LFM2.5-24B-A2B לעומת Ternary Bonsai 2 27B: ההבדל הוא 2 ביטים וחיבור לענן

הנה התשובה הכנה והקצרה ביותר. LFM2.5-24B-A2B הוא מודל טקסט בלבד מסוג mixture-of-experts ש-Liquid AI בנתה כדי לשהות בתוך לולאת סוכן על מכונה ללא רשת, הוכרז ב-13 באוקטובר 2026 עם 24.0B פרמטרים בסך הכול ו-2.45B פרמטרים פעילים. Ternary Bonsai 2 27B הוא שכתוב בביטים נמוכים של Qwen3.8-27B ש-Prism ML שחררה ב-17 בספטמבר 2026 תחת Apache 2.0, כאשר כל משקל מאוחסן כאחד משלושה סמלים ב-1.76 ביטים אפקטיביים, ומכווץ מודל FP16 של 53.81 GB להורדה של 5.93 GB. שניהם קטנים מספיק כדי להחזיק אותם מקומית ושניהם במשקלים פתוחים, והם לא מנסים לעשות את אותה עבודה. המודל של Liquid אומן לקרוא לכלים. המודל של Prism הוא מודל ראייה-שפה ברמת דיוק מלאה שלובש חליפה זולה בהרבה.

מה שהופך את הצירוף לראוי לעמוד הוא שכל אחד מהם מספר לך היכן הראיות שלו עצמו דלות, ושתי החולשות מנוגדות זו לזו.

מהו כל אחד מהם, מצומצם לחלק שחשוב

LFM2.5-24B-A2B שומר על הארכיטקטורה של LFM2: 40 שכבות, 30 בלוקים של קונבולוציה קצרה עם שער כפול ו-10 שכבות קשב עם שאילתות מקובצות, 64 מומחים בכל בלוק עם ניתוב top-4, 131,072 טוקנים של הקשר, אוצר מילים של 128,000 טוקנים, טקסט נכנס וטקסט יוצא. צינור האימון-לאחר-אימון של Liquid מסתיים בשלב למידת חיזוק סוכנית שרץ בתוך OpenClaw, Hermes Agent, Pi ו-OpenCode. הספק ממליץ במפורש לשלב אותו עם אחזור או חיפוש באינטרנט במקום לסמוך עליו בשאלות ידע — ובטבלת ההשקה של עצמו, שורת AA-Omniscience עומדת על −24.90, שזו אותה עצה בצורה מספרית.

Ternary Bonsai 2 27B הוא אותה רשת כמו Qwen3.8-27B, רק כתובה באופן שונה. מסמך ה-whitepaper של Prism ML מפצל 27.36B פרמטרים ל-24.35B בעמוד השדרה הלשוני על פני 64 בלוקים, 2.54B בהטמעה ובראש ה-LM, ו-0.47B במגדל ראייה בן 27 בלוקים שמגיע כקובץ mmproj נפרד של 4-bit בגודל של כ-0.63 GB ונטען רק כאשר מגיעה תמונה. הקשב ההיברידי של מודל הבסיס — 48 שכבות קשב ליניארי Gated DeltaNet המשולבות לסירוגין עם 16 שכבות קשב מלא, גודל חבוי 5,120, אוצר מילים של 248,320 טוקנים — עובר בירושה ללא שינוי. כך גם ההקשר של 262,144 טוקנים.

הקו שמפריד ביניהם במהירות הרבה ביותר הוא מודאליות. Ternary Bonsai 2 27B מקבל תמונות. LFM2.5-24B-A2B לא, ואף תחבולת קוונטיזציה לא משנה זאת.

איכות, על השולחן היחיד שיש למי מהם

Prism ML מדדה את הבילד שלה מול המקור בדיוק מלא על פני סוללת 20 בנצ'מרקים ומדווחת שהוא שומר על 98.2% מהממוצע — 83.9 לעומת 85.4. זו רתמת הבדיקות של הספק עצמו, בת חודש, שאיש לא שחזר אותה. זה גם, בכוונה או שלא, בדיוק סוג הטענה שמסתירה את ההתפלגות של עצמה, כי 1.8 הנקודות אינן מפוזרות באופן אחיד.

• מתמטיקה — 96.57 לעומת 97.06. למעשה שווה.

• קידוד — 81.58 לעומת 82.17. קרוב, והקטגוריה שעליה מתנהל הוויכוח על טכניקת הדחיסה.

• ביצוע הוראות — 82.66 לעומת 81.25. המודל הדחוס מוביל, השורה היחידה שבאמת מפתיעה בטבלה.

• ידע והסקה — 83.95 לעומת 86.66. ירידה של 2.7 נקודות, והתורם הגדול ביותר ל-1.8 החסרות.

• סוכני וקריאה לכלים — 77.57 לעומת 79.74, הכולל את τ2-Bench ב-80.22 ואת BFCL v3 ב-74.92.

עכשיו הבעיה עם השימוש בטבלה ההיא כאן. המספרים של Prism הם של הבנייה שלו מול בסיס הדיוק המלא של עצמו. המספרים של Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — הם מול קבוצה אחרת של מודלים, בהרנס אחר, עם הגדרות יצירה שונות.אף מבחן אחד לא מופיע בשתי הטבלאות.כל מי שמציב את BFCLv3 74.92 לצד BFCLv4 65.01 ומכריז על מנצח השווה בין שני מבחנים שונים וקרא לזה תוצאה.

זמן הריצה הוא המקום שבו השניים באמת נבדלים.

החלק הזה אינו טענה של ספק — זוהי עובדת תאימות שאפשר להיתקל בה בתוך אחר צהריים אחד.

Prism ML נאלצה לכתוב קרנלים עבור הארכיטקטורה, מכיוון שהפורמט הארוז ומנגנון הקשב הקווי ברובו שניהם יוצאי דופן. llama.cpp הסטנדרטי דוחה את שתי האריזות של Prism כטיפוסים לא מוכרים — ויותר מסוכן מכך, טוען פורמט טרנרי ישן יותר ללא תלונה ומייצר שטויות רהוטות, מכיוון שלא הוחל סיבוב תואם על האקטיבציות. אם מריצים את Ternary Bonsai 2 27B על בינארי שלא יודע עליו, לא מקבלים שגיאה. מקבלים פלט מוטעה ובטוח בעצמו.

ל-LFM2.5-24B-A2B יש פרופיל סיכון הפוך. Liquid מפרטת תמיכה מיום הראשון ב-llama.cpp עבור GGUF, ב-MLX, ב-vLLM, ב-SGLang וב-ONNX, ובנוסף מאגרי אחים של FP8, ONNX ו-MLX ב-4-bit — שחרור שגרתי. השאלה הפתוחה שם היא ביצועים ולא נכונות: נתוני הספק של 184 טוקנים בשנייה על Apple M5 Max ו-114 על AMD Ryzen AI Max+ 395 לא שוחזרו, ולכותרת "עד פי 1.7 מהיר יותר מהמודל השני בטיבו" לא צורף קו בסיס מפורסם.

איפה תוספת של 0% באמת משנה כאן?

בין שני המודלים האלה, זווית הניתוב היא באמת מגושמת, וכדאי לומר זאת במקום לייפות אותה. Ternary Bonsai 2 27B הוא הורדה: Prism ML מפיצה אותו ב-Hugging Face תחת Apache 2.0, וכל הנקודה של הטכניקה הזו היא שאתה מריץ אותו בעצמך. LFM2.5-24B-A2B הוא גם כן בעיקר מוצר מקומי, כאשר נקודת הקצה Console של Liquid עומדת על $0.10 למיליון אסימוני קלט — $0.05 לקלט שמור במטמון — ו$1.00 למיליון אסימוני פלט כחלופה המתארחת. הצעת הערך המרכזית של אף אחד מהשניים אינה קריאת API בחיוב לפי שימוש.

המקום שבו שכבת ניתוב מצדיקה את מקומה הוא לצדם, ולא במקומם. מודל הבסיס Ternary Bonsai 2 27B, שממנו נדחס — qwen/qwen3.8-27b, שפורסם על ידי Alibaba ב-13 באוגוסט 2026 — מוגש בקטלוג שלנו במחיר $0.33 למיליון טוקנים בקלט ו-$2.40 למיליון טוקנים בפלט, כלומר ניתן להריץ את אותה משימה מול המודל המוגש בדיוק מלא בזמן שאתם מעריכים את הבנייה המקומית בגודל 5.93 GB על אותם פרומפטים. זו השוואה הוגנת שנעשית בזול, והיא זו שטבלת 20 הבנצ'מרקים של Prism עצמה לא יכולה לעשות עבורכם.

הרישיון, שאינו הערת שוליים באף אחד מהצדדים

Ternary Bonsai 2 27B מגיע תחת Apache 2.0, ללא טריגר הכנסות וללא סעיף תחום שימוש; כך גם לגבי המשקלים של Qwen3.8-27B שמהם הוא נגזר. LFM2.5-24B-A2B מופץ תחת רישיון lfm1.0 של Liquid, שהוא כלי אחר עם תנאים מסחריים משלו. מבחינה הנדסית גרידא, שני המודלים קרובים מספיק עד שהבחירה לעיתים קרובות מסתכמת בצורת הפריסה — מבצע מקומי לעומת מנמק חזותי מקומי — אך הרישיון הוא הנתון היחיד שאינו משתנה עם מחזור הבנצ'מרק, וכדאי לבדוק אותו מול נתוני ההכנסות שלך לפני שתבנה מוצר על אחד מהם.

הדבר שכל ספק השאיר ללא מדידה הוא הדבר שכדאי לשים לב אליו. Prism ML פרסמה אחוז שימור אך לא את ההתנהגות לפי עומס עבודה של מודל 1.76 סיביות על הנתונים שלך, וארטיפקט דחיסה שהוא 98.2% מהממוצע עדיין עלול להיות הכלי הלא נכון עבור הקטגוריה היחידה שחשובה לך — הנפילה בקידוד, קטנה במצטבר, פוגעת הכי קשה במקום מסוים. Liquid פרסמה טבלה אג'נטית בלי עמודה בלתי־תלויה ובלי נתוני אחזור בהקשר ארוך כלל עבור חלון של 131K. שני הפערים נסגרים עם פרסום בנצ'מרק ולא עם פוסט בבלוג, וכל ספק שישחרר אחד ראשון יזיז את הוויכוח הרבה יותר ממה שהזיזו 1.8 הנקודות האחרונות.

עקבו בזמן אמת אחר השבתות והרעות של מודלים בארכיון התקלות שלנו, וראו אילו נתיבים עברו מעבר כשל באופן חלק.