Intern-Decision-0.8B מול LFM2.5 2.6B Base: שתי דרכים לבנות משהו בעצמך

הציבו את Intern-Decision-0.8B לצד LFM2.5 2.6B Base, וההערכה הראשונה והכנה היא שאף אחד מהם אינו מוצר במובן שקניין בדרך כלל מתכוון אליו. Intern-Decision-0.8B הוא ה-checkpoint ‏ש-InternLM העלתה ל-Hugging Face ב-26 בספטמבר 2026 בלי שום הודעה כלל — כיוונון עדין של Qwen3.5-0.8B עם 852,985,920 פרמטרים, שמשיב לשאלות מוקלדות ואינו פולט טקסט, ששוחרר תחת Apache 2.0 עם קישור GitHub שמחזיר 404. LFM2.5 2.6B Base הוא ה-checkpoint הטקסטואלי המאומן-מראש של Liquid AI עם 2.69 מיליארד פרמטרים, שפורסם ב-1 באוגוסט 2026 כבסיס למשפחת LFM2.5, וכרטיס המודל שלו עצמו אומר שהוא "מומלץ רק למשימות שדורשות כיוונון עדין כבד." האחד גמור וצר. האחר אינו גמור וכללי. שניהם מניחים שאתם אלה שעושים את העבודה — והעבודה אינה אותה עבודה.

ההבחנה הזו היא כל ההשוואה, והיא הסיבה לכך שטבלת מפרטים ישרה תטעה. השאלה שבאמת עומדת בפני הקורא היא "איזה מאלה עליי להוריד", והתשובה תלויה בשאלה אם הדבר שאתה צריך לבנות הוא שכבת החלטה או יכולת שפה. אלה פרויקטים שונים עם לוחות זמנים שונים.

מה כל מודל מוסר לך

Intern-Decision-0.8B מגיע כמערכת עובדת. המאגר מספק inference.py/, DecisionEngine/, סכמת בקשה מתועדת וסכמת תגובה, ודוגמה מלאה שתוכלו להריץ לאחר התקנת ארבע תלויות Python מוצמדות. אתם מספקים מצב, בין אחת לשש עשרה שאלות בעלות שמות עם עד 62 אפשרויות כל אחת, ובאופן אופציונלי עד שמונה תמונות, ואתם מקבלים בחזרה התפלגות מכוילת בתוספת תווית argmax לכל שדה. המנוע קורא לוגיטים במיקומים קבועים בשלד שנוצר מראש במקום לייצר דבר, כך שאין שלב פענוח, אין טוקנים של פלט, ואין JSON לתקן. הוא פועל מכ-1.73 GB של קבצים.

LFM2.5 2.6B Base נותן לך את ההיפך: יכולת גולמית בלי ממשק. זהו מודל שפה סיבתי טקסטואלי בלבד עם 30 שכבות המסודרות כ-22 בלוקי קונבולוציה קצרה בעלי שער כפול ו-8 שכבות קשב עם שאילתות מקובצות, שאומן מראש על כ-34 טריליון טוקנים ב-16 שפות, עם אוצר מילים של 128,000 טוקנים וחלון הקשר של 131,072 טוקנים. אין לו כיוונון הוראות משל עצמו ואין בנצ'מרקים למשימות בכרטיס, מפני שנקודת ביקורת בסיס אינה מדורגת — המודלים שאתה מאמן ממנה הם שמודרגים. צינור האימון שלאחר האימון של Liquid עצמה הוא מה שהופך אותו ל-LFM2.5-2.6B האייג'נטי, וצינור זה הוא הדבר שמבקשים ממך לשחזר, באופן חלקי או מלא, עבור התחום שלך.

אז הציר אינו גודל, אלא האם החלק החסר הוא חוזה החלטה או ריצת אימון.

לוח התוצאות, עם ההסתייגויות הנלוות

• זמן עד לתוצאה ראשונה — Intern-Decision-0.8B: אחר צהריים, טעינת צ'קפוינט וקריאה ל‑predict()/. LFM2.5 2.6B Base: כמה זמן שייקח לך אימון מקדים מתמשך או ריצת SFT, בתוספת עבודת הנתונים להכנתו.

• פרמטרים — Intern-Decision-0.8B: 852,985,920 על פני שבר שפה בנפח 1.50 GB, שבר ראייה בנפח 176 MB ומקרן בנפח 25 MB. LFM2.5 2.6B Base: 2.69B, בערך 2.5 GB של משקלים.

• אופני קלט — Intern-Decision-0.8B: טקסט ועד שמונה תמונות, עם משקולות ראייה שקיימות במאגר. LFM2.5 2.6B Base: טקסט בלבד, במכוון — העבודה הרב-מודאלית במשפחת LFM2.5 נמצאת בווריאנטים של VL.

• הקשר מעשי — Intern-Decision-0.8B: 8,192 טוקנים, נדחו ולא נחתכו, חרף הטבעת מיקום מרבית של 262,144 בקונפיג. LFM2.5 2.6B Base: 131,072 טוקנים נייטיביים.

• פלט — Intern-Decision-0.8B: התפלגות הסתברות מכוילת ותווית argmax לכל שדה, באופן דטרמיניסטי. LFM2.5 2.6B Base: טקסט המשך, נדגם.

• בנצ'מרקים — Intern-Decision-0.8B: טבלה מלאה מטעם הספק על פני שבעה בנצ'מרקים, שאף אחד לא שחזר. LFM2.5 2.6B Base: לא פורסם דבר עבור ה-Base עצמו, במכוון.

• רישיון — Intern-Decision-0.8B: Apache 2.0, עם שמירה על LICENSE-QWEN/ עבור המשקולות במעלה הזרם. LFM2.5 2.6B Base: LFM Open License v1.0.

לשורת הרישיון מגיע קטע משלה

שני הכרטיסים אומרים "פתוח", ושתי המילים הללו משמעותן שונה מהותית. Intern-Decision-0.8B הוא Apache 2.0 — ללא תנאי הכנסה, ללא הגבלת תחום שימוש, וללא צורך לנהל משא ומתן על רישיון מסחרי נפרד. קובץ הרישיון השני במאגר הוא רישיון Qwen שהועבר מכיוון שהמודל הוא נגזרת של Qwen3.5-0.8B, וזהו הטיפול הנכון ולא מגבלה.

LFM2.5 2.6B Base מופץ תחת LFM Open License v1.0, וכדאי לקרוא את סעיף 5 של הרישיון הזה במלואו לפני שכל תוכנית מסחרית נשענת עליו. הזכויות המוענקות עבור שימוש מסחרי מותנות בכך שאתה או הישות המשפטית שלך לא חורגים מהסף המוגדר ברישיון כהכנסה שנתית של 10 מיליון דולר אמריקאי או יותר. מעל לקו הזה, שימוש מסחרי ביצירה או ביצירה נגזרת אינו מורשה במסגרת ההסכם. שימוש ללא מטרות רווח ולמחקר מוחרג. זהו גבול ממשי ואכיף, ומכיוון שהוא חל גם על יצירות נגזרות, הוא מתפשט לכל דבר שתבצעו עליו כיוונון עדין מהבסיס — שזה כל השימוש המיועד של הצ'קפוינט הזה.

יש כאן קריאה ישירה: אם אתם בונים באופן מסחרי והישות שלכם עוברת את רף $10M בהכנסות שנתיות, LFM2.5 2.6B Base אינו אותו סוג של נכס כמו Intern-Decision-0.8B, בלא קשר לאופן שבו השניים מתפקדים. אם אתם מתחת לסף, עוסקים במחקר, או מבצעים כיוונון עדין למטרה לא-מסחרית, ההבחנה הזו לא תופסת. כך או כך, זו שאלה שצריך להשיב עליה לפני ריצת האימון, לא אחריה.

איפה כל אחד מהם הוא בעצם ההורדה הנכונה

LFM2.5 2.6B Base הוא הבחירה הנכונה כאשר היכולת שאתם צריכים עדיין אינה קיימת במודל גמור. הכרטיס של Liquid מפרט במפורש את המקרים המיועדים: עוזרים ייעודיים לשפה כמו יפנית, עוזרים ייעודיים לתחום כמו רפואה, אימון על נתונים קנייניים שאינכם יכולים לשלוח ל-API, או התנסות בגישות חדשניות של אימון-בתר. ההיגיון שמאחורי הרשימה הזו הוא ש-34 טריליון טוקנים של אימון מקדים רב-לשוני יקרים לשחזור וכמעט ללא עלות לרשת בירושה — אתם קונים נקודת מוצא שכבר מיומנת ב-16 שפות ובחלון הקשר של 128K, ומוציאים את משאבי המחשוב שלכם על החלק הספציפי לכם.

התמיכה האקוסיסטמית בתוכנית הזו שלמה באופן יוצא דופן עבור מודל כה חדש. Liquid מתעדת אימון מקדים ממשיך, SFT, DPO ו-GRPO באמצעות Unsloth ו-TRL, עם מחברות לכל אחד מהם, והצ'קפוינט נתמך על ידי Transformers, vLLM, SGLang, llama.cpp, MLX ו-LM Studio. זה לא טקסט שיווקי — זה ההבדל בין מודל בסיס שאפשר לכוונן השבוע לבין כזה שמבזבזים עליו שבועיים כדי להדביק אותו למאמן.

Intern-Decision-0.8B הוא הבחירה הנכונה כאשר היכולת שאתה צריך כבר קיימת והבעיה היא הצורה שלה. אם המשימה שלך היא החלטה תחומה עם קבוצת תשובות סגורה — לנתב את הפנייה הזו, לתת ציון לתביעה הזו, לסווג את הרשומה הזו לפי רובריקה — אז מודל גנרטיבי הוא דרך מגושמת לקבל תווית, ומודל בסיס אינו דרך לקבל אחת בכלל. מה שאתה רוצה הוא משהו שמחזיר את ההתפלגות, אומר לך את מידת הביטחון שלו, ועושה זאת באותם 34 אלפיות השנייה בכל פעם. ההשהיה הנמדדת של InternLM על RTX 4090 בודד היא 33.98 מ״ש בממוצע עם 37.50 מ״ש ב-p95, והמספרים של הכרטיס עצמו מראים שה-2B האח עומד על 33.28 מ״ש בממוצע — תזכורת שבאורכי הפרומפט האלה העלות היא קריאת הסכימה, לא הרצת המשקלים.

העסקה שאתה עורך היא גמישות תמורת חוזה. מודל בסיס יכול להפוך לכל דבר, בסופו של דבר, אם יש לך את הנתונים ואת כוח המחשוב. ראש החלטה הוא כבר הדבר עצמו, והוא לעולם לא יהפוך לשום דבר אחר. אם הסכימה שלך משנה את צורתה מדי חודש, זו עלות אמיתית. אם לא, זו בכלל לא עלות.

מה שאף אחד לא יכול לספר לך על טבלת Intern-Decision

כל נתון ביצועים עבור Intern-Decision-0.8B מדווח על ידי הספק, וההסתייגות כאן כבדה מהרגיל מכיוון שהשחרור בן שבוע ולא מתועד לחלוטין. אין מאמר, אין אוסף שמאגד את שלושת הגדלים, אין מאגר GitHub פעיל, ואין הערכה בלתי תלויה. חיפוש ב-Artificial Analysis לא מחזיר דבר עבור המודל.

InternLM בחרה את הבנצ'מרקים, בחרה את מודלי ההשוואה — סט שנשלט על ידי מודלים של קבלת החלטות, כולל Jev של TypeSafe, Laya ו-Kev של Convai — ופרסמה את הטבלה בלי פוסט השקה.

כאשר התווית הזו מצורפת, הצורה עדיין שווה קריאה. Intern-Decision-0.8B מציג 97.92 / 80.56 / 52.25 בשלושת הפיצולים של Jevbench, 77.35 ב-Typed Decision ו-94.52 ב-ToolACE, עם ממוצע של 79.38. פרופיל הכיול שלו הוא הרשומה המעניינת ביותר: Brier של 0.530 ושגיאת כיול צפויה של 0.066, שהוא ECE טוב יותר מזה של Jev, 0.095, למרות Brier גרוע יותר. במונחים פשוטים, הוא פחות מדויק אבל יותר כן לגבי עד כמה הוא מדויק, ועבור תהליך עבודה מבוסס סף הסדר הזה חשוב יותר מהממוצע. העמודה שאמורה לעצור פריסה היא WildJailBreak עם 64.48 לעומת 96.29 של Jev. ליקוי כה גדול בחוסן הסירוב הוא מאפיין של הכיוונון העדין, והאם הוא נובע מבסיס Qwen3.5-0.8B, ממטרת כיוונון ההחלטות או ממספר הפרמטרים אינו מתועד בשום מקום בכרטיס.

ההשוואה מול LFM2.5 2.6B Base בציר הזה אינה "מי משיג ציון גבוה יותר", מפני שלדגם ה-Base אין ציונים. אלא שהמספרים של מודל אחד לא עברו ביקורת, והמספרים של המודל האחר אינם קיימים, וקורא שבוחר ביניהם בוחר באיזה סוג של לא-נודע לעבוד איתו.

הפייפליין שרוב האנשים למעשה בונים בסופו של דבר

יש תצורה שמשתמשת בשניהם, וכדאי לתת לה שם, כי זה המקום שאליו מגיעות רוב מערכות הייצור. שכבת ההחלטה מטפלת בקריאות הסגורות — מיון, ניתוב, ניקוד לפי מחוון — שבהן קבוצת התשובות ידועה, זמן השהיה מצטבר על פני מיליון רשומות, ואסימוני הפלט הם תקורה טהורה. שכבת השפה מטפלת בכל מה שדורש פרוזה, סינתזה או הקשר ארוך: סיכום ההסלמה, ההסבר המצורף לתווית, הטיוטה שאדם עורך. LFM2.5 2.6B Base הוא מצע סביר עבור המחצית השנייה אם יש לך נתוני תחום ששווה להתאמן עליהם; ראש החלטה הוא הצורה הטבעית של הראשונה.

החיבור בין השניים הוא החלק המעיק, והוא החלק שכדאי שלא לבנות ביד. ה-DSL לניתוב של OrcaRouter מבטא ניתוב כקוד — YAML עם תנאי CEL, שנפרס בלי פריסה מחדש — כך שצינור ששולח סוג אחד של בקשה לנקודת קצה של החלטה ואחר למודל שפה הוא כלל ניתוב ולא מאזן עומסים שאתה מתחזק בעצמך. השער מכסה יותר מ-200 מודלים מאחורי מפתח אחד תואם OpenAI, עם מחיר המחירון של הספק מועבר ללא תוספת מחיר, והוא לא מוסיף תוספת מחיר על המודל שתבחר. ליתר דיוק לגבי הגבול: לא Intern-Decision-0.8B ולא LFM2.5 2.6B Base הוא אחד משלנו — שניהם צ'קפוינטים שאתה מוריד ומריץ מקומית, ובשני המקרים זו בדיוק הנקודה, כי הסיבה לבחור במודל של 2 GB היא שהוא רץ במקום שבו הנתונים שלך כבר נמצאים. תפקידו של שער הוא החלק של הסטאק שאליו אחרת היית פונה החוצה.

אם שכבת ההחלטה היא החלק שברצונכם לבחון בלי להתחייב לריצת אימון עבורו, מודל החלטה מתארח הוא הניסוי הזול יותר, וJev 1.13 של TypeSafe הוא זה ש-InternLM בחנה מולו — ניתן להפעיל אותו היום דרך נקודת קצה אחת תואמת OpenAI במחיר של 0.042 דולר למיליון טוקני קלט, כשהפלט מחויב באפס.

אז איזה מהם?

בחרו ב-LFM2.5 2.6B Base אם היכולת עדיין אינה קיימת ובידיכם גם נתוני התחום וגם התיאבון להרצת כיוונון עדין, ובדקו את סף ההכנסות של $10M ב-LFM Open License לפני שאתם בונים עליו מסחרית. בחרו ב-Intern-Decision-0.8B אם היכולת קיימת, התשובות כבר ניתנות למנייה בפרומפט שלכם, ומה שאתם צריכים הוא דרך מהירה, דטרמיניסטית ונקייה מבחינת רישוי לקבל את התווית — תוך השלמה עם כך שהתיעוד שלו חסר, שהבנצ'מרקים שלו אינם מבוקרים, והתנהגות הסירוב שלו בקלט עוין לא נבדקה בידי אף אחד מחוץ למעבדה שאימנה אותו. השנייה היא הדרך הקצרה יותר והלא-נודע הגדול יותר. הראשונה היא הדרך הארוכה יותר והמתועדת יותר, ואף אחד מהנתונים האלה אינו זהה ל"טוב יותר".