LFM2.5-24B-A2B vs Ternary Bonsai 2 27B : la différence, c'est 2 bits et une connexion cloud

Voici la réponse honnête la plus courte. LFM2.5-24B-A2B est un mélange d'experts uniquement textuel que Liquid AI a conçu pour s'intégrer dans une boucle d'agent sur une machine sans réseau, annoncé le 13 octobre 2026 avec 24,0 milliards de paramètres au total et 2,45 milliards de paramètres actifs. Ternary Bonsai 2 27B est une réécriture à faible précision de Qwen3.8-27B que Prism ML a publiée le 17 septembre 2026 sous licence Apache 2.0, stockant chaque poids comme l'un de trois symboles à 1,76 bit effectif et réduisant un modèle FP16 de 53,81 Go à un téléchargement de 5,93 Go. Ils sont tous deux assez petits pour être conservés localement et tous deux à poids ouverts, et ils ne cherchent pas à faire le même travail. Le modèle de Liquid a été entraîné à appeler des outils. Le modèle de Prism est un modèle vision-langage de pleine précision qui porte un costume bien moins cher.

Ce qui rend l’association digne d’une page, c’est que chacun vous dit où ses propres preuves sont minces, et que les deux faiblesses sont opposées.

Ce qu’est chacun, réduit à la partie qui compte.

LFM2.5-24B-A2B conserve l'architecture LFM2 : 40 couches, 30 blocs de convolution courte à double porte et 10 couches d'attention à requêtes groupées, 64 experts par bloc avec routage top-4, 131 072 jetons de contexte, un vocabulaire de 128 000 jetons, texte en entrée et texte en sortie. Le pipeline de post-entraînement de Liquid se termine par une étape d'apprentissage par renforcement agentique exécutée dans OpenClaw, Hermes Agent, Pi et OpenCode. Le fournisseur recommande explicitement de l'associer à la récupération ou à la recherche web plutôt que de lui faire confiance sur des questions de connaissances — et dans son propre tableau de lancement, la ligne AA-Omniscience se situe à −24,90, ce qui est la forme numérique de ce conseil.

Ternary Bonsai 2 27B est le même réseau que Qwen3.8-27B, transcrit différemment. Le livre blanc de Prism ML répartit 27,36 B de paramètres en 24,35 B dans le backbone linguistique sur 64 blocs, 2,54 B dans l'embedding et la tête LM, et 0,47 B dans une tour de vision à 27 blocs, fournie sous forme de fichier mmproj 4 bits distinct d'environ 0,63 Go et qui ne se charge que lorsqu'une image arrive. L'attention hybride du modèle de base — 48 couches d'attention linéaire Gated DeltaNet entrelacées avec 16 couches d'attention complète, dimension cachée de 5 120, un vocabulaire de 248 320 tokens — est héritée sans modification. Il en va de même du contexte de 262 144 tokens.

La ligne de démarcation la plus rapide entre eux est la modalité. Ternary Bonsai 2 27B accepte les images. LFM2.5-24B-A2B ne les accepte pas, et aucune astuce de quantification n’y change rien.

La qualité, sur la seule table que l'un ou l'autre possède

Prism ML a mesuré sa version par rapport à l’original en pleine précision sur une suite de 20 benchmarks et indique qu’elle conserve 98,2 % de la moyenne — 83,9 contre 85,4. C’est le propre banc d’essai du fournisseur, vieux d’un mois, que personne n’a reproduit. C’est aussi, délibérément ou non, exactement le genre d’affirmation qui cache sa propre distribution, parce que les 1,8 points ne sont pas répartis uniformément.

• Maths — 96,57 contre 97,06. Pratiquement au même niveau.

• Programmation — 81,58 contre 82,17. Serré, et c'est la catégorie sur laquelle porte le débat autour de la technique de compression.

• Suivi des instructions — 82,66 contre 81,25. Le modèle compressé est en tête, la seule ligne vraiment surprenante du tableau.

• Connaissances et raisonnement — 83,95 contre 86,66. Une baisse de 2,7 points, et le principal contributeur aux 1,8 manquants.

• Agentique et appel d'outils — 77,57 contre 79,74, avec τ2-Bench à 80,22 et BFCL v3 à 74,92.

Voici maintenant le problème que pose l’utilisation de ce tableau ici. Les chiffres de Prism sont ceux de sa version comparée à sa propre base en pleine précision. Les chiffres de Liquid — AutomationBench 27,69, LiveClaw 48,09, ToolSandbox 80,71, BFCLv4 65,01, IFEval 96,75, IFBench 74,69 — sont mesurés face à un ensemble différent de modèles, sur un harnais différent, avec des paramètres de génération différents.Aucun benchmark n’apparaît dans les deux tableaux.Quiconque met BFCLv3 74,92 à côté de BFCLv4 65,01 et proclame un vainqueur a comparé deux tests différents et a appelé cela un résultat.

C'est au runtime que les deux divergent pour de bon

Cette partie n'est pas une affirmation d'un fournisseur, c'est un fait de compatibilité que vous pouvez vérifier en un après-midi.

Prism ML a dû écrire des kernels pour l’architecture, car le format compacté et l’attention majoritairement linéaire sont tous deux inhabituels. La version standard de llama.cpp rejette les deux packings de Prism comme des types inconnus — et, plus dangereusement, charge un ancien format ternaire sans broncher et produit un charabia fluide, car aucune rotation correspondante n’a été appliquée aux activations. Si vous exécutez Ternary Bonsai 2 27B sur un binaire qui ne le connaît pas, vous n’obtenez pas d’erreur. Vous obtenez une sortie erronée mais assurée.

LFM2.5-24B-A2B présente un profil de risque opposé. Liquid annonce une prise en charge dès le premier jour sur llama.cpp pour GGUF, MLX, vLLM, SGLang et ONNX, ainsi que les dépôts frères FP8, ONNX et MLX 4 bits — une version conventionnelle. La question ouverte ici concerne la performance plutôt que l'exactitude : les chiffres du fournisseur de 184 tokens par seconde sur un Apple M5 Max et de 114 sur un AMD Ryzen AI Max+ 395 ne sont pas reproduits, et l'affirmation phare « jusqu'à 1,7× plus rapide que le deuxième meilleur modèle » n'a aucune référence publiée qui y soit associée.

Où une marge de 0 % compte-t-elle vraiment ici ?

Entre ces deux modèles, l'angle du routage est vraiment délicat, et il vaut la peine de le dire plutôt que de l'enjoliver. Ternary Bonsai 2 27B est un téléchargement : Prism ML le distribue sur Hugging Face sous Apache 2.0, et tout l'intérêt de la technique réside dans le fait qu'on l'exécute soi-même. LFM2.5-24B-A2B est également avant tout un artefact local, avec le point de terminaison Console de Liquid à 0,10 $ par million de jetons d'entrée — 0,05 $ en cache — et 1,00 $ par million en sortie comme alternative hébergée. Ni l'un ni l'autre n'a pour proposition de valeur fondamentale un appel API facturé à l'usage.

Là où une couche de routage gagne sa place, c'est à côté d'eux, pas à leur place. Le modèle de base à partir duquel Ternary Bonsai 2 27B est compressé — qwen/qwen3.8-27b, publié par A​libaba le 13 août 2026 — est servi sur notre catalogue à 0,33 $ par million de jetons en entrée et 2,40 $ par million de jetons en sortie, ce qui signifie que la même tâche peut être exécutée sur le modèle servi en pleine précision pendant que vous évaluez la version locale de 5,93 Go sur les mêmes prompts. C'est une comparaison équitable réalisée à moindre coût, et c'est celle que le propre tableau de 20 benchmarks de Prism ne peut pas faire pour vous.

La licence, qui n’est pas une note de bas de page d’un côté ou de l’autre.

Ternary Bonsai 2 27B est sous Apache 2.0, sans déclencheur de revenus ni clause de champ d'utilisation ; il en va de même des poids Qwen3.8-27B dont il est dérivé. LFM2.5-24B-A2B est distribué sous la licence lfm1.0 de Liquid, un instrument distinct avec ses propres conditions commerciales. D'un point de vue purement technique, les deux modèles sont suffisamment proches pour que le choix se résume souvent à la forme de déploiement — exécuteur local contre raisonneur visuel local —, mais la licence est le seul paramètre qui ne bouge pas avec le cycle des benchmarks, et il vaut la peine de la comparer à vos propres chiffres de revenus avant de bâtir un produit sur l'un ou l'autre.

Ce que chaque fournisseur n’a pas mesuré est ce qu’il faut surveiller. Prism ML a publié un pourcentage de rétention, mais pas le comportement par charge de travail d’un modèle à 1,76 bit sur vos données, et un artefact de compression qui atteint 98,2 % de la moyenne peut tout de même être le mauvais outil pour la catégorie qui vous importe — la baisse en codage, faible globalement, frappe le plus durement à un endroit précis. Liquid a publié un tableau agentique sans colonne indépendante et sans aucun chiffre de récupération à long contexte pour une fenêtre de 131 K. Les deux lacunes se comblent par la publication d’un benchmark plutôt que par un article de blog, et le fournisseur qui en publiera un le premier aura fait avancer le débat bien plus que ne l’ont fait les 1,8 derniers points.

Suivez en temps réel les pannes et dégradations des modèles dans notre archive des incidents et voyez quelles routes ont basculé proprement.