LFM2.5-2.6B-Base: إصدار Liquid AI الأكثر هدوءًا هو ما أراده أصحاب الضبط الدقيق حقًا

اقرأ عبر عدادات Hugging Face في 5 أغسطس 2026، وستجد فجوة يصعب تفويتها: LFM2.5-2.6B، النموذج الوكيل على الجهاز الذي أطلقته Liquid AI في 4 أغسطس، يبلغ عدد تنزيلاته 47,393. LFM2.5-2.6B-Base، نقطة التحقق المُدرَّبة مسبقًا التي تنحدر منها كل تلك الأوزان، يبلغ عدد تنزيلاته 151. نفس المنظمة، نفس البنية، نفس الأسبوع، انقسام بنسبة 314 إلى 1.

نقطة التحقق الأساسية لم تُسرَّب ولم تكن مخفية. لقد ظهرت في منشور إطلاق Liquid في قوس واحد بالضبط — «النموذج الأساسي (LFM2.5-2.6B-Base) والنموذج المُدرَّب لاحقًا (LFM2.5-2.6B) متاحان اليوم على Hugging Face» — وهذا هو كل ما نُشر عنها. لا معايير تقييم خاصة بها، ولا قسم مخصص، ولا بطاقة منفصلة. كل ما يلي يُقرأ مباشرةً من المستودع — بطاقة النموذج، config.json، وملف LICENSE وواجهة برمجة تطبيقات Hugging Face — بالإضافة إلى عمليات حسابية أجريناها بأنفسنا. وحين يأتي رقم من تقييمات Liquid الخاصة، نقول ذلك صراحةً، لأن أهم حقيقة بشأن نقطة التحقق هذه تحديدًا هي مدى ضآلة ما تم قياسه فعليًا.

هذا الأمر أهم مما توحي به حاشية سفلية. يمكنك الحكم على نموذج ما بعد التدريب بتجربته. أما نقطة التفتيش الأساسية فهي عرضٌ لقضاء أسبوعين وميزانية GPU قبل أن تتعلم أي شيء، لذا فإن شروط العرض — ما يحتويه، وما هو مرخَّص له، وما تم تقييمه — هي القرار بأكمله.

ما هو موجود فعليًا في المستودع

تسعة ملفات، وجزء واحد من الأوزان، ولا يوجد كود نمذجة. قائمة مواصفات البطاقة، تم التحقق منها مقابل config.json:

• إجمالي المعلمات 2.69 مليار، bfloat16، في ملف واحد بحجم 5.39 جيجابايت model.safetensors. خطط للتخزين وVRAM بناءً على هذا الرقم، وليس على "2.6B."

• 30 طبقة، هجين. تقول البطاقة: 22 كتلة التفاف قصيرة مزدوجة البوابة بالإضافة إلى 8 طبقات انتباه GQA. المصفوفة layer_types الموجودة في config.json تؤكد ذلك تمامًا: 22 إدخالًا من conv و8 من full_attention، حيث تكون طبقات الانتباه موزعة تقريبًا كل كتلة ثالثة أو رابعة بدلاً من أن تكون متجمعة.

• عرض مخفي 2048، وسيط 10752، 32 رأس انتباه على 8 رؤوس مفتاح-قيمة — نسبة GQA من 4 إلى 1 — مع تضمينات إدخال وإخراج مرتبطة وثيتا rope تبلغ 10,000,000.

• مفردات من 128,000 توكين، وتوكينايزر بحجم 18 ميغابايت يرافقه. ضاعفت Liquid المفردات في هذا الجيل، وهي تكلفة كبيرة عند 2.6B: مع التضمينات المربوطة، يُمثّل جدول المفردات وحده حوالي 262M من ميزانية المعلمات، أي ما يقرب من عُشر النموذج.

• 34 تريليون توكن تدريبي. هذه عملية تدريب مسبق طويلة بشكل غير عادي لفئة الحجم هذه، وهي أقوى سبب على الإطلاق للاطلاع على نقطة التحقق.

• 16 لغة مُعلنة: الإنجليزية، العربية، الصينية، الفرنسية، الألمانية، الهندية، الإندونيسية، الإيطالية، اليابانية، الكورية، البولندية، البرتغالية، الروسية، الإسبانية، التايلاندية والفيتنامية.

تناقض واحد لمن يخطط للعمل بسياقات طويلة: تعلن البطاقة عن طول سياق يبلغ 131,072 رمزًا، بينما config.json يضبط max_position_embeddings على 128,000. تقول مدونة Liquid نفسها ووثائقها الرسمية أيضًا 128K. الفرق البالغ 3,072 رمزًا لن يهم معظم الناس، لكن إذا كنت تكتب سكربت تدريب يضمّن التسلسلات حتى الحد الأقصى المُعلن، فثق بملف الإعدادات بدلًا من البطاقة.

سلسلة البنية هي العنوان العملي: model_type هي lfm2 والصنف هو Lfm2ForCausalLM — نفس الصنف الذي جاء مع LFM2. LFM2.5 هو تدريب مسبق موسّع وتدريب لاحق جديد على بنية قائمة، وليس بنية جديدة، لذا لا يحتاج أي شيء هنا إلى كود نمذجة مخصص. لهذا السبب دعمت كل من llama.cpp و vLLM و MLX و ONNX Runtime و SGLang و LM Studio هذه العائلة من اليوم الأول، ولهذا السبب يعمل مسار الضبط الدقيق عبر Unsloth و TRL دون تصحيحات. أنت بحاجة إلى transformers>=5.0.0.

البطاقة التي تحصل عليها هي بطاقة النموذج الآخر.

افتح المستودع الأساسي والعنوان الأول هو "LFM2.5-2.6B" — اسم نموذج ما بعد التدريب، وليس النموذج الذي تنظر إليه. هذه ليست ملاحظة تافهة؛ فالصفحة كاملة تبدو وكأنها بطاقة التعليمات مع فقرة أساسية مدمجة فيها، وثلاثة من الآثار المتروكة قد تكلفك وقتًا كبيرًا.

• The YAML frontmatter says base_mode: LiquidAI/LFM2.5-2.6B-Base. Two problems in one line: the key is a misspelling of Hugging Face's base_model, and it points the base repository at itself. Nothing breaks, but the model tree links you would expect from a properly declared lineage are not being generated from this.

• المستودع مُوسوم بأنه محادثة ويحتوي على chat_template.jinja، لذلك تعرض Hugging Face شارة "Chat template" على نقطة تحقق لم يتم ضبطها على التعليمات من قبل. القالب موجود لأن إعدادات المُرمِّز موروثة، وليس لأن الأوزان تعرف ماذا تفعل به.

• مقتطف البدء السريع يستخدم بعد ذلك هذا القالب. مثال بايثون على البطاقة الأساسية يستدعي tokenizer.apply_chat_template مع رسالة {"role": "user"} ويسأل "ما هو C. elegans؟" — الطريقة الكلاسيكية لجعل النموذج الأساسي يبدو معطوبًا. غلّف نقطة تحقق خام مدربة مسبقًا في جولات محادثة وستحصل على نص منجرف ومتكرر ومستمر ذاتيًا، ومن السهل قراءة ذلك على أنه نموذج سيئ بدلاً من تنسيق استدعاء خاطئ. وجّه هذا النموذج كمُكمل نصي بأمثلة قليلة، مع تسلسلات إيقاف تتحكم فيها.

• يسرد جدول المتغيرات الخط ما بعد التدريب فقط — LFM2.5-2.6B، بالإضافة إلى إصداراته GGUF وONNX وMLX. لا يوجد أي إصدار GGUF أو MLX لنقطة التحقق الأساسية على الإطلاق، لذا فإن "تشغيله محليًا الليلة في LM Studio" ليس واردًا دون تحويله بنفسك.

تذكر Hugging Face أيضًا أنه لا يوجد مزود استدلال يقدم هذا المستودع. لا توجد نقطة نهاية مستضافة لنقطة التحقق الأساسية في أي مكان؛ إذا كنت تريد logits الخاصة بها، فعليك استئجار GPU.

قسم المعايير الذي لا يوجد.

لم يُنشر أي رقم تقييم لنموذج LFM2.5-2.6B-Base. لا MMLU، ولا MMLU-Pro، ولا GPQA، ولا HellaSwag، ولا ARC، ولا رقم لمعامل الحيرة (perplexity) — لا شيء، على أيٍّ من أسطح Liquid الثلاثة (بطاقة النموذج، ومنشور الإطلاق، والوثائق). وبالنسبة لنقطة تحقق أساسية، فإن هذا هو الغياب اللافت، لأن نتائج المعرفة والاستدلال هي بالضبط كيف تحكم على ما إذا كانت 34T رمزًا من التدريب المسبق قد تركت لك شيئًا يستحق الضبط الدقيق.

ما هو موجود يعود إلى النموذج الشقيق المُدرَّب لاحقًا، وقد أبلغت عنه Liquid، ولم تتم إعادة إنتاجه بشكل مستقل. في تقييمات Liquid الخاصة، حصل LFM2.5-2.6B على 51.87 في AIME25، و59.17 في IFBench، و80.07 في Multi-IF، و56.88 في BFCLv4، و77.83 في ToolSandbox، و26.89 في BrowseComp+ داخل بيئة OpenClaw، مقارنةً بـ gemma-4-E2B-it (5.1B)، وgemma-4-E4B-it (8B)، وQwen3.5-4B (4.7B)، وQwen3.5-9B (9.7B). ملخص Liquid هو أنه يتصدر جميع معايير اتباع التعليمات وتقريبًا جميع معايير استخدام الأدوات، ورسمها البياني الخاص صريح بشأن الاستثناءات: Qwen3.5-9B متقدم في AIME25 بدرجة 56.07 وفي BFCLv4 بدرجة 60.13. تتبع ادعاءات السرعة القاعدة نفسها — فك تشفير بمعدل 220 رمزًا في الثانية على M5 Max، و113 على Ryzen AI Max+ 395، وحوالي 30 على الهاتف، وأقل من 2.5 غيغابايت من الذاكرة، وحوالي 15 ألف رمز إخراج في الثانية عند التزامن العالي على H100 واحد — جميعها قياسات من البائع، ولم يتحقق منها أي شخص آخر بعد.

الفخ هو أن تفترض أن أيًا من ذلك ينتقل. تلك الدرجات هي ناتج خط معالجة من أربع مراحل يُطبَّق على هذا النموذج: جولتان من الضبط الدقيق الخاضع للإشراف، وتخصيص معلم لكل مجال، والتقطير متعدد المجالات على السياسة، ثم التعلم المعزز الوَكيلي مع GRPO المُشغَّل داخل بيئات حقيقية. استدعاء الأدوات واتباع التعليمات هما بالضبط السلوكيات التي يثبّتها هذا الخط. خذ الأوزان الأساسية وستبدأ قبل كل ذلك. ما ترثه هو التدريب المسبق — اللغات، والمعرفة العالمية، والقدرة على السياقات الطويلة، والبنية الهجينة الفعّالة — ويجب أن تفترض أنك لا ترث شيئًا من لوحة نتائج الوَكيل.

151 تنزيلاً ليس مجرد تبكير — بل هو خارج عن النمط الخاص بالعائلة

تقوم Liquid بشحن نقاط التحقق الأساسية بشكل روتيني، لذا فإن هذا الإصدار لا يختلف في نوعه. الإهمال هو ما يمكن قياسه. ومقارنة كل مستودع أساسي من LFM2.5 مع نظيره من Instruct في اليوم نفسه تُظهر معيارًا واضحًا للمنزل — وقيمة شاذة واحدة واضحة.

• LFM2.5-230M — 58,676 تنزيلاً مقابل 6,982 للنسخة الأساسية: حوالي 8 إلى 1.

• LFM2.5-350M — 94,526 مقابل 9,397: حوالي 10 إلى 1.

• LFM2.5-1.2B — 583,914 لنسخة Instruct مقابل 17,867 للنسخة الأساسية: حوالي 33 إلى 1.

• LFM2.5-8B-A1B — 171,520 مقابل 3,996: حوالي 43 إلى 1.

• LFM2.5-2.6B — 47,393 مقابل 151: حوالي 314 إلى 1.

بعض ذلك يعود ببساطة إلى قِدَمه؛ فقد أُنشئ المستودع الأساسي في 1 أغسطس، وكان لنموذج التعليمات تقدّم بأربعة أيام بالإضافة إلى منشور إطلاق. لكن نقاط التفتيش الأساسية الأقدم في هذه العائلة استقرت بين 8 إلى 1 و43 إلى 1، لذا فإن تجاوز أسوأها بمرتبة من الحجم يُمثّل شذوذًا حقيقيًا لا مجرد أثر تقريب لمستودع جديد.

الإعجابات تروي قصة أكثر دقة. يحتوي المستودع الأساسي على 28 إعجابًا مقابل 151 تنزيلًا — أي ما يعادل تقريبًا إشارة مرجعية واحدة لكل خمس عمليات سحب. أما نموذج التعليمات فلديه 232 إعجابًا مقابل 47,393 تنزيلًا، أي حوالي إعجاب واحد لكل 204. يقوم المستخدمون بوضع علامة على نقطة التحقق الأساسية للعودة إليها لاحقًا، وليس لسحبها. يوجد بالفعل ضبطان دقيقان من المجتمع وسبعة تكميمات في شجرة النموذج الخاصة به، وهذا هو ما يبدو عليه الطليعة في التبني قبل وصول الحجم الكبير.

"بدون قيود" ليس ما يقوله الترخيص.

تصف صفحة إطلاق Liquid الإصدار بأنه مفتوح الأوزان: "نزّل، واضبط بدقة، وانشر دون قيود." الملف في المستودع يقول شيئًا أضيق، وهذا هو القسم الذي يجب قراءته مرتين إذا كنت تفكر في بناء منتج على هذه الأوزان.

الترخيص هو LFM Open License v1.0 — ليس Apache-2.0، ولا MIT، وليس بنفس شروط معظم النماذج صغيرة الحجم مفتوحة الأوزان التي ربما تقارنها به. نقلاً عن الملف مباشرة، القسم 5 يحمل عنوان "تقييد الاستخدام التجاري" وينص: "الحقوق الممنوحة بموجب هذا الترخيص للاستخدام التجاري مشروطة بألا تتجاوز أنت أو كيانك القانوني الحد الأدنى،" متبوعاً بـ "أي استخدام تجاري للعمل أو عمل مشتق من قبل كيان قانوني يتجاوز الحد الأدنى غير مرخص بموجب هذه الاتفاقية." القسم 1 يعرّف الحد الأدنى بأنه "إيرادات سنوية تبلغ 10 ملايين دولار أمريكي ($10,000,000) أو أكثر."

إذن، القراءة العملية:

• إيرادات سنوية أقل من 10 ملايين دولار — لديك ترخيص واسع ودائم وخالٍ من الإتاوات يغطي الاستنساخ والأعمال المشتقة والتوزيع والترخيص من الباطن، بما في ذلك الاستخدام التجاري.

• عند 10 ملايين دولار أو أكثر — الاستخدام التجاري غير مرخّص بموجب هذه الاتفاقية. ليس «يتطلب الإسناد»، وليس «يتطلب الإشعار». بل تحتاج إلى التواصل مع Liquid، وهو على الأرجح سبب انتهاء البطاقة برابط إلى فريق المبيعات لديهم.

• الأعمال المشتقة ترث هذا القيد. إن ضبطك الدقيق لنقطة التحقق هذه هو عمل مشتق، لذا فإن النموذج الذي تقضي ربع سنة في تدريبه يحمل نفس المنحة المشروطة بالإيرادات. إذا تجاوزت شركتك العتبة — أو استحوذت عليها شركة تتجاوزها بالفعل — فإن الشروط التي يعتمد عليها منتجك تتغير من تحته.

• المؤسسات غير الربحية المؤهلة مستثناة: لا تنطبق العتبة على منظمة 501(c)(3) أو ما يعادلها أجنبيًا إذا كانت تستخدم العمل لأغراض غير تجارية أو بحثية. كما تنطبق الالتزامات العادية — مرّر الترخيص، وحافظ على إشعارات الإسناد، وعلّم الملفات التي غيّرتها.

لا شيء من هذا يجعل الإصدار بخيلًا؛ فعتبة 10 ملايين دولار تعفي تقريبًا كل شركة ناشئة وكل باحث، وهي طريقة مشروعة لنشر الأوزان. لكن عبارة «بدون قيود» هي صياغة تسويقية يتناقض معها الترخيص، ويشتد أثر هذا التناقض هنا تحديدًا. الضبط الدقيق لنقطة تفتيش أساسية هو الأكثر تكلفةً والأقل قابليةً للتراجع بين طرق تبني نموذج. وهذا هو أسوأ موضع لاكتشاف بند إيرادات.

من الذي يجب أن يأخذ نقطة التفتيش هذه فعليًا؟

إرشادات Liquid الخاصة ضيقة بشكل منعش، وتستحق الاتباع: تقول البطاقة إن نقطة التفتيش المدرّبة مسبقًا هي "موصى بها فقط للمهام التي تتطلب ضبطًا دقيقًا مكثفًا، مثل المساعدين الخاصين بلغة معينة (مثل اليابانية) أو بمجال معين (مثل الطبي)، أو التدريب على بيانات مملوكة، أو تجربة أساليب جديدة للتدريب اللاحق." تلك الكلمة "فقط" تقوم بعمل حقيقي. إذا كنت تريد وكيلًا على الجهاز يستدعي الأدوات، فإن LFM2.5-2.6B المدرّب تدريبًا لاحقًا هو نقطة البداية الأفضل قطعًا، ونقطة التفتيش الأساسية ستضيع شهرك.

الحالات التي يكون فيها الاختيار الصحيح حقًا:

• لغة لا تخدمها مرحلة ما بعد التدريب بما يكفي. 34 تريليون توكن عبر 16 لغة هو أساس متعدد اللغات قوي، وقد أثبتت Liquid هذا النمط داخليًا بالفعل ببناء ياباني في سلسلة 1.2B. مواصلة التدريب المسبق على لغتك ثم الضبط بالتعليمات الخاص بك، يتجنب الصدام مع شخصية ما بعد التدريب المتمحورة حول الإنجليزية.

• قطاع خاضع للتنظيم ببيانات مملوكة. أقل من 2.5 غيغابايت عند الاستدلال، دون اعتماد على السحابة، وترخيص متساهل بما يكفي تحت عتبة الإيرادات هو مزيج نادر للنشر الطبي أو القانوني أو الصناعي حيث لا يمكن للبيانات مغادرة الجهاز.

• أبحاث ما بعد التدريب.نشرت Liquid وصفتها — SFT، تخصّص المعلّم، MOPD، RL الوكيل — ثم سلّمت المدخلات الدقيقة لتلك الوصفة إلى جانب المخرجات. إن القدرة على تشغيل طريقتك الخاصة على نفس الأوزان الأولية ومقارنتها مع تنفيذ مرجعي قوي أمر غير مألوف وقيم.

• أهداف التقطير. نموذج هجين بحجم 2.6B يفك ترميز 220 رمزًا في الثانية على جهاز محمول، وهو طالب جذاب لضغط معلم أكبر بكثير إلى شيء قابل للنشر.

ذلك الزوج الأخير هو المكان الذي تستقر فيه التكلفة فعليًا، وهي ليست ساعات GPU — بل البيانات. يعمل خط أنابيب Liquid على تخصّص المعلّم والتقطير على السياسة، مما يعني أن الشرط المسبق الحقيقي لإعادة إنتاج أي شيء مماثل هو حجم كبير من البيانات المولّدة من نماذج أقوى، بالإضافة إلى أزواج التفضيل ولفّات المكافآت القابلة للتحقق. إنها مهمة متعددة النماذج قبل أن تكون مهمة تدريب: تريد مقارنة المعلّمين المرشّحين في مجالك، ثم التوليد بكميات كبيرة من النموذج الفائز. هذا هو الجزء من العمل الذي يستهدفه منتجنا — يضع OrcaRouter أكثر من 200 نموذج خلف مفتاح API واحد بهامش ربح 0%، لذا فإن ما تدفعه مقابل مجموعة SFT اصطناعية هو السعر الرسمي للمزوّد وليس علاوة توجيه (عندما يخفّض البائع أسعاره، يصل ذلك إلينا في اليوم نفسه)، والتبديل التلقائي يمنع عملية توليد تستمر عشرين ساعة من الانهيار بسبب تعطّل مزوّد واحد، وتتيح لك لغة التوجيه (routing DSL) توجيه استعلام واحد عبر عدة معلّمين والاحتفاظ بأفضل إجابة. وللتوضيح فيما لا نقدّمه: LFM2.5-2.6B-Base ليس على OrcaRouter ولا يستضيفه أي مزوّد استدلال — أنت تشغّل هذه الأوزان بنفسك. نحن مفيدون للمعلّمين، لا للطالب.

نفس التقسيم يجدر تذكّره لأي شيء تطلقه. يجادل منشور Liquid بأن الوكلاء المحليين يجعلون الاستدلال مجانيًا ويزيلون تكلفة كل توكن كقيد، وهو ما ينطبق على التوكن الهامشي وليس على الفاتورة الإجمالية — فقد دفعتها مسبقًا في العتاد، وما يزال نموذج 2.6B بسقف محدد. يقول Liquid ذلك بنفسه، ناصحًا بعدم استخدام هذه العائلة في الأعمال الوكيلة المكثفة برمجيًا أو المعرفية. النمط المستدام هو نموذج محلي مضبوط بدقة يتولى المسار الشائع عالي الحجم على الجهاز، ويرفع الأقلية الصعبة إلى نموذج حدودي عبر واجهة API، وهذا يحافظ على مكاسب الخصوصية والكمون حيث تكون مهمة، دون ادعاء أن معلمات 2.6B يمكنها فعل كل شيء.

المسار من هذه الأوزان إلى شيء قابل للاستخدام

{{1}}لا يذكر منشور الإطلاق شيئًا عن هذا، لكن البطاقة الأساسية تتضمن بصمت الأداة الأكثر عملية في المستودع بأكمله: سبعة دفاتر Colab جاهزة للتشغيل تغطي مراحل خط الأنابيب الدقيقة التي يحتاجها checkpoint أساسي.{{/1}} {{2}}اثنان منها للتدريب المسبق المستمر — أحدهما لإكمال النص والآخر للترجمة — وهي الخطوة التي لا تكون منطقية إلا انطلاقًا من الأوزان الأساسية، والتي لا يكتب لها أحد دروسًا تعليمية.{{/2}} {{3}}أما البقية فتغطي الضبط الدقيق الخاضع للإشراف عبر Unsloth وTRL، وDPO عبر TRL، وGRPO عبر كليهما.{{/3}} {{4}}كما توفر Liquid LEAP Finetune كحزمة تدريب خاصة بها إذا كنت تفضل عدم تجميع واحدة بنفسك.{{/4}}

قراءة وثائق الضبط الدقيق لـ Liquid مقارنةً بشكل هذا النموذج، يبدو التسلسل الواقعي كما يلي:

• شغّله كمُكمِل للنص أولاً، قبل أن تُجري أي تدريب. تجاهل قالب المحادثة الموجود على البطاقة. استخدم نمط الأمثلة القليلة، نصًا خامًا، وتسلسلات إيقاف خاصة بك. بهذه الطريقة تكتشف ما إذا كان التدريب المسبق يغطي بالفعل مجالك ولغتك، وهو ما يحدد ما إذا كنت بحاجة إلى تدريب مسبق مستمر أصلًا أو يمكنك التخطي مباشرة إلى SFT.

• استمر في التدريب المسبق فقط إذا كنت تضيف معرفة أو لغة. هذا هو الفرع المكلف — على مستوى المجموعة النصية، وليس على مستوى الأمثلة — والشيء الوحيد الذي لا يستطيع النظير المدرب بعد التدريب أن يمنحك إياه حقًا.

• ثم SFT باستخدام LoRA، على 500 إلى 5,000 مثال.إرشادات Liquid نفسها تقول إن الجودة والتوزيع يتفوقان على الكمية، وأن الأمثلة يجب أن تطابق مدخلات الإنتاج. عند 2.6B، تكون دورة LoRA قصيرة: توثيقاتهم تشير إلى أن تشغيل نموذج 1.2B يستغرق من دقائق إلى عشرات الدقائق على GPU حديثة واحدة، لذا فإن هذا الحجم لا يزال ضمن دورة يمكن إكمالها في نفس الظهيرة.

• ثبّت مجموعةً محجوزة قبل أن تدرّب. كلامٌ صريح، وجديرٌ بالتكرار لهذه المرحلة تحديدًا، لأنه لا يوجد خط أساس منشور للمقارنة — مجموعة التقييم الخاصة بك هي الرقم الوحيد الذي يملكه أي شخص.

• مرحلة التفضيل أو التعلم المعزز تأتي أخيرًا، وفقط إذا كانت المشكلة في السلوك. توجد وصفات DPO وGRPO لهذه العائلة، لكنها تحسينات فوق نموذج يجيب بالفعل؛ واللجوء إليها قبل اكتمال SFT هو السبب في توقف مشاريع نقطة الأساس.

لاحظ ما ليس في تلك القائمة: لا شيء هنا يحتاج إلى نواة مخصصة، أو مُدرّب مُعدّل، أو ملف نمذجة. وبما أن LFM2.5 يعيد استخدام بنية LFM2، فإن نقطة التحقق الأساسية تنزلق في الحزمة القياسية، والتكلفة الكاملة لهذا المشروع هي المجموعة النصية ومجموعة التقييم التي تبنيها من أجله.

ما الذي قد يغيّر الصورة؟

ثلاثة أمور تستحق المتابعة، جميعها يسيرة على Liquid حلّها، ولم يُحلّ أيٌّ منها اليوم.

الأول هو التقييمات الأساسية. رقم واحد من MMLU-Pro أو GPQA على نقطة التحقق المدربة مسبقًا سيفيد القائمين بالضبط الدقيق أكثر من كل مقياس وكلائي في منشور الإطلاق مجتمعًا، وحقيقة أن 34 تريليون توكن دخلت في التدريب تجعل غيابه أكثر إثارة للفضول، لا أقل. الثاني هو البطاقة نفسها — مستودع أساسي عنوانه يسمي نموذجًا مختلفًا، ودليل البدء السريع يطبق قالب محادثة على نموذج غير مخصص للمحادثة، وبياناته الأمامية تخطئ في كتابة base_model، وهذا إصلاح يستغرق عشر دقائق من شأنه أن يمنع الناس من الاستنتاج بأن الأوزان معطوبة بينما تكون التعليمات هي المعطوبة. الثالث هو التقرير الفني لنموذج LFM2.5. كتلة الاقتباس تشير إلى arXiv 2511.23404، وهو LFM2 التقرير الفني الصادر في نوفمبر 2025؛ ورقة جيل 2.5 نفسها لم تصدر بعد، لذا فإن مزيج بيانات ما قبل التدريب وراء تلك التوكنات البالغ عددها 34 تريليونًا لا يزال غير معلن.

حتى ذلك الحين، الملخص الصادق هو أن هذا نموذج أساسي بحجم 2.6 مليار معامل، محدد المواصفات جيدًا، مدرَّب لفترة طويلة، بتصميم كفء، وله جمهور مستهدف واضح بشكل غير معتاد، نُشر دون أي قياسات وبترخيص يضع سقفًا للإيرادات، وحتى الآن لا أحد تقريبًا أخرجه من الصندوق. إذا كنت ضمن الجمهور الذي تصفه بطاقة النموذج، فهو يستحق وقتك على وحدات المعالجة الرسومية — وستكون من بين أوائل الناس في كل مكان الذين يعرفون مدى جودته الفعلية.

أسئلة تستحق الإجابة

هل هذه هي نفس نقطة التحقق التي تم التدريب اللاحق منها على LFM2.5-2.6B، أم أنها عملية تدريب مسبق منفصلة؟

تشير البطاقة إلى أن LFM2.5-2.6B-Base "هو نقطة التحقق المُدرَّبة مسبقًا والمقتصرة على النصوص، والتي تُستخدم لإنشاء جميع نسخ LFM2.5-2.6B"، لذا فهو المدخل الفعلي لخط الأنابيب المنشور وليس إصدارًا موازيًا أو مبتورًا. وهذا ما يجعله مفيدًا لأبحاث ما بعد التدريب: طريقتك ومراحل Liquid الأربع تبدأان من أوزان متطابقة، لذلك تكون المقارنة بينهما ذات دلالة. ومن الجدير بالملاحظة أن المستودع الأساسي أُنشئ في 1 أغسطس وتم تعديله آخر مرة في 4 أغسطس، يوم الإطلاق — تحقق من سجل الالتزامات قبل افتراض أن الملف الذي نزّلته مبكرًا هو الملف الذي صدر فعليًا.

هل يمكنني ضبطه بدقة وبيع النتيجة؟

إذا كانت الإيرادات السنوية لكيانك القانوني أقل من 10,000,000 دولار، فنعم — يغطي منح LFM1.0 الاستخدام التجاري للأعمال المشتقة، بشرط الحفاظ على الترخيص وإشعارات الإسناد سليمة ووضع علامات على الملفات المعدلة. عند بلوغ هذا الحد أو تجاوزه، يخرج الاستخدام التجاري للنموذج أو أي شيء مشتق منه عن نطاق الترخيص ويتطلب ترتيبًا منفصلاً مع Liquid. يرتبط الحد بإيرادات كيانك وليس بالنموذج أو بالإيرادات التي يحققها، وبالتالي يمكن ترخيص نفس النموذج المُعدَّل لشركة دون أخرى، والشركة التي تتجاوز الخط بنموها لا تحتفظ بالمنح الذي كانت تملكه.

لماذا لا نقوم فقط بضبط دقيق لنموذج LFM2.5-2.6B المُدرَّب تدريبًا لاحقًا بدلاً من ذلك؟

بالنسبة لمعظم المشاريع، يجب أن تبدأ من نقطة التحقق الأساسية، وهذا ما تقوله بطاقة Liquid فعليًا. السبب في البدء من نقطة التحقق الأساسية هو عندما يكون التدريب اللاحق يعمل ضدك لا لصالحك: فالتدريب المسبق المستمر والمكثف على لغة جديدة أو مجموعة نصوص متخصصة يميل إلى إضعاف السلوك المضبوط بالتعليمات على أي حال، كما أن أنماط الرفض، واصطلاحات استدعاء الأدوات، وأسلوب الاستجابة المضمنة عبر SFT و RL من الصعب إزالتها ومن السهل أن تتعارض معها. إذا كنت تضيف معرفة أو لغة، فابدأ من النموذج الأساسي. إذا كنت تعدّل السلوك بشكل هامشي، فابدأ من النموذج الذي خضع للتدريب اللاحق واحتفظ بمراحل العمل الأربع التي دفع شخص ما ثمنها بالفعل.