131K tokens till $0.18 per miljon indatatokens och $0.70 per miljon utdatatokens, vilket är den närmaste dokumenterade ersättaren för den lilla multimodala nivån.

Licensiering är där dessa två skiljer sig mest markant.

Ingen av licenserna är Apache-2.0, och skälen skiljer sig åt på ett sätt som spelar roll. LFM2.5 2.6B Base distribueras under LFM Open License v1.0, som är en anpassad licens – den är publicerad, den är läsbar och det är samma licens som resten av familjen använder, vilket innebär att en juridisk granskning som du gör en gång täcker varje LFM2.5-modell du kommer i kontakt med. ZwZ2-9B deklarerar ingenting. En saknad licens är inte en permissiv licens; utan ett uttryckligt beviljande är den konservativa tolkningen att inga rättigheter har beviljats, och det är en väsentligt sämre position än en anpassad licens som du kan läsa och utvärdera.

För en bas-checkpoint som du tänker finjustera och eventuellt distribuera vidare är detta inte en fotnot. Villkor för derivatverk är precis den klausul som anpassade licenser tenderar att ha åsikter om, och avsaknaden av en enda klausul löser inte saken till din fördel.

Hur man väljer, uttryckt enkelt

Välj LFM2.5 2.6B Base om du har en smal textuppgift, en målenhet och aptiten att köra din egen träning – och acceptera att det är du som står för instruktionsföljningen. Dess dokumenterade träningsbudget och angivna licens gör att du vet vad du utgår ifrån.

Välj ZwZ2-9B om du behöver bilder eller video i indata, har GPU:erna som krävs för att servera en 9,4B-modell och är beredd att bli den första organisationen i världen att utvärdera den. Den sista satsen är inte retorisk. Innan du binder dig är frågorna du måste besvara huruvida den accepterar dina bildformat, huruvida den returnerar den utdataform du behöver med tänkandet avstängt, och vilken licens du faktiskt skulle verka under. Två av dessa tre har svar i repot. Den tredje har det inte.

Benchmarks åldras och priser förändras; felhistoriken gör det inte: de dokumenterade AI-incidenterna och agentfelen bakom modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omtvistad status.