LBS-27B לעומת LFM2.5 24B A2B: שאלת הפרמטרים הפעילים
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 171 tok/s
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 43 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 129 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 1081 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 234 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 לכל 1M טוקנים · 1906 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453אינטליגנציה77כתיבת קוד
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241אינטליגנציה76כתיבת קוד
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245אינטליגנציה76כתיבת קוד
- AnthropicAnthropic: Claude Fable 5.12026-09-0153אינטליגנציה82כתיבת קוד
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 לכל 1M טוקנים · 46 tok/s
המספר החשוב ביותר ב־LFM2.5 24B A2B אינו 24. הוא 2.45 — מספר מיליארדי הפרמטרים שהמודל למעשה קורא לכל טוקן. זו הסיבה ש־Liquid AI יכולה להצהיר על 184 טוקני פלט בשנייה על Apple M5 Max בזמן שהמודל מחזיק 24 מיליארד פרמטרים של ידע, וזו הסיבה שהחברה ממקמת אותו כסוכן על־מכשיר ולא כסוס עבודה של מרכז נתונים. אותו מספר חסר ב־LBS-27B, והיעדרו הוא הסיבה שהשוואה זו אינה יכולה עדיין להיות מוכרעת: בלי ספירת פרמטרים פעילים, אין דרך למקם את המודל של inclusionAI על עקומת היעילות ש־LFM2.5 מגדיר.
ניתן להוריד את LFM2.5 24B A2B מאז 13 באוקטובר 2026, עם כרטיס מודל, 16 שורות בנצ'מרק ורישיון שרוב הארגונים יצטרכו לקרוא בקפידה. LBS-27B הוא מאגר שנוצר ב-26 באוקטובר 2026 ומכיל קובץ .gitattributes סטנדרטי ו-README בגודל 28 בייט שמצהיר על Apache-2.0. אין משקלים, אין קונפיגורציה, אין כרטיס, אין הכרזה. לפיכך, מה שלפנינו הוא השוואה בין מהלך יעילות מוגדר במלואו לבין שם שטרם אמר איזה סוג של מודל הוא.
עבור מה Liquid מבצע אופטימיזציה
LFM2.5 24B A2B הוא מפענח Mixture-of-Experts עם 64 מומחים וניתוב top-4, 40 שכבות, גודל מוסתר של 2,048 ואוצר מילים של 128,000 טוקנים. מספר הפרמטרים הפעילים הוא 2.45 מיליארד. הוא מקבל 131,072 טוקנים של הקשר, לעומת 32K בדור הקודם, והוא אומן מראש על 33 טריליון טוקנים, בערך כפול מה-17 טריליון ששימשו עבור LFM2.
שינוי אוצר המילים הוא פרט שראוי לשים לב אליו. המעבר מ־65K ל־128K טוקנים יקר — משמעו אימון מחדש של שכבות ההטמעה והפלט — והסיבה הרגילה לעשות זאת היא טקסט שאינו לטיני. הכרטיס מפרט שש־עשרה שפות: אנגלית, ערבית, סינית, צרפתית, גרמנית, איטלקית, יפנית, קוריאנית, פורטוגזית, ספרדית, וייטנאמית, תאית, אינדונזית, הינדי, רוסית ופולנית. אוצר מילים גדול יותר הופך את השפות האלה לזולות יותר לכל מילה, ובדרך כלל טובות יותר בזנב.
זהו גם מודל המיועד להסקה בלבד. תהליך האימון שלאחר האימון של Liquid כולל כוונון עדין בפיקוח, התמחות מורה, זיקוק לא-סוכני וסוכני, ולאחר מכן למידת חיזוק סוכנית בתוך סביבות הרצה כגון OpenClaw, Hermes Agent, Pi ו-OpenCode. המודל מייצר שרשרת מחשבות לפני שהוא עונה; אין מצב נפרד של "מהיר, ללא חשיבה" המתועד בכרטיס.
פרופיל בנצ'מרק מחודד בכוונה
המספרים של Liquid עצמה, שלא שיחזרנו, מתארים מודל שמצטיין בדברים שסוכן על־מכשיר עושה וגרוע בדברים שעובד ידע זקוק להם. הצורה הזו אינה מקרית; זהו התכנון.
• עמידה בהוראות — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. זהו האשכול החזק ביותר בכרטיס וזה שהכי חשוב עבור סוכן שצריך לציית לסכימת כלי.
• שימוש בכלים — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69. טוב, אך לא אחיד בין ההארנסים.
• שימוש במחשב ובגלישה סוכנית — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. תוצאת הבנקאות היא החריגה: ציון חד-ספרתי במערך משימות שמודלים סוכניים אחרים מתמודדים איתו טוב בהרבה. זו תזכורת ש„סוכני” אינו יכולת אחת.
• הנדסת תוכנה — SWE-Bench Verified 51.00 תחת OpenCode, SciCode 32.71. באמצע הדירוג.
• מתמטיקה — MATH-500 96.04. חזק ביחס לגודל.
• ידע — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. ציון ה-Omniscience השלילי הוא האות הכנה כאן: במדד שמעניש תשובות שגויות שנאמרו בביטחון, המודל מפסיד יותר ממה שהוא מרוויח. המיצוב של Liquid עצמה מכיר בכך — המודל מיועד לשילוב עם אחזור מידע, ולא להסתמך עליו כאנציקלופדיה.
כשקוראים אותן יחד, השורות האלה אומרות שהמודל הוא עוקב הוראות ומפעיל כלים מוכשר עם בסיס ידע דל. עבור סוכן מקומי שקורא את הקבצים שלך וקורא ל-APIs שלך, זו הפשרה הנכונה. עבור עוזר מחקר, זו הפשרה הלא נכונה.
טענת היעילות, עם הסתייגויותיה
Liquid מדווחת על 184 אסימונים לשנייה על Apple M5 Max תוך שימוש בכ-15GB זיכרון, ועל 114 אסימונים לשנייה על Ryzen AI Max+ 395. אלו נתוני ספק על חומרה ספציפית, לא בנצ'מרק כללי, והם ישתנו עם קוונטיזציה וגודל אצווה. הכיוון עדיין משמעותי: מודל 24B עם 2.45B פרמטרים פעילים יכול לרוץ על מחשב נייד באופן שמודל 24B צפוף לא יכול.
העסקה היא רוחב פס זיכרון. מודלים דלילים עדיין חייבים להחזיק את כל 24 מיליארד הפרמטרים בזיכרון — החיסכון הוא במחשוב לכל טוקן, לא באחסון. לכן נתון ה-15GB חשוב לא פחות מהתפוקה: מדובר בקירוב לכימות של 4 ביט של מערך המשקלים המלא, והוא קובע את רצפת החומרה.
היכן ש-LBS-27B יצטרך לשבת
הכול בהשוואה הזו תלוי בשני שדות שעדיין אינם קיימים במאגר LBS-27B: מספר המומחים ומספר הפרמטרים הפעילים.
אם LBS-27B הוא דליל עם משהו כמו 2B עד 4B פעילים, הוא נוחת ישירות בטריטוריה של LFM2.5 — בסיס ידע בדרגת 27B במחשוב של מודל קטן — וההשוואה הופכת לתחרות ישרה של איכות לכל פרמטר פעיל. אם הוא צפוף, זה מוצר אחר לגמרי: מודל בצד השרת עם מחשוב צפוי וטביעת זיכרון שפוסלת את רוב המחשבים הניידים. אם הוא דליל עם מספר פעילים גדול, הוא נמצא בין השניים ומתחרה על איכות ולא על יעילות.
אין דרך להסיק איזה מהם מהמאגר. השם אומר 27B, ה-README אומר Apache-2.0, ועץ הקבצים לא אומר דבר נוסף. inclusionAI לא פרסמה כרטיס, פוסט בבלוג או מאמר שמצאנו.
ההשוואה, ככל שניתן לערוך אותה
• סך הפרמטרים — 24.0B עבור LFM2.5 24B A2B; 27B לא מאומת עבור LBS-27B.
• פרמטרים פעילים — 2.45B עבור LFM2.5; לא ידוע עבור LBS-27B, וזהו הנעלם המכריע.
• ארכיטקטורה — 64 מומחים עם ניתוב top-4 ו-40 שכבות עבור LFM2.5; לא ידוע עבור LBS-27B.
• הקשר — 131,072 טוקנים עבור LFM2.5; לא ידוע עבור LBS-27B.
• מודאליות — טקסט בלבד עבור LFM2.5; לא ידוע עבור LBS-27B.
• שפות — שש עשרה רשומות עבור LFM2.5; לא ידוע עבור LBS-27B.
• הסקה — שרשרת מחשבה כברירת מחדל, ללא מצב ללא־חשיבה מתועד, עבור LFM2.5; לא ידוע עבור LBS-27B.
• רישיון — רישיון LFM 1.0, עם דרישת רישיון מסחרי מעל 10 מיליון דולר בהכנסות שנתיות, עבור LFM2.5; Apache-2.0 מוצהר עבור LBS-27B.
• הערכות שפורסמו — שישה־עשר שורות שדווחו על ידי הספק עבור LFM2.5; אין כאלה עבור LBS-27B.
הרישיון הוא שאלת רכש, לא הערת שוליים.
זהו הממד היחיד שבו המאגר הריק כבר מעניק ל-LBS-27B יתרון. רישיון LFM 1.0 אינו קוד פתוח במובן של OSI: חברות עם הכנסות שנתיות של יותר מ-10 מיליון דולר זקוקות לרישיון מסחרי נפרד לפני פריסתו. למפתח עצמאי או לסטארט-אפ מתחת לסף, זה לא מהווה בעיה. עבור חברה בינונית, מדובר בבדיקה משפטית, במשא ומתן ובסעיף תקציבי.
LBS-27B מצהיר על Apache-2.0 ב-README שלו. זהו רישיון מתירני עם הענקת פטנט מפורשת וללא סף הכנסות, ואם הוא ישרוד עד לשחרור המשקולות הוא מסיר שלב רכש שלם. זהו היתרון הקונקרטי היחיד ש-LBS-27B מחזיק כרגע בהשוואה הזו, וכדאי לומר זאת בבירור משום שהוא אמיתי — הצהרת רישיון שנעשתה בעת יצירת המאגר היא ראיה חלשה, אבל היא לא כלום.
על-מכשיר לעומת API: שני מוצרים שונים
LFM2.5 24B A2B נבנה לפעול במקום שבו נמצאים הנתונים. ההבטחה היא פרטיות והשהיה נמוכה: מודל על מחשב נייד או תחנת עבודה שלעולם אינו שולח בקשה לצד שלישי, עם יכולת קריאה לכלים טובה מספיק כדי להניע אוטומציה מקומית. נפח הזיכרון בגרסת 4-bit וחלון ההקשר של 131K מותאמים למשימה הזו.
LBS-27B טרם הצהיר למה הוא נועד. אם inclusionAI תשחרר מודל שנועד להגשה בצד השרת, הטיעון בדבר הרצה על ההתקן אינו תקף, ושני המודלים משלימים זה את זה ולא מהווים תחליפים זה לזה. אם תשחרר MoE עם מעט פרמטרים פעילים וסיפור פריסה מקומי, ההשוואה ישירה, והיתרון של Liquid בשני דורות בכלים להתקן — תמיכה ב-llama.cpp, MLX, ONNX ו-vLLM, וכן הרנס סוכנים מתועד — הופך לשובר השוויון.
תמיכת פריימוורקים היא חלק שאינו זוכה להערכה מספקת בזה. מודל שאינו נמצא ב-llama.cpp או ב-MLX מהיום הראשון אינו מודל המיועד למכשיר הלכה למעשה, ללא קשר למספר הפרמטרים הפעילים שלו.
בדיקת מודל לא מוכח בלי להמר עליו
לא LBS-27B ולא LFM2.5 24B A2B נמצאים היום ב-OrcaRouter, כך שאין נקודת קצה מתארחת לאף אחד מהם, ולא נציע אחרת. הסיבה להזכיר את הפלטפורמה כאן היא בעיית ההערכה שנובעת מכך: אם ברצונכם לדעת אם מודל חדש עם מעט פרמטרים פעילים יכול להחליף את המודל הנוכחי שלכם, עליכם להריץ את שניהם על התעבורה שלכם, ולא על לוח דירוג.
ה-DSL לניתוב של OrcaRouter מאפשר לך לשלוח אחוז מהבקשות למודל מועמד תוך שמירת המודל הקיים כברירת מחדל, ומעבר אוטומטי לגיבוי משמעו שמועמד שחורג ממגבלת הזמן או מחזיר שגיאה עובר למודל המוכר במקום שהבקשה תיכשל. במקרים הקשים שבהם מודל אחד אינו מספיק, מיזוג מודלים מאפשר לפאנל של מודלים להשיב יחד ולהחזיר תוצאה משולבת — שימושי כשהמשימה עתירת ידע והנקודה החלשה של המודל הזול היא בדיוק מה שאתה בודק. קטלוג של יותר מ-200 מודלים ותוספת מחיר של 0% פחות חשובים כאן מהיכולת להשוות על הקלטים שלך בלי אינטגרציה נוספת.
זו דרך להפיק את הראיות שחסרות בעמוד הזה. זה לא תחליף לעצם קיומו של המודל.
שלושה קוראים, שלוש תשובות
אם אתם בונים סוכן על המכשיר וצריכים משהו שרץ על מחשב נייד היום, LFM2.5 24B A2B הוא מועמד רציני: עמידה חזקה בהוראות, קריאה טובה לכלים במספר מסגרות הרצה, הקשר של 131K ומסלול מתועד אל סביבות הריצה המקומיות הרגילות. בדקו קודם את סף הרישיון, ואל תצפו שהוא ידע עובדות בלי אחזור.
אם אתם בוחרים מודל 27B לצד השרת ואתם זקוקים לרישיון מתירני, כדאי לעקוב אחרי LBS-27B בדיוק מפני ש-Apache-2.0 כבר מוצהר. אך אין מה להעריך, והצהרת רישיון אינה מודל.
אם אתם ארגון עם מחזור הכנסות של יותר מ-10 מיליון דולר ותהליך רכש קפדני, ייתכן שההבדל ברישיון יהיה חשוב יותר מכל שורת בנצ'מרק במאמר הזה. הרישיון המותאם של LFM2.5 הוא עלות ממשית; הרישיון Apache-2.0 של LBS-27B הוא יתרון ממשי, בתנאי שהוא ישרוד עד לשחרור.
המספר שישנה את כל שלוש התשובות הוא מספר הפרמטרים הפעילים. עד שהוא קיים, העמדה הכנה היא שלמודל אחד יש סיפור של יעילות ולשני יש מאגר.
