Liquid AI d1-3B مقابل LFM2.5-2.6B-Base: نموذج القرار وسلفه

هذه ليست مواجهة بين متنافسين اثنين. بُني Liquid AI d1-3B، نموذج القرار مفتوح الأوزان الذي نشرته Liquid AI في 7 أكتوبر 2026، على أساس بناه المزوّد عبر حساب متوسط أوزان LFM2.5-2.6B مع العمود الفقري النصي لـ LFM2.5-VL-3B. وLFM2.5-2.6B-Base هو ذلك الوالد الأول — نقطة الحفظ الخام المدربة مسبقًا التي رفعتها Liquid في 1 أغسطس 2026، بـ 2.69 مليار معلمة، و34 تريليون رمز تدريبي، وسياق من 131,072 رمزًا، بلا ضبط تعليمات وبلا قالب محادثة. لذا فالتأطير الصادق لهذه المقارنة هو سليل مقابل سلف: نموذج دُرّب لاحقًا لمهمة محددة جدًا، يقف إلى جانب الركيزة غير المشكّلة التي شُكّل منها. أحدهما يجيب عن الأسئلة الليلة. والآخر هو نقطة البداية إذا كان السؤال الذي تحتاج إلى إجابة عنه سؤالًا لم يطرحه أحد بعد.

ما هو كل واحد منها في الحقيقة

تُقرأ بطاقتا النموذج كوثيقتين من مرحلتين مختلفتين في خط إنتاج، والاختلافات بينهما ليست أسلوبية.

Liquid AI d1-3B يحمل 3.12 مليار معلمة، ومشفّر رؤية SigLIP2 NaFlex بحجم 400 مليون، ونافذة سياق من 32,768 رمزًا، ومفردات من 128,000 رمز، وستة عشر لغة موثّقة. إنه نموذج قرار: تعطيه حالة وأسئلة مسمّاة، فيعيد احتمال نعم/لا، أو تسمية مختارة مع درجة ثقة وتوزيع كامل للخيارات، أو درجة مرتّبة — في تمريرة أمامية واحدة، دون توليد أي رموز إخراج. يتضمن system_one استدعاءً لحالة واحدة مع عدة أسئلة، ونسخة مجمّعة تضمّ طلبات كثيرة دون حشو، وواجهة وصول خام probabilities للتوزيعات الأساسية. إنه ليس نموذج محادثة ولا يكتب نصًا، وبطاقة النموذج تقول ذلك بهذه الكلمات.

LFM2.5-2.6B-Base يحمل 2.69 مليار معامل في 30 طبقة — 22 كتلة التفاف قصير مزدوجة البوابات و8 كتل انتباه بالاستعلامات المجمّعة — دُرِّب على 34 تريليون رمز ووُسِّع إلى سياق من 131,072 رمزًا أثناء التدريب المتوسط، مع نفس المفردات البالغة 128,000 رمز ونفس اللغات الست عشرة. إنه نقطة تحقق نصية مدربة مسبقًا فقط، بلا ضبط تعليمات، وبلا معايير تقييم على بطاقته، مع توصية تُقرأ كتحذير: استخدمه فقط للمهام التي تتطلب ضبطًا دقيقًا مكثفًا. إنه يكمل النص. ولا يتبع التعليمات.

كلاهما تنزيلات غير مقيّدة ببوابات بموجب ترخيص Liquid المفتوح الخاص بها. وكلاهما يعطي الأولوية للنص. ولا يوجد أيٌّ منهما في كتالوجنا، ولا شيء هنا يُعد ادعاءً بتوافر أيٍّ منهما.

النسب هو الجزء المثير للاهتمام.

لم تضبط Liquid ضبطًا دقيقًا نموذجًا جديدًا لإنتاج إصدار d1. بل حسبت متوسط نقطتي حفظ — LFM2.5-2.6B وبرج النص في LFM2.5-VL-3B — للحصول على نقطة انطلاق أفضل، ثم أجرت ضبطًا دقيقًا لعدة تشغيلات ببذور عشوائية ومزيجات بيانات مختلفة، ودمجتها معًا مرة أخرى. إن رواية المورّد عمّا حسّن النتيجة خالية بشكل لافت من أي تقنية غريبة: فالتدريب على مدخلات طويلة، وخلط ترتيب ظهور خيارات الإجابة، وإزالة الطرق المختصرة من بيانات التدريب، فعلت أكثر من أي طريقة متقدمة جرّبوها.

تلك التفصيلة الخاصة بإزالة الاختصارات تستحق التوقف عندها، لأنها تسمي الفشل الذي وُجدت هذه الفئة لتجنبه. النموذج المدرب على الإجابة عن أسئلة متعددة الخيارات سيتعلم بكل سرور أن الخيار ب هو عادةً الصحيح، أو أن الخيار الأطول هو الفائز. خلط ترتيب الخيارات أثناء التدريب هو ما يمنع ذلك. نموذج القرار الذي تعلم أولوية الموضع بدلاً من قراءة الحالة أسوأ من عديم الفائدة — فهو مخطئ بثقة على نطاق واسع — وهو الشيء المحدد الذي يفصل نموذج قرار حقيقي عن مصنف مزود بموجه.

هناك أيضًا تراجع يستحق أن يُسمّى بصراحة، لأن المورّد لا يفعل ذلك: نقطة التحقق الأساسية لديها نافذة سياق تبلغ 131,072 رمزًا، بينما لدى Liquid AI d1-3B ‏32,768. وقد كلّف التدريب اللاحق ليصبح نموذج قرار ثلاثة أرباع السياق القابل للاستخدام. إذا كنت تتخيل أن السليل يهيمن هيمنة صارمة على سلفه في كل محور، فهو لا يفعل ذلك، وقرارات المستندات الطويلة هي المحور الذي تمتلك فيه نقطة التحقق الأقدم مساحة أكبر — من حيث المبدأ، لكنها لا تملك رأس قرار يمكنها استخدام تلك المساحة به.

لوحة النتائج، مع اللا تماثل المرفق

إن مقارنة هذين على المقاييس المعيارية خطأ فئوي، لكنه خطأ فئوي ذو شكل مُعلِم، لذا ها هو ذا مع التحفظات في موضعها. كل أرقام d1-3B هي أرقام Liquid نفسها، قيّمها المورّد باستخدام المُقيّم الرسمي بدلًا من تقديمها إلى لوحة صدارة عامة، ولم يُعِد إنتاجها أي طرف ثالث. كل أرقام LFM2.5-2.6B-Base غائبة لأن النموذج الأساسي ليس لديه ما يُقاس.

• Decision Index 0.2.1 — Liquid AI d1-3B 48.57، الأول بين كل ما دون 10B في جدول المورّد، ومتقدّم على نموذج قرار يبلغ حجمه اثني عشر ضعف حجمه. LFM2.5-2.6B-Base — لم يُقيَّم، ولا يمكن تقييمه دون رأس قرار.

• اختبارات النصوص — يحقق Liquid AI d1-3B متوسطًا قدره 82.9 عبر سبعة اختبارات معيارية عامة تغطي الفهم والسمّية والقصد والأسئلة الطبية والفهم عبر اللغات. بينما لا ينشر LFM2.5-2.6B-Base أي جدول اختبارات معيارية على الإطلاق.

• الرؤية — يحقق Liquid AI d1-3B في المتوسط 74.1 عبر أحد عشر معيارًا لتصنيف الصور تُقرأ كقرارات؛ وإزالة الصور تُخفض الأسئلة نفسها إلى 45.1. إن LFM2.5-2.6B-Base نصي فقط، بلا برج رؤية.

• المعاملات — 3.12 مليار مقابل 2.69 مليار. نموذج القرار هو الأكبر بين الاثنين، وهو عكس الرواية المعتادة لما بعد التدريب.

• السياق — 32,768 رمزًا مقابل 131,072. يفوز السلف بهذا الصف، وهو الصف الوحيد الذي يفوز به.

• زمن الاستجابة — يجيب Liquid AI d1-3B على سؤال واحد في 8 مللي ثانية على RTX 4090 و50 مللي ثانية على Jetson Orin Nano، ويشغّل 64 حالة معبأة بمعدل 475 في الثانية على 4090. لا يمتلك LFM2.5-2.6B-Base زمن استجابة يمكن ذكره حتى تقوم بضبطه الدقيق ليصبح شيئًا يجيب على سؤال، وعندها يكون الرقم خاصًا بنموذجك المضبوط بدقة.

ما الذي تختار بينه عمليًا

قاعدة القرار هنا واضحة على نحو غير معتاد، لأن نقطتي التحقق لا تتنافسان على بند الميزانية نفسه.

استخدم Liquid AI d1-3B عندما يكون السؤال موجودًا بالفعل ويكون أحد الأشكال الثلاثة التي يتعامل معها نموذج القرار: نعم أو لا، أو اختيار من مجموعة مسماة، أو تقييم على مقياس مرتب. التطبيقات المنشورة كلها مهام إنتاجية مألوفة — الفرز والتوجيه، والإشراف، وتصنيف النية والموضوع، وفحوصات الاستخلاص، وإعادة الترتيب، وضوابط أمان الوكلاء، والفحص البصري. أرقام العرض التوضيحي التي أجراها المورّد في 5 أكتوبر وضعت d1 في مواجهة GPT-6.1 Sol وClaude Opus 5.5 على ست من هذه المهام، وتزعم أنه يضاهي أو يتفوق على GPT-6.1 Sol في أربع منها بينما تكلّف أقل بمقدار 19x إلى 200x؛ وتذكر صفحة المنهجية بوضوح أن كل تطبيق شُغّل مرة واحدة لكل نموذج، لذا تعامل مع شكل الادعاء باعتباره النتيجة، وليس مع المنازل العشرية. واللافت حقًا هو عرض الفحص: فرز السليم مقابل المعيب عبر أربعة خطوط إنتاج بدقة تتراوح بين 85 و97% في مهمة لم يُدرَّب النموذج عليها قط، وفُهمت من وصف قصير.

Take LFM2.5-2.6B-Baseعندما لا يكون السؤال موجودًا بعد. فهو نقطة الانطلاق الأرخص لضبط دقيق تنوي امتلاكه — رأس قرار خاص بمجال، أو مُصنِّف مُخصَّص، أو مهمة لا يملك أحدٌ نقطة تحقق لها. ترث المعمارية والمُرمِّز والسياق الطويل، وتدفع الثمن في الحوسبة والبيانات والتقييم. اثنتان من التطبيقات الأربع التي بنتها الجهة المورّدة حول d1 انطلقتا من مشاريع مفتوحة المصدر بدلًا من الصفر، وهي صورة منصفة لما تنتجه فعليًا نقطة تحقق أساسية مصحوبة بالانضباط.

الفخ العملي هو التعامل مع نقطة التحقق الأساسية (base checkpoint) كبديل جاهز للاستخدام المباشر. فهي ليست مساعدًا، ولن تتبع مطالبة، وعند تقييمها كنموذج محادثة تحصل على درجة قريبة من الصفر — وهذا ليس حقيقة عن جودتها، بل حقيقة عمّا يعنيه مصطلح «base».

الاستضافة الذاتية لأي منهما، والطبقة الأعلى

يصل كلاهما كأوزان، وقد قام المورّد بأعمال النشر الخاصة بجانب d1: دعم llama.cpp منذ اليوم الأول، وحزمة NVIDIA الكاملة من DGX وصولاً إلى Jetson، وتكميم NVFP4، ونسخة 8 بت للأوزان والتنشيطات، وتحويلات GGUF على Hugging Face. تمتلك نقطة التحقق الأساسية نسخاً خاصة بها بصيغ GGUF وONNX وMLX عبر عائلة LFM2.5 الأوسع. إذا كنت تفضّل عدم استضافة أي شيء، فإن Liquid تقدّم d1المستضاف من واجهة API الخاصة بها بتسعير قائم على رموز الإدخال فقط، مع احتساب الصور بـ1.5 رمز لكل رقعة بحجم 32×32 بكسل؛ كما يتوفّر الوصول النصي فقط عبر منصات طرف ثالث.

ما لا يغيّره أيٌّ من المسارين هو بقية المكدّس. النموذج الذي تستضيفه بنفسك هو نموذج عليك أن تُبقيه حيًّا، وتدير إصداراته، وتتعامل مع أعطاله — والقرارات التي يغذّيها تظل مع ذلك تهبط إلى جانب استدعاءات التوليد التي لا تستضيفها. هذا المزيج هو الطبقة التي يطويها الموجّه: نقطة نهاية واحدة عبر أكثر من 200 نموذج، قوائم أسعار المزوّدين تُمرَّر بهامش 0% بحيث يصبح أي تغيّر في سعر مورّد ساريًا لديك في اليوم نفسه، وتحويل تلقائي عند الفشل بحيث لا تتحوّل أمسية سيئة لدى أحد المزوّدين upstream إلى انقطاع في خدمتك. واستضافة نموذج قرار بحجم 3B إلى جانبه تجعل مسألة التوجيه أكثر حِدّة لا أكثر ليونة، لأنك الآن تملك نصف خط المعالجة وتستأجر النصف الآخر.

أيّ واحد، لمن؟

إذا كان السؤال الذي تحتاج إلى إجابته هذا الأسبوع هو أحد الأشكال الثلاثة التي يتخذها نموذج القرار، وكان سؤالاً قد تخيّله شخص آخر بالفعل، فإن النموذج المشتق مكتمل ومجاني ويعمل في 50 مللي ثانية على جهاز بدون GPU — فخُذ Liquid AI d1-3B وانتهِ من الأمر.

إذا كنت تبني الشيء الذي يجيب عن سؤال لم يطرحه أحد بعد، ولديك البيانات والموارد الحاسوبية لتمتلك ذلك، فإن LFM2.5-2.6B-Base هو نقطة البداية الصادقة، ويجدر بك أن تعرف أن النموذج المنحدر المذكور في هذا المقال قد صُنع منه بالضبط عبر المسار الذي أنت على وشك أن تسلكه.

وإذا لم تكن متأكدًا من أيّ من هاتين الحالتين أنت فيها، فالإجابة هي الأولى دائمًا تقريبًا. التدريب اللاحق لتحويل النموذج إلى رأس قرار هو الخطوة المكلفة؛ أما تشغيل رأس يملكه شخص آخر فهو مجاني.