Intern-Decision-0.8B مقابل LFM2.5 2.6B Base: طريقتان لبناء شيء بنفسك
- typesafeجديدTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 592 tok/s
- openaiجديدOpenAI: GPT-6 Luna2026-09-2237الذكاء
- openaiجديدOpenAI: GPT-6 Sol2026-09-2248الذكاء
- anthropicجديدAnthropic: Claude Opus 5.52026-09-2258الذكاء
- grokجديدGrok 4.72026-09-2146الذكاء
- OrcaجديدOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $5.00 لكل مليون رمز · 187 tok/s
- orcaجديدOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 لكل مليون رمز · 1306 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash2026-09-1040الذكاء
- openaiOpenAI: GPT-6 Astra2026-09-0453الذكاء77البرمجة
- googleGoogle: Gemini 3.8 Flash2026-09-0241الذكاء76البرمجة
- qwenQwen: Qwen3.8 Max (0902)2026-09-0245الذكاء76البرمجة
- anthropicAnthropic: Claude Fable 5.12026-09-0153الذكاء82البرمجة
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 لكل مليون رمز · 113 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642الذكاء72البرمجة
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 لكل مليون رمز · 224 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845الذكاء75البرمجة
- obsidianQwen3.8 27B2026-08-1534الذكاء68البرمجة
- deepseekDeepSeek: DeepSeek V4 Pro 08132026-08-1236الذكاء69البرمجة
- grokSpaceXAI: Grok 4.62026-08-1244الذكاء77البرمجة
- metaMeta: Muse Spark 1.22026-08-0540الذكاء72البرمجة
ضع Intern-Decision-0.8B بجانب LFM2.5 2.6B Base، وأول ملاحظة صادقة هي أن أياً منهما ليس منتجاً بالمعنى الذي يقصده المشتري عادةً. Intern-Decision-0.8B هو نقطة الحفظ التي رفعتها InternLM إلى Hugging Face في 26 سبتمبر 2026 دون أي إعلان على الإطلاق — نسخة مضبوطة بدقة من Qwen3.5-0.8B ذات 852,985,920 معاملاً، تجيب عن أسئلة مكتوبة ولا تُصدر أي نص، وأُطلقت بموجب Apache 2.0 مع رابط GitHub يعيد خطأ 404. أما LFM2.5 2.6B Base فهي نقطة حفظ نصية مُدرَّبة مسبقاً من Liquid AI ذات 2.69 مليار معامل، نُشرت في 1 أغسطس 2026 كأساس لعائلة LFM2.5، وتقول بطاقتها الخاصة إنها «يوصى بها فقط للمهام التي تتطلب ضبطاً دقيقاً مكثفاً». أحدهما منتهٍ وضيق، والآخر غير منتهٍ وعام. يفترض كلاهما أنك أنت من يقوم بالعمل — والعمل ليس هو العمل نفسه.
هذا التمييز هو المقارنة بأكملها، وهو السبب الذي يجعل جدول المواصفات المباشر مضللاً. السؤال الذي يطرحه القارئ فعلاً هو "أي هذه أُنزّل؟"، وتعتمد الإجابة على ما إذا كان الشيء الذي تحتاج إلى بنائه عبارة عن طبقة قرار أم قدرة لغوية. هذان مشروعان مختلفان بجداول زمنية مختلفة.
ما الذي يمنحك إياه كل نموذج
Intern-Decision-0.8B يصل كنظام عامل. المستودع يشحن inference.py/، وDecisionEngine/ كفئة، ومخطط طلب موثق ومخطط استجابة، ومثال عملي يمكنك تشغيله بعد تثبيت أربع حزم Python مثبتة. أنت تقدم حالة، من سؤال واحد إلى ستة عشر سؤالاً مسمى مع ما يصل إلى 62 خيارًا لكل منها، واختياريًا ما يصل إلى ثماني صور، وستحصل مقابل ذلك على توزيع معاير بالإضافة إلى تسمية argmax لكل حقل. يقرأ المحرك logits في مواضع ثابتة في هيكل مُعد مسبقًا بدلاً من توليد أي شيء، لذلك لا توجد خطوة فك تشفير، ولا رموز إخراج، ولا JSON لإصلاحه. يعمل من حوالي 1.73 جيجابايت من الملفات.
LFM2.5 2.6B Base يمنحك العكس: قدرة خام بلا واجهة. إنه نموذج لغوي سببي نصي فقط، بـ30 طبقة مرتبة على شكل 22 كتلة التفاف قصير مزدوجة البوابة و8 طبقات انتباه مجموعات الاستعلام، مُدرَّب مسبقًا على ما يقارب 34 تريليون رمز عبر 16 لغة، مع مفردات من 128,000 رمز ونافذة سياق من 131,072 رمزًا. ليس لديه ضبط تعليمات خاص به ولا معايير مهام على البطاقة، لأن نقطة التحقق الأساسية لا تُقيَّم — بل النماذج التي تدرّبها منها هي التي تُقيَّم. خط أنابيب ما بعد التدريب الخاص بـ Liquid هو ما يحوّله إلى LFM2.5-2.6B الوكيلي، وهذا الخط هو الشيء المطلوب منك إعادة إنتاجه، جزئيًا أو كليًا، لمجالك الخاص.
إذن، المحور ليس الحجم. بل ما إذا كان الجزء الناقص عقد قرار أم تشغيلًا تدريبيًا.
لوحة النتائج، مع التحفظات المرفقة
• الوقت حتى أول نتيجة — Intern-Decision-0.8B: بعد ظهر واحد، تحميل نقطة تحقق واستدعاء predict()/. LFM2.5 2.6B Base: مهما استغرق تشغيل التدريب المسبق المستمر أو SFT الخاص بك من وقت، بالإضافة إلى العمل على البيانات الذي يتطلبه.
• المعاملات — Intern-Decision-0.8B: 852,985,920 موزعة على شريحة لغوية بحجم 1.50 جيجابايت، وشريحة رؤية بحجم 176 ميجابايت، ومُسقِط بحجم 25 ميجابايت. LFM2.5 2.6B Base: 2.69 مليار، بنحو 2.5 جيجابايت من الأوزان.
• طرائق الإدخال — Intern-Decision-0.8B: نص بالإضافة إلى ما يصل إلى ثماني صور، مع وجود أوزان الرؤية في المستودع. LFM2.5 2.6B Base: نص فقط، بحكم التصميم — العمل متعدد الوسائط في عائلة LFM2.5 يوجد في متغيرات VL.
• السياق العملي — Intern-Decision-0.8B: 8,192 رمزًا، مرفوضة بدلًا من اقتطاعها، رغم وجود تضمين موضع أقصى قدره 262,144 في الإعدادات. LFM2.5 2.6B Base: 131,072 رمزًا أصليًا.
• المخرجات — Intern-Decision-0.8B: توزيع احتمالي معاير وتسمية argmax لكل حقل، بشكل حتمي. LFM2.5 2.6B Base: نص متواصل، مأخوذ بالعيّنات.
• المعايير — Intern-Decision-0.8B: جدول كامل من المورّد عبر سبعة معايير، لم يكرره أحد. LFM2.5 2.6B Base: لم يُنشر أي منها للنسخة الأساسية نفسها، عن قصد.
• ترخيص — Intern-Decision-0.8B: Apache 2.0، مع الحفاظ على LICENSE-QWEN/ لأوزان المنبع. LFM2.5 2.6B Base: رخصة LFM المفتوحة v1.0.
يستحق صف الترخيص قسمًا خاصًا به
تقول كلتا البطاقتين «مفتوح»، والكلمتان تعنيان شيئين مختلفين جوهريًا. إن Intern-Decision-0.8B مرخّص بموجب Apache 2.0 — لا شرط يتعلق بالإيرادات، ولا قيد على مجال الاستخدام، ولا منحة تجارية منفصلة يُتفاوض بشأنها. ملف الترخيص الثاني في المستودع هو ترخيص Qwen المرحّل لأن النموذج مشتق من Qwen3.5-0.8B، وهو الإجراء الصحيح وليس قيدًا.
يُطرح LFM2.5 2.6B Base بموجب LFM Open License v1.0، ويستحق القسم 5 من ذلك الترخيص أن يُقرأ بالكامل قبل أن تعتمد أي خطة تجارية عليه. الحقوق الممنوحة للاستخدام التجاري مشروطة بألّا تتجاوز أنت أو كيانك القانوني عتبةً يحدّدها الترخيص بأنها إيرادات سنوية قدرها 10 ملايين دولار أمريكي أو أكثر. وفوق ذلك الحد، لا يكون الاستخدام التجاري للعمل أو لعمل مشتق مرخّصًا بموجب الاتفاقية. أما الاستخدام غير الربحي والبحثي فمستثنى. وهذا حدّ حقيقي وقابل للإنفاذ، ولأنه يرتبط أيضًا بالأعمال المشتقة، فإنه ينتقل إلى أي شيء تضبطه بدقة انطلاقًا من النموذج الأساسي — وهو كامل الاستخدام المقصود لنقطة الحفظ هذه.
هناك قراءة مباشرة هنا: إذا كنت تبني تجاريًا وكان كيانك يحقق أكثر من 10 ملايين دولار في الإيرادات السنوية، فإن LFM2.5 2.6B Base ليس من النوع نفسه من الأصول الذي يمثله Intern-Decision-0.8B، بغض النظر عن أداء كليهما. وإذا كنت تحت العتبة، أو تبحث، أو تضبط النموذج بدقة لغرض غير تجاري، فإن هذا التمييز لا يهم. وفي كلتا الحالتين، فهو سؤال يجب الإجابة عنه قبل تشغيل التدريب، لا بعده.
حيث يكون كل واحد منها هو التنزيل الصحيح فعليًا
يُعدّ LFM2.5 2.6B Base الخيار الصحيح عندما لا تكون القدرة التي تحتاجها متوفرة بعد في نموذج مكتمل. تسرد بطاقة Liquid الحالات المقصودة صراحةً: مساعدون مخصّصون للغة بعينها مثل اليابانية، ومساعدون مخصّصون لمجال بعينه مثل المجال الطبي، والتدريب على بيانات خاصة لا يمكنك إرسالها إلى واجهة برمجية (API)، أو التجريب في أساليب جديدة لما بعد التدريب. والمنطق وراء تلك القائمة هو أن التدريب المسبق متعدد اللغات على 34 تريليون رمز مكلف إعادة إنتاجه وشبه مجاني توريثه — فأنت تشتري نقطة انطلاق كفؤة بالفعل عبر 16 لغة وسياق يبلغ 128K، وتنفق مواردك الحاسوبية على الجزء الخاص بك أنت.
دعم المنظومة لتلك الخطة مكتمل على نحو غير معتاد بالنسبة لنموذج بهذه الحداثة. توثّق Liquid التدريب المسبق الاستمراري، وSFT، وDPO، وGRPO عبر Unsloth وTRL، مع دفاتر ملاحظات لكل منها، كما أن نقطة الحفظ مدعومة من Transformers، وvLLM، وSGLang، وllama.cpp، وMLX، وLM Studio. هذا ليس نصًا تسويقيًا — بل هو الفرق بين نموذج أساسي يمكنك ضبطه ضبطًا دقيقًا هذا الأسبوع وآخر تقضي أسبوعين في لصقه داخل مدرّب.
يُعد Intern-Decision-0.8B الخيار الصحيح عندما تكون القدرة التي تحتاجها موجودة بالفعل، وتكون المشكلة في شكلها. إذا كانت مهمتك قرارًا محدودًا بمجموعة إجابات مغلقة — وجّه هذه التذكرة، وقيّم هذه المطالبة، وصنّف هذا السجل وفق قائمة معايير — فإن النموذج التوليدي طريقة غير ملائمة للحصول على وسم، والنموذج الأساسي ليس طريقة للحصول عليه على الإطلاق. ما تريده هو شيء يعيد التوزيع، ويخبرك بدرجة ثقته، ويفعل ذلك في 34 مللي ثانية نفسها في كل مرة. زمن الاستجابة المقاس لـ InternLM على بطاقة RTX 4090 واحدة هو 33.98 مللي ثانية متوسطًا، مع 37.50 مللي ثانية عند p95، كما تُظهر أرقام البطاقة نفسها أن النموذج الشقيق 2B يبلغ 33.28 مللي ثانية متوسطًا — وهذا تذكير بأن الكلفة عند أطوال المطالبات هذه تكمن في قراءة المخطط، لا في تشغيل الأوزان.
المقايضة التي تقوم بها هي المرونة مقابل عقد. يمكن للنموذج الأساسي أن يصبح أي شيء، في النهاية، إذا كانت لديك البيانات والقدرة الحاسوبية. أما رأس القرار فهو الشيء بالفعل، ولن يصبح أي شيء آخر أبدًا. إذا كان مخططك يغيّر شكله كل شهر، فهذه تكلفة حقيقية. وإذا لم يفعل، فهي ليست تكلفة على الإطلاق.
ما لا يستطيع أحد إخبارك به عن جدول قرار المتدرب
كل رقم أداء يخص Intern-Decision-0.8B هو رقم مُبلَّغ عنه من المورّد، والتحفّظ هنا أثقل من المعتاد لأن الإصدار عمره أسبوع وغير موثَّق إطلاقًا. لا توجد ورقة بحثية، ولا مجموعة تجمع الأحجام الثلاثة، ولا مستودع GitHub فعّال، ولا تقييم مستقل. والبحث في Artificial Analysis لا يُرجع شيئًا عن النموذج.
اختارت InternLM معايير القياس، واختارت نماذج المقارنة — مجموعة يغلب عليها نماذج القرار بما فيها Jev من TypeSafe وLaya وKev من Convai — ونشرت الجدول دون منشور إطلاق.
مع وضع هذا التصنيف، يظل الشكل جديرًا بالقراءة. يسجل Intern-Decision-0.8B قيم 97.92 / 80.56 / 52.25 عبر شُعب Jevbench الثلاث، و77.35 على Typed Decision و94.52 على ToolACE، بمتوسط 79.38. يمثل ملف المعايرة الخاص به المدخل الأكثر إثارة للاهتمام: قيمة Brier تبلغ 0.530 وخطأ معايرة متوقع 0.066، وهو ECE أفضل من 0.095 لدى Jev رغم Brier أسوأ. بعبارة بسيطة، هو أقل دقة لكنه أكثر صدقًا بشأن مدى دقته، وفي سير عمل قائم على العتبات تكون هذه الترتيبية أهم من المتوسط. العمود الذي ينبغي أن يوقف النشر هو WildJailBreak عند 64.48 مقابل 96.29 لدى Jev. عجز في متانة الرفض بهذا الحجم هو خاصية للضبط الدقيق، وما إذا كان يعود إلى قاعدة Qwen3.5-0.8B أو هدف ضبط القرار أو عدد المعاملات غير موثّق في أي موضع على البطاقة.
إن المقارنة مع LFM2.5 2.6B Base على هذا المحور ليست "مَن يحصل على درجات أعلى"، لأن النموذج الأساسي لا يملك درجات. بل إن أرقام أحد النموذجين غير مدققة، وأرقام النموذج الآخر غير موجودة، والقارئ الذي يختار بينهما إنما يختار أي نوع من المجهول عليه أن يتعامل معه.
خط الأنابيب الذي ينتهي معظم الناس فعليًا ببنائه
هناك إعداد يستخدم كليهما، ويستحق التسمية لأنه المكان الذي تستقر فيه معظم أنظمة الإنتاج. تتولى طبقة القرار الاستدعاءات المغلقة — الفرز، والتوجيه، والتقييم وفق معايير — حيث تكون مجموعة الإجابات معلومة، ويتراكم زمن الاستجابة عبر مليون سجل، وتكون رموز الإخراج مجرد كلفة زائدة. وتتولى طبقة اللغة كل ما يحتاج إلى نثر أو تركيب أو سياق طويل: ملخص التصعيد، والتفسير المرفق بالتصنيف، والمسودة التي يحررها إنسان. إن LFM2.5 2.6B Base ركيزة معقولة للنصف الثاني إذا كانت لديك بيانات مجال تستحق التدريب عليها؛ ورأس القرار هو الشكل الطبيعي للأول.
تركيب الاثنين هو الجزء الصعب، وهو الجزء الذي يستحق ألا يُبنى يدويًا. لغة التوجيه DSL الخاصة بـ OrcaRouter تعبّر عن التوجيه كشيفرة — YAML مع شروط CEL، يُنشر دون إعادة نشر — لذا فإن خط أنابيب يرسل فئة طلبات إلى نقطة نهاية قرار وأخرى إلى نموذج لغوي هو قاعدة توجيه وليس موازن تحميل تديره بنفسك. تغطي البوابة أكثر من 200 نموذج خلف مفتاح واحد متوافق مع OpenAI، مع تمرير سعر القائمة من المزود بهامش ربح صفري، وهي لا تضيف هامش ربح على النموذج الذي تختاره. وللدقة بشأن الحدود: لا يُعد Intern-Decision-0.8B ولا LFM2.5 2.6B Base من نماذجنا — كلاهما نقاط تفتيش تقوم بتنزيلها وتشغيلها محليًا، وهذا هو المقصود في كلتا الحالتين، لأن سبب اختيار نموذج بحجم 2 جيجابايت هو أنه يعمل حيث توجد بياناتك بالفعل. ما تُستخدم له البوابة هو النصف الآخر من الحزمة التي كنت ستضطر إلى الاتصال بها خارجيًا.
إذا كانت طبقة القرار هي الجزء الذي تريد اختباره دون تخصيص جولة تدريب لها، فإن نموذج قرار مستضاف هو التجربة الأرخص، وJev 1.13 من TypeSafe هو النموذج الذي أجرت InternLM قياسًا مقارنًا مقابله — يمكن استدعاؤه اليوم عبر نقطة نهاية واحدة متوافقة مع OpenAI بتكلفة 0.042 دولار لكل مليون رمز إدخال، مع فوترة الإخراج بصفر.
أي واحد إذن؟
اختر LFM2.5 2.6B Base إذا كانت القدرة غير موجودة بعد، وكانت لديك كلٌّ من بيانات المجال والرغبة في إجراء ضبط دقيق، وتحقق من حد الإيرادات البالغ $10M في LFM Open License قبل أن تبني عليه تجاريًا. اختر Intern-Decision-0.8B إذا كانت القدرة موجودة، وكانت الإجابات قابلة للتعداد بالفعل في الموجّه لديك، وما تحتاجه هو طريقة سريعة وحتمية ونظيفة ترخيصيًا للحصول على التسمية — مع القبول بأن توثيقه مفقود، وأن معاييره غير مدققة، وأن سلوكه في الرفض تجاه المدخلات العدائية لم يختبره أحد من خارج المختبر الذي ضبطه. الخيار الثاني هو المسار الأقصر والمجهول الأكبر. والخيار الأول هو المسار الأطول والأكثر توثيقًا، ولا تعني أي من هاتين الحقيقتين أنه أفضل.
