Negli ultimi mesi il panorama dei modelli di linguaggio è stato invaso da due proposte apparentemente incompatibili: Tell 1 di Retell Labs e LFM2.5 2.6B Base di Liquid AI. Sebbene entrambi siano nati nello stesso periodo – agosto 2026 per la famiglia LFM2.5 e novembre 2026 per il lancio pubblico di Tell 1 – le loro finalità, modalità di distribuzione e caratteristiche tecniche sono radicalmente diverse. Questo articolo mette a fuoco i punti di rottura, evidenziando cosa può realmente fare ciascun modello e per quali esigenze è più indicato.
Origine e contesto di sviluppo
LFM2.5 2.6B Base è un checkpoint grezzo, frutto di un pre‑training massiccio su circa 34 miliardi di token in 16 lingue. La struttura comprende 30 strati, di cui 22 doppi “short‑fusion” blocks e 8 layer di Grouped‑Query‑Attention. Il contesto è esteso a 131 072 token e il modello è stato quantizzato in Q4KM, riducendo il peso a circa 1,67 GB. Non è stato sottoposto a instruction‑tuning né a fine‑tuning specifici: la sua funzione è “testo in, testo out”.
Tell 1, al contrario, è la “reasoning layer” di un’intera stack vocale di Retell, integrata in una piattaforma di contact‑center. Non esiste una model card, né un repository pubblico, né informazioni su parametri, contesto o licenza. È una componente chiusa, venduta solo come servizio all’interno del più ampio ecosistema Retell, che include voice‑recognition, turn‑taking e strumenti di gestione chiamate.
Motivi della scarsa documentazione
- LFM2.5: Liquid AI ha rilasciato solo il checkpoint, senza guide operative, perché il modello è pensato per essere fine‑tuned internamente dai clienti.
- Tell 1: Retell non pubblica documentazione perché il modello è parte di un prodotto SaaS non separabile; la sua vendita è legata all’uso della piattaforma, non al download di pesi.
Architettura e capacità tecniche
Il LFM2.5 2.6B Base presenta:
- 2,69 miliardi di parametri;
- 30 strati, con 22 short‑fusion blocks e 8 GQA layers;
- Context window di 131 072 token;
- Quantizzazione Q4KM (≈1,67 GB);
- Supporto esclusivo al testo (nessuna vision, audio o tool‑calling).
Queste specifiche lo rendono adatto a scenari di fine‑tuning su dataset proprietari, dove si desidera massimizzare il controllo sui dati di addestramento e ridurre i costi per token tramite esecuzione locale (GPU consumer o dispositivi edge). Il modello è ideale per:
- Applicazioni offline o on‑premise;
- Progetti con requisiti di privacy stringenti;
- Situazioni in cui il costo per token di un’API esterna è proibitivo.
Tell 1, al contrario, è ottimizzato per:
- Risposta in tempo reale a chiamate telefoniche;
- Integrazione con un stack di riconoscimento vocale e sintesi;
- Tool calling interno (accesso a knowledge base, azioni di CRM, ecc.).
Le metriche di benchmark pubblicate da Retell indicano:
- 88,6 % di Instruction Following;
- 97,2 % di riduzione delle hallucination;
- 95,4 % di Tool Calling;
- 96,6 % di colloquialità;
- Media complessiva 94,45 %;
- Latency mediana 72,5 ms;
- Costi modello 3,5 cent per minuto (corrispondenti a $0,07‑$0,31/min a seconda della configurazione).
Costi e modello di business
LFM2.5 2.6B Base è un bene digitale acquistabile una tantum (o scaricato gratuitamente, a seconda della licenza offerta da Liquid AI). I costi operativi dipendono principalmente da:
- Energia elettrica per l’inferenza;
- Tempo di sviluppo per il fine‑tuning;
- Manutenzione dell’infrastruttura (GPU, storage).
In pratica, il costo marginale di una singola chiamata è quasi nullo, ma il capex iniziale può essere significativo.
Tell 1 è venduto come servizio a consumo. Il prezzo è legato al tempo di utilizzo della piattaforma: da $0,07 a $0,31 per minuto di conversazione. Questo modello “pay‑as‑you‑go” elimina gli investimenti di capitale, ma rende i costi variabili in base al volume di chiamate. Inoltre, il cliente non ha alcun controllo sui pesi del modello né sulla possibilità di modificarlo.
Confronto economico rapido
| Fattore | LFM2.5 2.6B Base | Tell 1 |
|---|---|---|
| Tipo di licenza | Scaricabile, modificabile | SaaS, non modificabile |
| Costo iniziale | Elevato (hardware, tuning) | Basso (solo abbonamento) |
| Costo marginale | Quasi nullo | Cent per minuto |
| Controllo sui dati | Totale | Limitato al servizio |
| Scalabilità | Dipende da infrastruttura | Gestita dal provider |
Scenari d’uso consigliati
Quando scegliere LFM2.5 2.6B Base:
- Si dispone di un team di ML capace di eseguire fine‑tuning;
- Il progetto richiede esecuzione on‑premise per motivi di privacy o latenza ultra‑bassa;
- Il volume di richieste è talmente elevato da rendere più conveniente l’investimento in hardware;
- Si vogliono personalizzare le capacità del modello (domini specialistici, linguaggi rari).
Quando scegliere Tell 1:
- Si vuole implementare un agente vocale in pochi giorni senza gestire infrastrutture;
- Il budget è limitato e preferibile un costo operativo prevedibile;
- La priorità è l’integrazione con sistemi di telefonia, CRM e tool aziendali già esistenti;
- Non è necessario modificare il modello, ma solo sfruttarne le performance pre‑ottimizzate.
Limitazioni e rischi
Il più grande fraintendimento riguarda la capacità conversazionale. LFM2.5, essendo un checkpoint base, continua il prompt senza comprendere istruzioni o gestire chiamate; tentare di usarlo direttamente in un contesto di voice‑assistant porterà a errori di “function call” e a risultati percepiti come difetti di qualità. Solo un ulteriore step di instruction‑tuning o l’adozione di un prompt‑engineering avanzato può colmare questo divario, ma non elimina la necessità di un training specifico.
Tell 1, d’altro canto, è chiuso: non è possibile isolarne i pesi o adattarlo a domini non coperti dal modello di base di Retell. Inoltre, la dipendenza dalla piattaforma implica vendor lock‑in: se Retell cambiasse le tariffe o interrompesse il servizio, il cliente dovrebbe migrare verso un’alternativa, ma non potrà portare con sé il modello.
Considerazioni sulla latenza
Entrambi i modelli sono valutati in termini di latenza, ma il loro budget di tempo è diverso. Un’operazione telefonica tipica ha un budget di circa 800 ms per l’intera risposta (riconoscimento, reasoning, sintesi). Tell 1 riporta una latenza mediana di 72,5 ms, includendo l’intero stack di Retell, il che lascia ampio margine per la parte vocale. LFM2.5, se eseguito su una GPU consumer, può raggiungere 30‑40 ms per token, ma il tempo totale dipende dal numero di token generati e dalle ottimizzazioni di inference. In scenari dove la latenza è critica, la scelta dell’hardware diventa decisiva.
Prospettive future
Liquid AI ha annunciato piani per rilasciare versioni “instruction‑tuned” della famiglia LFM2.5 entro la fine del 2027, includendo tool‑calling e supporto multimediale. Questo chiuderebbe il gap con soluzioni già pronte come Tell 1, ma richiederà comunque un investimento in infrastruttura per la gestione dei token.
Retell, invece, sta lavorando a una versione “modulare” di Tell 1, che potrebbe consentire l’accesso a una API di pesi separata dal resto della piattaforma, ma finora non ha fornito date concrete. Se ciò dovesse avvenire, la distinzione tra “prodotto scaricabile” e “servizio SaaS” si sarebbe attenuata, offrendo ai clienti maggiore flessibilità.
Conclusioni
In sintesi, LFM2.5 2.6B Base e Tell 1 rappresentano due estremi di un continuum di soluzioni AI:
- LFM2.5 è un blocco di costruzione per chi desidera pieno controllo, personalizzazione e indipendenza da fornitori, ma richiede competenze e risorse per il fine‑tuning.
- Tell 1 è un servizio chiavi‑in‑mano per chi vuole implementare rapidamente un agente vocale con prestazioni comprovate, pagando un costo operativo per minuto.
La decisione dipenderà dal bilancio tra controllo vs. comodità, dal budget iniziale vs. costi operativi e dalle esigenze di latenza e integrazione. Nessuno dei due modelli può sostituire l’altro in tutti i contesti: la chiave è valutare quale parte del “budget di latenza” – hardware, inferenza, rete o stack vocale – è più critica per il proprio progetto e scegliere di conseguenza.