Tiny modeller cephesinde iki güçlü aday karşı karşıya: Liquid AI LFM2.5-8B-A1B ve Ling 3.0 Tiny. İkisi de 8B civarı toplam parametre, 1.3-1.5B aktif MoE, text-only, thinking mode desteği. Aynı ekonomik ligde.
Ama benchmark tablosu iki farklı hikaye anlatıyor: Ling 3.0 Tiny yetenek cephesinde net üstün, LFM2.5 hız cephesinde ciddi lider. “En iyi tiny model” sorusunun cevabı use case’e bağlı olarak değişiyor.
Bu yazıda iki modeli spec’ten benchmark’a, hızdan lisansa detaylı karşılaştıralım. Sonuçta net bir tavsiye çıkacak — ama net bir kazanan değil.
Spec karşılaştırma
| Liquid LFM2.5-8B-A1B | Ling 3.0 Tiny | |
|---|---|---|
| Toplam parametre | 8.3B | 7.9B |
| Aktif parametre | 1.5B | 1.3B |
| Context | 128K | 262K |
| Mimari | Conv + GQA hybrid MoE | KDA + MLA hybrid MoE |
| Uzman sayısı | 32 | 128 routed + 1 shared |
| Katman yapısı | 18 gated-conv + 6 GQA | 3:1 KDA/MLA layout |
| Aktif uzman/token | Bilinmiyor | 8 + 1 shared |
| Lisans | LFM Open License v1.0 | MIT |
| Thinking mode | Var | Var (switchable) |
| Modalite | Text only | Text only |
İki modelin mimari felsefesi belirgin farklı:
LFM2.5: Conv (gated-convolution) + GQA (grouped-query attention) hybrid. Liquid AI’ın signature yaklaşımı — klasik transformer’dan uzaklaşıp evrişimli katmanlarla verimli sequence modeling.
Ling 3.0 Tiny: KDA (Kimi Delta Attention) + MLA (Multi-head Latent Attention) hybrid. Ling 3.0 Flash’in mimarisi ile aynı çekirdek yaklaşım. Long-context için tasarlanmış.
Ling’in 262K context’i, LFM’nin 128K’sının 2 katı — ve MIT lisansı, Liquid’in LFM Open License v1.0’dan (ticari kısıtlar var) daha permissive.
Artificial Analysis Intelligence Index: net ayrım
Bağımsız değerlendirme cephesinden en önemli rakam Artificial Analysis Intelligence Index v4.1.1:
| LFM2.5 8B-A1.5B | Ling 3.0 Tiny A1.3B | |
|---|---|---|
| Intelligence Index v4.1.1 | 8* | 25 |
| Hosted output speed | 338.3 tok/s | 197.4 tok/s |
| TTFT | ~2.1s | ~2.45s |
| Context tested | Smaller | 262K |
*AA, LFM2.5’in Intelligence skorunu “estimated” olarak işaretliyor. Ling’in 25 skoru tamamlanmış değerlendirme.
25 vs 8 — benzer inference compute için devasa fark. AA Intelligence Index, Terminal-Bench 2.1, GDPval-AA v2, SciCode, GPQA Diamond, HLE, AA-Omniscience, long-context reasoning gibi çok geniş kapsamlı bir composite. MMLU tarzı klasik knowledge benchmark’lardan çok daha geniş.
Rakamsal olarak “3x daha akıllı” yorumu doğru değil — ama Ling, AA methodology’sine göre farklı bir capability tier’da. Tiny sınıfında bu ölçüde bir fark nadir.
Kritik uyarı: Ling reasoning mode’da son derece uzun-soluklu. AA raporuna göre Intelligence Index üzerinde 210M output token üretti — sınıfının medyan değeri 42M. Yani Ling, performansının bir kısmını fazla reasoning token harcayarak alıyor. Latency-sensitive senaryolarda bu kritik.
Agent / tool-use benchmark’ları
Tiny modellerin real-world kullanımı çoğunlukla agent / function calling. Bu cephede detaylı karşılaştırma:
| Benchmark | LFM2.5-8B-A1B | Ling 3.0 Tiny | Kazanan |
|---|---|---|---|
| IFBench | 56.47 | 63.61 | Ling (+7.14) |
| Multi-IF | 79.93 | 83.15 | Ling (+3.22) |
| BFCL-v4 function calling | 49.73 | 62.72 | Ling (+12.99) |
| Terminal-Bench 2.1 | — | 27.70 | — |
| ArtifactsBench | — | 47.93 | — |
Öne çıkan detay: BFCL-v4 function calling. LFM2.5’in 49.73’ünden Ling’in 62.72’sine 13 puanlık atlama. Bu, güvenilir local agent kurmak isteyen geliştiriciler için AA aggregate’ından bile daha anlamlı olabilir.
Function calling, agent workflow’un çekirdek yeteneği. Bir model doğru tool’u doğru argümanlarla çağıramıyorsa, hızı ne kadar iyi olursa olsun production agent olamaz.
Liquid’in kendi güçlü tarafı: matematik ve talimat takibi
LFM2.5, agent benchmark’larında geride kalıyor ama bazı özel alanlarda hala etkileyici:
- MATH500: 88.76
- AIME25: 42.53
- AIME26: 50.0
- Tau² Telecom: 88.07
- IFEval: 91.84
1.5B aktif parametre için bu rakamlar gerçekten dikkat çekici. Özellikle matematik + telecom domain performance çok iyi.
Ama Liquid’in kendi açıklaması net: LFM2.5, ağır programlama veya bilgi-yoğun QA (retrieval olmadan) için tercih ettikleri model değil. Yani “classification, summarization, routing, transformation” gibi lightweight task’lar için tasarlanmış.
Hız cephesinde LFM2.5 ezici üstün
Artificial Analysis rakamları:
- LFM2.5: 338 tok/s
- Ling Tiny: 197 tok/s
LFM, hosted AA measurement’ta ~1.7x daha hızlı. Ve mimari olarak throughput için optimize edilmiş.
Lambda’nın bağımsız infrastructure test’i, LFM2.5’i 8K input / 2K output, concurrency 32 senaryosunda tek H100 üzerinde vLLM ile:
- ~3,787 output tok/s aggregate
- Concurrent request başına ~123 tok/s
Bu rakamlar production API server için son derece cazip. Multi-user, high-throughput workload’lar için LFM2.5 çok verimli.
Ling de yavaş değil. InclusionAI raporlarına göre FP8’de:
- DGX Spark: 100-105 tok/s
- M4 Pro MacBook: 86-90 tok/s
- Peak memory: ~8.34 GiB (8K context’te)
Lokal deployment için Ling makul hızlarda ama LFM’nin high-concurrency throughput ölçeğine ulaşamıyor.
Deployment: hangisi hangi ortama uygun?
High-concurrency API server (multi-user): LFM2.5. 3,787 tok/s aggregate throughput ile bir H100 üzerinde onlarca simultaneous user’ı destekler.
Single-user local agent (Mac, RTX 5090): Her ikisi de çalışır. Latency cephesinde LFM avantajlı, capability cephesinde Ling.
Edge deployment (Jetson, mobile): LFM2.5 muhtemelen daha uygun — Liquid’in mimarisi edge için optimize.
Long-context workflow (RAG, doküman analiz): Ling. 262K context, LFM’nin 128K’sının 2 katı.
Function calling agent (Cursor, Cline, custom agent): Ling. BFCL-v4’te 13 puanlık avantaj kritik.
Sıralama: use case’e göre farklı cevaplar
Agent / coding / browser-control senaryoları için:
- Ling 3.0 Tiny — açık ara.
- LFM2.5-8B-A1B.
Ling’in avantajları:
- A1.3B (LFM’nin A1.5B’sinden az)
- Belirgin daha yüksek genel zeka (AA Index 25 vs 8)
- Çok daha güçlü BFCL/function calling (63 vs 50)
- Daha iyi talimat takibi (IFBench, Multi-IF)
- 262K context (128K vs)
- MIT lisansı
LFM2.5’in Ling’e karşı varlık sebebi: latency, throughput, runtime maturity. Yüzlerce basit transformation, classification, summarization, routing, memory maintenance task’ı çalıştıran tiny modele ihtiyaç varsa LFM2.5 çekici.
Ama her inference’in bir sonraki action/tool’u karar vermek olduğu senaryoda, 1.7x hız için Ling’in capability’sini takas etmek makul değil.
Özet
LFM2.5 = inanılmaz hızlı A1.5B asistan. Multi-user throughput için ideal.
Ling 3.0 Tiny = şaşırtıcı derecede akıllı A1.3B agent. Function calling ve agent workflow için ideal.
Ve şaşırtıcı bir gerçek: Ling Tiny’nin AA skoru olan 25, mevcut small-open-model leaderboard’ta Qwen 3.6 35B-A3B non-reasoning ile aynı seviyede — oysa Ling sadece 1.3B parametre aktif ediyor. Yani Ling, kendi ağırlık sınıfını çok geride bırakıp bir üst kategori ile eşleşiyor.
Ling 3.0 Tiny neden bu kadar iyi?
Aynı ağırlık sınıfında 25 vs 8 tesadüf değil. Ling ekibinin (InclusionAI/Ant Group) yaptıkları:
1. KDA mimarisi. Kimi Delta Attention, Moonshot’un Kimi K3’te kullandığı çekirdek attention tekniği. Ling ekibi bunu Ling 3.0 ailesine adapte etti. Long-context için efektif.
2. Aggressive expert routing. 128 uzman, token başına 8 + 1 shared. Klasik MoE’lerden (32-64 uzman) daha granular seçim.
3. Big-to-small distillation. Ling 3.0 Flash veya daha büyük Ling variant’larından knowledge distillation muhtemel.
4. Uzun reasoning token bütçesi. AA raporuna göre Ling 210M token kullandı (sınıf medyanı 42M). Yani “akıllı” olmak için model daha çok düşünüyor.
Son madde önemli bir trade-off. Ling’in latency’si daha yüksek çünkü reasoning trace’i daha uzun. Real-time chat için sorun yaratabilir; batch inference için önemsiz.
Türk geliştiriciler için pratik tavsiye
1. Cursor/Cline benzeri agent tool geliştiriyorsanız: Ling 3.0 Tiny. Function calling avantajı kritik.
2. Yüksek-hacimli müşteri destek chatbot yapıyorsanız: LFM2.5. Throughput ekonomisi net.
3. Mobil uygulama için on-device model: LFM2.5. Edge optimizasyonu daha olgun.
4. Türkçe RAG pipeline: Ling 3.0 Tiny. 262K context, Türkçe doküman kümesi için daha fazla alan.
5. Enterprise deployment (KVKK): Ling. MIT lisansı, ticari kullanım tümüyle serbest.
Boğaziçi, ODTÜ, Sabancı NLP grupları için özel not: Ling 3.0 Tiny’nin MIT lisansı + Türkçe fine-tune potansiyeli akademik yayın için ideal.
Sonuç: tiny model cephesi olgunlaşıyor
Ling 3.0 Tiny ve LFM2.5-8B-A1B, tiny model cephesinin 2026 ortasındaki iki güçlü aday. İkisi de kendi kategorisinde etkileyici, ama farklı optimize noktalarına sahip.
Genel ranking: agentic workload için Ling, throughput-optimized workload için LFM2.5. Basit ama net karar rehberi.
Trend olarak: 2026’nın ikinci yarısında tiny model release’leri hızlanacak. Kimi K3-tiny, Qwen 3.7-tiny, DeepSeek V4 Flash-mini — hepsi muhtemel. Küçük ama akıllı modeller cephesi, önümüzdeki 12 ayın en aktif yeniden şekillenme cephesi.
Modelleri denemek için:
- Ling 3.0 Tiny: huggingface.co/inclusionAI
- LFM2.5-8B-A1B: huggingface.co/LiquidAI
İki modeli birden yükleyip kendi workload’unuz üzerinde A/B test yapmak, en güvenilir yol. Benchmark rakamları rehber, ama real-world use case’iniz her zaman farklı olabilir.
Bir yanıt yazın