LFM2.5-24B-A2B vs Ternary Bonsai 2 27B: La diferencia son 2 bits y una conexión a la nube

Aquí está la respuesta honesta más breve. LFM2.5-24B-A2B es un modelo de mezcla de expertos solo de texto que Liquid AI creó para funcionar dentro de un bucle de agente en una máquina sin red, anunciado el 13 de octubre de 2026 con 24.0B parámetros totales y 2.45B parámetros activos. Ternary Bonsai 2 27B es una reescritura de bajo bit de Qwen3.8-27B que Prism ML lanzó el 17 de septiembre de 2026 bajo Apache 2.0, almacenando cada peso como uno de tres símbolos a 1.76 bits efectivos y reduciendo un modelo FP16 de 53.81 GB a una descarga de 5.93 GB. Ambos son lo suficientemente pequeños para conservarse localmente y ambos tienen pesos abiertos, y no intentan hacer el mismo trabajo. El modelo de Liquid se entrenó para llamar a herramientas. El modelo de Prism es un modelo visión-lenguaje de precisión completa llevando un traje mucho más barato.

Lo que hace que el emparejamiento merezca una página es que cada uno te dice dónde su propia evidencia es escasa, y las dos debilidades son opuestas.

Lo que es cada uno, reducido a la parte que importa

LFM2.5-24B-A2B mantiene la arquitectura LFM2: 40 capas, 30 bloques de convolución corta con doble compuerta y 10 capas de atención con consultas agrupadas, 64 expertos por bloque con enrutamiento top-4, 131.072 tokens de contexto, un vocabulario de 128.000 tokens, texto de entrada y texto de salida. El pipeline de posentrenamiento de Liquid termina con una etapa de aprendizaje por refuerzo agéntico ejecutada dentro de OpenClaw, Hermes Agent, Pi y OpenCode. El proveedor recomienda explícitamente combinarlo con recuperación o búsqueda web en lugar de confiar en él para preguntas de conocimiento, y en su propia tabla de lanzamiento la fila de AA-Omniscience se sitúa en −24,90, que es ese consejo en forma numérica.

Ternary Bonsai 2 27B es la misma red que Qwen3.8-27B escrita de otra manera. El whitepaper de Prism ML divide 27,36 mil millones de parámetros en 24,35 mil millones en la red troncal del lenguaje a lo largo de 64 bloques, 2,54 mil millones en el embedding y la cabeza LM, y 0,47 mil millones en una torre de visión de 27 bloques que se distribuye como un archivo mmproj separado de 4 bits de aproximadamente 0,63 GB y se carga solo cuando llega una imagen. La atención híbrida del modelo base —48 capas de atención lineal Gated DeltaNet intercaladas con 16 capas de atención completa, tamaño oculto de 5.120, un vocabulario de 248.320 tokens— se hereda sin cambios. Lo mismo ocurre con el contexto de 262.144 tokens.

La línea que los separa más rápidamente es la modalidad. Ternary Bonsai 2 27B acepta imágenes. LFM2.5-24B-A2B no lo hace, y ningún truco de cuantización cambia eso.

Calidad, en la única mesa que cualquiera de los dos tiene

Prism ML comparó su compilación con el original de precisión completa en una batería de 20 benchmarks e informa que conserva el 98,2 % del promedio: 83,9 frente a 85,4. Ese es el propio banco de pruebas del proveedor, de hace un mes, que nadie ha reproducido. También es, deliberadamente o no, justo el tipo de afirmación que oculta su propia distribución, porque los 1,8 puntos no están repartidos de manera uniforme.

• Matemáticas — 96.57 versus 97.06.Nivel de efecto.

• Codificación — 81.58 frente a 82.17. Ajustado, y la categoría sobre la que se está discutiendo la técnica de compresión.

• Seguimiento de instrucciones — 82,66 frente a 81,25. El modelo comprimido va por delante, la única línea verdaderamente sorprendente de la tabla.

• Conocimiento y razonamiento — 83,95 frente a 86,66. Una caída de 2,7 puntos y el mayor contribuyente individual a los 1,8 que faltan.

• Agéntico y llamada de herramientas — 77,57 frente a 79,74, abarcando τ2-Bench con 80,22 y BFCL v3 con 74,92.

Ahora bien, el problema de usar esa tabla aquí. Los números de Prism son los de su build frente a su propia base de precisión completa. Los números de Liquid —AutomationBench 27,69, LiveClaw 48,09, ToolSandbox 80,71, BFCLv4 65,01, IFEval 96,75, IFBench 74,69— son frente a un conjunto distinto de modelos, en un harness distinto y con ajustes de generación distintos. No hay ni un solo benchmark que aparezca en ambas tablas.Quien ponga BFCLv3 74,92 junto a BFCLv4 65,01 y proclame un ganador ha comparado dos pruebas distintas y lo ha llamado resultado.

El tiempo de ejecución es donde los dos se separan de verdad

Esta parte no es una {{1}}afirmación de proveedor{{/1}}, es un {{2}}hecho de compatibilidad{{/2}} que puedes {{3}}comprobar en una tarde{{/3}}.

Prism ML tuvo que escribir kernels para la arquitectura, porque tanto el formato empaquetado como la atención mayormente lineal son inusuales. El llama.cpp estándar rechaza ambos empaquetados de Prism como tipos desconocidos —y, lo que es más peligroso, carga un formato ternario más antiguo sin quejarse y produce sinsentidos fluidos, porque no se ha aplicado ninguna rotación correspondiente a las activaciones. Si ejecutas Ternary Bonsai 2 27B en un binario que no lo conoce, no obtienes un error. Obtienes una salida incorrecta pero segura de sí misma.

LFM2.5-24B-A2B tiene el perfil de riesgo opuesto. Liquid enumera soporte desde el primer día en llama.cpp para GGUF, MLX, vLLM, SGLang y ONNX, además de repositorios hermanos de FP8, ONNX y MLX de 4 bits: un lanzamiento convencional. La cuestión abierta en este caso es el rendimiento más que la corrección: las cifras del proveedor de 184 tokens por segundo en un Apple M5 Max y 114 en un AMD Ryzen AI Max+ 395 no se han reproducido, y el titular «hasta 1,7× más rápido que el siguiente mejor modelo» no lleva adjunta ninguna línea base publicada.

¿Dónde importa realmente un margen del 0% aquí?

Entre estos dos modelos, el ángulo de enrutamiento es genuinamente incómodo, y vale la pena decirlo en lugar de maquillarlo. Ternary Bonsai 2 27B es una descarga: Prism ML lo distribuye en Hugging Face bajo Apache 2.0, y el punto de toda la técnica es que lo ejecutas tú mismo. LFM2.5-24B-A2B también es principalmente un artefacto local, con el endpoint de Console de Liquid a $0,10 por millón de tokens de entrada — $0,05 en caché — y $1,00 por millón de salida como la alternativa alojada. La propuesta de valor central de ninguno de los dos es una llamada de API medida.

Donde una capa de enrutamiento se gana su lugar es junto a ellos, no en lugar de ellos. El modelo base del que se comprime Ternary Bonsai 2 27B es qwen/qwen3.8-27b, publicado por A​libaba el 13 de agosto de 2026, y se sirve en nuestro catálogo a 0,33 $ por millón de tokens de entrada y 2,40 $ por millón de tokens de salida, lo que significa que la misma tarea puede ejecutarse contra el modelo servido de precisión completa mientras evalúas la compilación local de 5,93 GB con los mismos prompts. Es una comparación justa que se hace a bajo costo, y es la que la propia tabla de 20 benchmarks de Prism no puede hacer por ti.

La licencia, que no es una nota al pie en ninguno de los dos lados

Ternary Bonsai 2 27B tiene Apache 2.0, sin disparador de ingresos ni cláusula de campo de uso; lo mismo ocurre con los pesos Qwen3.8-27B de los que deriva. LFM2.5-24B-A2B se distribuye bajo la licencia lfm1.0 de Liquid, que es un instrumento diferente con sus propios términos comerciales. Desde una lectura puramente de ingeniería, los dos modelos son lo suficientemente cercanos como para que la elección a menudo se reduzca a la forma de despliegue —ejecutor local frente a razonador visual local—, pero la licencia es el único insumo que no cambia con el ciclo de benchmarks, y vale la pena contrastarla con tus propios números de ingresos antes de construir un producto sobre cualquiera de los dos.

Lo que cada proveedor dejó sin medir es lo que hay que vigilar. Prism ML publicó un porcentaje de retención, pero no el comportamiento por carga de trabajo de un modelo de 1,76 bits sobre tus datos, y un artefacto de compresión que es el 98,2 % del promedio todavía puede ser la herramienta equivocada para la única categoría que te importa: la caída en programación, pequeña en conjunto, golpea más fuerte en algún punto concreto. Liquid publicó una tabla agéntica sin ninguna columna independiente y sin ninguna cifra de recuperación de contexto largo para una ventana de 131K. Ambas lagunas se cierran con el lanzamiento de un benchmark en lugar de una entrada de blog, y el proveedor que lance uno primero habrá llevado la discusión mucho más lejos de lo que lo hicieron los últimos 1,8 puntos.

Sigue en directo las caídas y degradaciones de modelos en nuestro archivo de incidentes y consulta qué rutas han conmutado correctamente.