MiniCPM5-2B לעומת LFM2.5 2.6B Base: מודל מוגמר מול חומר הגלם לבניית מודל משלך

שניים מהשחרורים המעניינים ביותר של מודלים קטנים בחודש האחרון נמצאים באותה קטגוריית משקל, אך נמצאים בשלבים שונים לגמרי בחייהם. MiniCPM5-2B הוא המוצר המוגמר: מודל צפוף (dense) בגודל 2.5B ש-ModelBest ו-OpenBMB חשפו בוועידת הבינה המלאכותית העולמית ב-19 ביולי. המשקולות הפתוחות שלו עלו בשקט ל-Hugging Face ב-6 וב-7 בספטמבר, עם צינור פוסט-אימון (post-training pipeline) מלא מאחוריהן, תחת רישיון Apache-2.0, מוכן לשירות. LFM2.5 2.6B Base הוא checkpoint של Liquid AI שעבר אימון מוקדם בלבד, לטקסט בלבד — התשתית הגולמית שהחברה אומרת כי היא "מומלצת רק למשימות הדורשות כוונון עדין (fine-tuning) כבד", ללא כוונון הנחיות (instruction tuning), ללא תבנית צ'אט, וללא אמות מידה שפורסמו, משום שמודל בסיסי אינו מקבל ציון; המודלים שאתה מכוונן ממנו הם אלה שמקבלים ציון. ההשוואה ביניהם היא למעשה שאלה על איזו שכבה של הבנייה אתה קונה: מודל שעובד כבר הלילה, או מרכיבים להכנת מודל משלך.

שני כרטיסי המודל אומרים "לא לשימוש ישיר" בניסוחים שונים, והספקים שמו את זה בשורות הראשונות. הכרטיס של MiniCPM5-2B מתאר טרנספורמר צפוף בארכיטקטורת Llama, עם 2,516,756,480 פרמטרים בסך הכול (1,981,982,720 שאינם embedding), 42 שכבות, קשב עם שאילתות מקובצות (grouped-query attention), חלון הקשר של 131,072 טוקנים בתצורה המצורפת, וסיפור שלב ה-post-training — SFT לחשיבה עמוקה, RL מתמחה, On-Policy Distillation — שמכוון ישירות להתנהגות סוכנית ולשימוש בכלים. הכרטיס של Liquid עבור LFM2.5 2.6B Base מתאר מודל היברידי עם 2.69B פרמטרים, שעורם שמונה שכבות קשב עם שאילתות מקובצות על עשרים-ושניים בלוקים של קונבולוציה קצרה עם שער כפול, אומן מראש על כ-34 טריליון טוקנים ב-16 שפות עם חלון הקשר של 128K, ואז נעצר: מודל הבסיס קיים כדי שימשיכו אותו או יבצעו בו כוונון עדין (fine-tuning) למשהו אחר. האחד הוא יעד סופי; השני הוא קו זינוק.

מה ש-Liquid באמת שחרר

LFM2.5 2.6B Base הגיע ל-Hugging Face בתחילת אוגוסט, כבסיס המאומן מראש עבור משפחת LFM2.5-2.6B של Liquid. כרטיס המודל מציג את טבלת המשפחה — את הבסיס ואת LFM2.5-2.6B המאומנת לאחר מכן, ש-Liquid כיוונה לעומסי עבודה סוכנותיים עם קריאה לכלים — וקובע בגלוי שהבסיס הוא נקודת הבידק (checkpoint) הטקסט-בלבד שממנה נוצרו כל הווריאנטים. זהו תפקידו כולו: אתם לוקחים את הארכיטקטורה ההיברידית של 2.69B והיסוד הרב-לשוני של 34 טריליון טוקנים, וממשיכים אימון-מקדים או SFT על התחום שלכם; לאחר מכן כל מוצר שתשחררו יורש את תנאי הרישיון שלו. בכרטיס אין מדדי ביצוע, כי עדיין אין מה למדוד; למודל אין כיוונון-הנחיות, ולכן מחוץ לקופסה הוא ממשיך טקסט במקום לענות. הוא פועל מכ-2.5GB של משקלים, ונתמך על ידי Transformers, vLLM, SGLang, MLX ו-llama.cpp, מה שהופך אותו לבסיס הגיוני לפרויקטי כיוונון עדין בסביבת טלפון וקצה.

ההסתייגות המעשית לגבי ההשוואה הזו: אם מה שאתם רוצים הוא מודל קטן שעובד מ-Liquid, המקבילה ההוגנת ל-MiniCPM5-2B היא LFM2.5-2.6B שעבר פוסט-אימון, לא גרסת ה-Base. את גרסת ה-Base בוחרים כשהכוונה היא לבצע את הפוסט-אימון בעצמכם — וזו בדיוק הסיבה שטבלת אמות-המידה של MiniCPM5-2B עצמו משווה לאח המכוונן-הוראות של המשפחה, ולא לנקודת הביקורת הגולמית הזו.

מה שחררה OpenBMB, ולמה זה שונה

MiniCPM5-2B מגיע כמוצר מוגמר, כששרטוטי המפעל מצורפים. בעוד ש‑Liquid מוסר לכם מודל בסיס ואת העבודה, OpenBMB מוסר לכם את כל העניין פתוח: הצ'קפוינט הסופי שעבר אימון המשך (post-training) עם RL + OPD, גרסאות GGUF, MLX ו‑GPTQ, גרסת הבסיס, גרסת ה‑SFT וגרסאות ה‑draft הנלוות — והחלק שמשנה את ההשוואה — קורפוסי האימון עצמם, ששוחררו תחת רישיון Apache‑2.0 כמשפחת UltraData. כרטיס המודל מדווח על ממוצע פנימי של 53.9 מול קבוצת השוואה שנבחרה על ידי הספק, של מודלים פתוחים בטווח 2B‑4B, עם ציון AIME 2025/2026 של 86.5 וציון 46.4 שהספק הריץ ב‑SWE-bench Verified — ואף אחד מהנתונים האלה לא שוחזר עדיין באופן בלתי תלוי. הוא נועד להרצה, לא לאימון: הבטחת ההשקה הייתה התאמה מיום האפס לתשע משפחות שבבים ול‑ARM, קריאות כלים מקוריות באמצעות קריאות בסגנון XML, ומצבי תגובה היברידיים — מהיר ומחושב — לשימוש אינטראקטיבי.

לוח התוצאות, מסומן בכנות

• מה תקבלו — MiniCPM5-2B: מודל צ'אט מוגמר ומוכן לשירות, כולל נתוני אימון פתוחים. LFM2.5 2.6B Base: בסיס מאומן מראש שתוכלו לכוונן למודל מוגמר.

• פרמטרים — MiniCPM5-2B: 2.52B סה"כ / 1.98B שאינם הטמעה, צפוף בסגנון Llama. LFM2.5 2.6B Base: 2.69B היברידי (8 בלוקי קשב + 22 בלוקי קונבולוציה קצרה).

• הקשר — MiniCPM5-2B: 131,072 אסימונים בתצורה המובנית. LFM2.5 2.6B Base: 128K מקורי.

• שפות — MiniCPM5-2B: כרטיס ונתונים ממוקדים באנגלית ובסינית. LFM2.5 2.6B Base: אומן מראש על 16 שפות.

• מדדים — MiniCPM5-2B: חבילת הבדיקות המלאה של הספק (ממוצע פנימי 53.9; לא שוחזר). LFM2.5 2.6B Base: לא פורסמו תוצאות עבור הבסיס עצמו, במכוון.

• רישיון — MiniCPM5-2B: Apache-2.0 עבור המשקלים והנתונים שפורסמו. LFM2.5 2.6B Base: LFM Open License v1.0, ללא תשלום לבעלי הכנסה שנתית מתחת ל-10 מיליון דולר, והתקרה חלה גם על היצירות הנגזרות שלך.

לוח התוצאות שלמעלה הוא אותו סיפור בשש שורות: שני המודלים קטנים, בקטגוריית 128K ובעלי זיקה לאפאצ׳י, אבל עמודה אחת מסתיימת בשירות רץ והשנייה מסתיימת בהחלטה על מי מבצע את האימון.

הרישיון הוא התכונה

עבור בונה, פער הרישוי הוא השורה הכי פחות זוהרת והכי מכרעת ברשימה הזאת. OpenBMB שחררו את MiniCPM5-2B ואת הנתונים שהם פרסמו תחת Apache-2.0: אפשר להריץ אותו, לכוונן אותו ולבנות עליו מוצר מסחרי בלי תקרת הכנסות וללא התחייבות מורשת מעבר לייחוס. רישיון LFM Open License v1.0 של Liquid הוא אכן בעל משקלים פתוחים, אבל מותנה בהכנסות — ארגונים עם הכנסות שנתיות של מתחת ל-10 מיליון דולר מקבלים רישיון מסחרי רחב, ארגונים שנמצאים על הקו או מעליו לא מקבלים אותו, והתקרה עוברת בירושה לכל מה שאתה מכוונן, כך שמוצר שנבנה על LFM2.5 2.6B Base נושא את אותה תקרה כשהחברה שלך גדלה. זה לא הופך את הרישיון של Liquid לבלתי סביר; זה הופך אותו לתנאי שסטארטאפ שמקווה לצמוח מעבר לתקרה חייב לתכנן סביבו מהיום הראשון, וזו הסיבה הגדולה ביותר לכך שהמתווה של "מודל גמור" חשוב. אם אתה בונה משהו שאתה מתכוון לגדל, Apache-2.0 עם נתונים פתוחים הוא סוג שונה של חומר גלם מאשר רישיון עם תקרה.

הפיצול בין לפתח לרכוש, במתכונת קונקרטית

אם תמסגרו את זה כהשוואת build-versus-buy, הבחירה מפסיקה להיות מבלבלת. MiniCPM5-2B הוא מסלול הקנייה: העבודה הקשה — post-training של מודל קטן לעבודה סוכנותית (agentic) עם הקשר ארוך — כבר בוצעה, הרישיון נקי, וכל מה שנשאר לכם הוא לשרת (serving) ולהעריך. המחיר הוא שאתם מאמצים החלטות post-training של מישהו אחר, ומספרי הכותרת שלו בני שבוע אחד ואיש מחוץ למעבדה לא אימת אותם. LFM2.5 2.6B Base הוא מסלול הבנייה: אתם קונים את הארכיטקטורה ואת ה-pretraining של Liquid ועושים את ה-post-training בעצמכם — וזו הסיבה הכנה היחידה לבחור במודל Base על פני האח המותאם-הוראות LFM2.5-2.6B ש-Liquid כבר מוכרת. המסלול הזה הגיוני כשיש לכם תחום, שפה או פרופיל התנהגותי שמודלים מוכנים מהמדף לא מכסים. הוא דורש יותר עבודה באופן מובהק, מתחיל עם אפס benchmarks שפורסמו, ונושא עמו את תקרת ההכנסות (revenue cap). התמורה היא מודל שאין לאף אחד אחר — ובגלל ש-OpenBMB פתחה את הנתונים של MiniCPM5-2B עצמו, יש לכם עכשיו דרך שנייה להגיע לשם: continue-training של מתכון מוכח תחת Apache-2.0 במקום להתחיל מ-Base חשוף.

מציאות הניתוב עבור שניהם

אף אחד משני ה-checkpoints לא מופיע כיום בקטלוג מתארח, כך ששאלת השכבה נוגעת לעולם שסביבם ולא למנגנון האספקה. אחרי שתשרת את MiniCPM5-2B או תכוונן את LFM2.5 2.6B Base למשהו משלך, הדרך ההפיכה לבחון כל אחד מהם מול המודלים המאוחסנים שבהם אתה כבר משתמש היא דרך API יחיד עם failover אוטומטי — מחסנית חדשה או נגזרת יכולה להיתקע בלי להוריד את סביבת הייצור, ומחירי הספקים עוברים הלאה ב-0% markup, כך שההשוואה A/B זולה. ואולם, לגבי החלטת build-versus-buy עצמה, התוכנית הכנה היא אותה תוכנית כמו תמיד עם מודלים פתוחים קטנים: ה-benchmark שחשוב הוא זה שאתה מריץ על החומרה שלך ועל הנתונים שלך, לא זה שמודפס על אחד הכרטיסים.

באיזו שכבה אתה בעצם קונה?

בחרו ב-MiniCPM5-2B כאשר אתם רוצים מודל מוגמר, ברישיון Apache-2.0, הפועל על-גבי המכשיר, שאפשר לשרת אותו כבר הערב ולכוונן על נתונים פתוחים — תוך קבלת העובדה שכרטיס המודל המרשים שלו אינו מאומת ודורש שכפול עצמי מצדכם לפני שהוא זוכה לאמון בסביבת ייצור. בחרו ב-LFM2.5 2.6B Base כאשר אתם מתכוונים לבצע post-train למודל משלכם ורוצים את הארכיטקטורה ההיברידית של Liquid ואת התשתית בת 16 השפות כמשקלי התחלה — תוך קבלת חשבון הכוונון, היעדר אמות מידה שפורסמו, ומגבלת ההכנסות של 10 מיליון הדולר שתתלווה לכל מה שתשלחו לשוק. השניים אינם מתחרים על אותה משימה; הם שתי משימות שונות על אותה חומרה, והבחירה השגויה היחידה היא לקנות את האחד מתוך אמונה שאתם קונים את האחר.