بطاقة العنوان الرئيسية لمقال «Clef-Flash مقابل LFM2.5 2.6B Base»، بعنوان فرعي «نموذجان يُسمّيان صغيرين، لكن تفصلهما مسافة آلتين». شعار OrcaRouter مُدمَج في الزاوية اليمنى السفلى.
Guides & Insights

Clef-Flash مقابل LFM2.5 2.6B Base: نموذجان يُسمّيان «صغيرين»، لكن يفصل بينهما ثلاث مراتب مقدارية

الكاتب

Elias Hawthorne

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

نسخة clef-flash التي يحمّلها معظم الناس فعليًا هي 11 جيجابايت. LiquidAI/LFM2.5-2.6B-Base يعمل في أقل من 2.5 جيجابايت من الذاكرة. يوصف كلا النموذجين بأنهما صغيران وسريعان وفعالان من قبل المختبرات التي صنعتهما، وكلا الوصفين دقيقان — وهذا بالضبط سبب فائدة المقارنة، لأن الكلمتين تؤديان عملًا مختلفًا تمامًا. Cloudflare/clef-flash هو نموذج قرار متعدد الوسائط بحجم 9B يجيب عن الأسئلة المكتوبة باحتمالات مُعايَرة ولا يكتب أي رمز أبدًا؛ ويحتاج إلى وحدة معالجة رسومات من فئة H200 لتحقيق زمن استجابة وسيط قدره 38.8 مللي ثانية على بطاقته الخاصة، وعرض Cloudflare الترويجي له هو الاستدلال الطرفي داخل شبكتهم. إن LFM2.5 2.6B Base هو نقطة حفظ نصية مدرّبة مسبقًا نشرتها Liquid AI في 1 أغسطس 2026 كي يتمكن شخص آخر من ضبطها ضبطًا دقيقًا، وهدف النشر المقصود له هو حاسوب محمول.

لا يُعد أي منهما نموذجًا لغويًا يمكنك وضعه في نافذة دردشة. كلاهما رخيص. الاختيار بينهما ليس حقًا اختيارًا يتعلق بالجودة — بل هو اختيار يتعلق بميزانية العتاد لديك وما إذا كان الشيء الذي تبنيه يعرف بالفعل كيف تبدو إجاباته.

حوار البصمة، بالأرقام

ابدأ بما تحتاجه الآلات فعليًا، فهذا هو المحور الذي يكون فيه الاثنان أبعد ما يكونان عن بعضهما.

• المعاملات — Clef-Flash عبارة عن عمود فقري Qwen3.5‑9B مجمّد مع مُشفّر الرؤية الخاص به إضافة إلى رأس مخطط مشترك بحجم 243.5 ميغابايت؛ LFM2.5 2.6B Base يبلغ 2.69 مليار معامل، نصي فقط.

• القرص والذاكرة — إصدار clef-flash المجتمعي هو 11 غيغابايت؛ ومستودع Hugging Face الكامل يبلغ نحو 18.8 غيغابايت عبر أربع شظايا للـbackbone بالإضافة إلى الرأس. يُذكر أن LFM2.5 2.6B Base بأقل من 2.5 غيغابايت من الذاكرة للاستدلال، وتُنشَر إصدارات GGUF وONNX وMLX المكمَّمة إلى جانبه.

• زمن الاستجابة — Clef-Flash: 38.8 مللي ثانية عند الوسيط، و122.4 مللي ثانية عند النسبة المئوية 95، بقياس Cloudflare على وحدة H200 واحدة. يعمل LFM2.5 2.6B، النموذج الشقيق المُدرَّب لاحقًا لنقطة التحقق الأساسية هذه، بسرعة 220 رمزًا في الثانية على Apple M5 Max و113 رمزًا/ث على وحدة معالجة مركزية AMD Ryzen.

• السياق — 65,536 رمزًا لـ Clef-Flash وفقًا لوثائق Workers AI من Cloudflare؛ 131,072 رمزًا لـ LFM2.5 2.6B Base.

• الترخيص — Apache-2.0 لـ clef-flash؛ ترخيص LFM 1.0 لـ LFM2.5، وهو أوزان مفتوحة لكنه ليس ترخيصًا مفتوح المصدر معتمدًا من OSI، والفرق مهم إذا كنت تطرح منتجًا بدلًا من مجرد التجربة.

خطّا زمن الوصول هذان لا يقيسان وحدة القياس نفسها، ولا ينبغي أن تطرح أحدهما من الآخر. لكن عند قراءتهما معًا، يقولان الشيء البديهي بوضوح: Clef-Flash مكوّن من مكوّنات مركز البيانات، ويصادف أن بيئة تشغيله المضمّنة تقع أيضًا على شبكة حافة، بينما LFM2.5 2.6B فهو مكوّن مخصّص للجهاز الموجود على مكتبك.

لماذا تُعد نقطة التحقق الأساسية نوعًا مختلفًا من الكائنات؟

كلمة "Base" في الاسم حاملة للمعنى، وبطاقة Liquid AI نفسها صريحة على نحو غير معتاد بشأن ذلك. إن LFM2.5-2.6B-Base هي نقطة التحقق المُدرَّبة مسبقًا للنصوص فقط، وتتألف من 30 طبقة موزَّعة على شكل 22 كتلة التفاف قصيرة مزدوجة البوابات و8 كتل انتباه بجماعات الاستعلامات، مُدرَّبة على 34 تريليون رمز عبر مفردات من 128,000 رمز في ست عشرة لغة. وهي "لا يُوصى بها إلا للمهام التي تتطلب ضبطًا دقيقًا مكثفًا" — أعمال خاصة بلغة بعينها، ومساعدون خاصون بمجال بعينه، والتدريب على بيانات مملوكة. وبطاقتها تقول ذلك صراحةً بهذه الكلمات نفسها.

Clef-Flash هو عكس ذلك. إنه مكتمل. انتهى التدريب، ورأس المخطط مثبّت عليه، وعقد API منشور، والنموذج مستضاف على شبكة الحافة الخاصة بالمورّد بسعر معلن. أنت لا تضبطه؛ بل تستدعيه، أو تنزّله وتستدعيه محليًا. هناك منتج ضبط دقيق مرتبط بالعائلة — أطلقته Cloudflare إلى جانب النماذج — لكن استخدام clef-flash لا يتطلب ذلك، وهذه هي الفكرة.

إذن، الصياغة الصادقة هي أن هذين مرحلتان من خطي معالجة مختلفين. أحدهما عنصر (ingredient) والآخر مكوّن (component). إذا كانت مهمتك: «لدي 40,000 تذكرة دعم موسومة، وأريد مصنّفًا سريعًا خاصًا بالمجال يعمل على أجهزتنا الخاصة»، فإن LFM2.5 2.6B Base نقطة انطلاق معقولة، وclef-flash ليس كذلك، لأنك لا تستطيع ضبط رأس القرار في clef-flash ليصبح قدرة لغوية لا يمتلكها — فليس لديه أي مسار إخراج لغوي على الإطلاق. وإذا كانت مهمتك: «أحتاج إلى توجيه طلب إلى واحد من ستة تصنيفات في أقل من 50 مللي ثانية مع احتمال يمكنني ضبط عتبته»، فإن clef-flash يجيب عن ذلك السؤال جاهزًا، بينما LFM2.5 2.6B Base لا يجيب عنه بأي شكل.

A two-column comparison scoreboard titled 'Clef-Flash vs LFM2.5 2.6B Base — the scoreboard'. The left column, 'Clef-Flash', has rows reading 'Parameters: 9B with vision encoder', 'Context: 65,536 tokens', 'Output: calibrated probabilities', 'Footprint: 18.8 GB, H200-class', 'Latency: 38.8 ms median' and 'Licence: Apache 2.0'. The right column, 'LFM2.5 2.6B Base', has rows reading 'Parameters: 2.69B text only', 'Context: 131,072 tokens', 'Output: generated text', 'Footprint: under 2.5 GB, laptop', 'Latency: 220 tok/s on M5 Max' and 'Licence: LFM 1.0'. The footer reads 'Clef-Flash figures vendor-reported; LFM2.5-2.6B-Base figures per Liquid AI.' The OrcaRouter logo is composited in the bottom-right corner.

الجزء المشترك حقًا

هناك تداخل حقيقي واحد، ويجدر بنا أن نكون دقيقين بشأنه، لأنه عند هذه النقطة تتوقف المقارنة عن كونها بسيطة.

يمكن تحفيز نموذج عام مُدرَّب لاحقًا — LFM2.5 2.6B، أو أي نموذج تعليمات صغير — ليعيد تصنيفًا منظمًا. أعطِه مخطط JSON، واطلب منه وسمًا ودرجة ثقة، ثم حلّل المخرجات. يفعل الناس هذا باستمرار. السؤال هو ما الذي تحصل عليه عندما تفعل ذلك.

ما تحصل عليه هو تسلسل رموز يصادف أنه يحتوي على تصنيف يمكنك استخراجه، بالإضافة إلى رقم كتبه النموذج عن نفسه. تلك الثقة رمز مُعيّن بالعيّنة، وليست softmax على الإجابات المرشحة، وهي لا تعني ما تعنيه احتمالية معايَرة. بطاقة Clef-Flash حريصة صراحةً بشأن الرقم المماثل في API الخاص بها — فالثقة "تُظهر مدى تركّز الاحتمالات. إنها ليست احتمال أن تكون الإجابة صحيحة" — وهي تستطيع أن تكون كذلك، لأن الكمية الأساسية توزيع حقيقي على الخيارات التي قدّمتها. أما النموذج العاملي الموجَّه بالتعليمات فليس لديه مثل هذا التوزيع ليكشف عنه. لديه جملة تقول 0.85.

ما إذا كان هذا التمييز يستحق 11 غيغابايت وH200 يتوقف كليًا على ما تفعله بالرقم. إذا كانت التسمية تظهر في لوحة معلومات، فإن نموذجًا بحجم 2.6B يُستخدم عبر التلقين يكون كافيًا وأرخص بكل المقاييس. وإذا كانت التسمية تتحكم في إجراء لا رجعة فيه — إصدار استرداد، أو حظر حساب، أو تصعيد حادث أمني — فإن الفرق بين درجة معايَرة وسلسلة نصية تبدو معقولة هو الفرق بين عتبة يمكنك تبريرها لمدقّق وعتبة لا يمكنك ذلك.

A screenshot of the Hugging Face model card for LiquidAI/LFM2.5-2.6B-Base, a text-generation checkpoint of 3B parameters under the LFM 1.0 licence, tagged lfm2, liquid, fm2.5, edge and conversational, described as a hybrid model family designed for on-device deployment with quantizations derived from it and a note that no inference provider is deployed for it. A downloads-last-month figure reads 16,541.

أين يمكنك الحصول على كل واحد منها

لا يوجد أيٌّ من النموذجين على OrcaRouter. لا يتضمّن كتالوجنا clef-flash، ولا يتضمّن LFM2.5 2.6B Base أو أي نقطة تحقق أخرى من Liquid AI — يمكنك التحقق من كلا الأمرين عبر الوصول إلى واجهة برمجة تطبيقات النماذج لدينا والحصول على 404. لا شيء في هذه المقالة يُعدّ ادعاءً منّا بالتوفر.

يمكن الوصول إلى Clef-Flash على Workers AI من Cloudflare مقابل 0.09 دولار لكل مليون رمز إدخال، أو كأوزان Apache-2.0 تشغّلها بنفسك. يتوفر LFM2.5 2.6B Base على Hugging Face مع بنيات مُكمَّمة لـ llama.cpp وONNX Runtime وMLX، بالإضافة إلى ساحة التجربة والتوثيق الخاصين بـ Liquid AI لهذه العائلة. إذا أردت نموذج قرار متاحًا في كتالوجنا اليوم، فالنموذج الموجود هناك هو Jev 1.13 من TypeSafe — بنفس بنية الطلب، وسياق 65,536 رمزًا، و0.042 دولار لكل مليون رمز إدخال — وقد صُمّم clef-flash ليكون بديلًا مباشرًا له، ما يعني أن تجربة أي منهما تغيير في الإعدادات وليست إعادة كتابة. كلاهما يستدعي نفس فئة نقطة النهاية، لذا إذا كنت بالفعل توجّه الطلبات عبر مفتاح واحد مع تمرير سعر القائمة من المزوّد دون أي هامش ربح، فإن المقارنة تجربة يمكنك إجراؤها بعد ظهر هذا اليوم بدلًا من ترحيل تضطر إلى التخطيط له.

A screenshot of the OrcaRouter model page for TypeSafe's Jev 1.13 (typesafe/jev-1.13), showing a 65K token context, text input, structured JSON output, a p50 TTFT of 148 ms, a $0.04 per million input token price, 174.0M tokens of throughput, and the POST /v1/systemone request shape.

أيٌّ منها يناسب مجموعتك التقنية

شجرة القرار قصيرة. إذا كانت إجاباتك قائمة محدودة يمكنك كتابتها مسبقًا، وكنت بحاجة إلى احتمال ذي معنى فعلي، ولديك العتاد أو الاستعداد للدفع مقابل كل استدعاء — فإن clef-flash هو المكوّن الجاهز، وLFM2.5 2.6B Base ليس مرشحًا. وإذا كانت إجاباتك مفتوحة، أو كان ما تحتاجه فعليًا هو نموذج لغوي صغير يمكنك تشكيله ببياناتك الخاصة وتشغيله على حاسوب محمول، فإن LFM2.5 2.6B Base هو نقطة البداية، ولا يمكن أن يفيدك clef-flash على الإطلاق.

الحالة التي يخطئ فيها الناس هي الوسط: بناء مصنّف محدود النطاق عبر تلقين نموذج عام صغير، لأنه الطريق الأقل مقاومة وهو ينجح في العرض التوضيحي. إنه ينجح في العرض التوضيحي. ثم يتوقف عن العمل لحظة أن تحتاج إلى أن يكون الرقم رقمًا، وبحلول ذلك الحين تكون المخططات والتلقينات وكود التحليل كلها عناصر حاملة.

ملاحظة تحذيرية واحدة على جانب clef-flash، أُوردها بصراحة لأنها أضعف رقم لدى المورّد نفسه: في CLINC150 مع التعامل مع خارج النطاق، حيث تكون الإجابة الصحيحة أحيانًا «هذا لا يناسب أيًا من فئاتك»، يسجّل clef-flash 66.8 في macro-F1 مقابل 97.4 لنظيره الأكبر 27B. المخطط المحدود قوة إلى أن يأتي مدخل لا يناسبه، وسيصنّف النموذج على أي حال. أيًا كان المسار الذي تسلكه، ابنِ الفئة المتبقية عن قصد، ودقّق فيما ينتهي إليها.