Nemotron 3.5 Bolt E4B 4GB לעומת LFM2.5 2.6B Base: דמות מוגמרת מול לוח חלק

אחד מהמודלים האלה יקיים שיחה ברגע שתורידו אותו. השני לא יקיים שיחה עד שתאמנו אותו. זו כל ההשוואה בין NVIDIA-Nemotron-3.5-Bolt-E4B-4GBל-Liquid AI LFM2.5-2.6B-Base, וכל הבדל בגיליון המפרט שנגזר מכך הוא משני.

המודל של NVIDIA הוא מודל שפה קטן ושיחתי שעבר אימון לאחר האימון המקדים: תבנית צ׳אט, מתג הסקה, התנהגות קריאה לכלים, כיוונון פרסונה וטבלת בנצ׳מרקים בת 21 שורות. המודל של Liquid הוא נקודת ביקורת בסיס שעברה אימון מקדים, שפורסמה במפורש לצורך כיוונון עדין כבד, ללא התנהגות צ׳אט וללא ציוני בנצ׳מרק בכרטיס שלה. לשים את שניהם באותה קטגוריה של "מודל פתוח קטן" היא טעות קטגורית שגורמת לאנשים להוריד את הארטיפקט הלא נכון ולהסיק שהמודל גרוע.

התשובה הקצרה, לפני הפירוט

• אתה זקוק לעוזר קולי, לפרסונה או לעוזר מכשיר עובד החודש — קח את NVIDIA-Nemotron-3.5-Bolt-E4B-4GB. זוהי התנהגות מוגמרת, לא חומר גלם.

• יש לך נתוני תחום, תקציב אימון, ודרישה שהמודל יהיה שלך — קח את LFM2.5-2.6B-Base. הוא זול יותר לכוונון עדין ובעל חלון הקשר של 128K.

• אתה רוצה את מודל השיחה הקטן והטוב ביותר ש-Liquid מייצרת — אתה לא רוצה אף אחד מאלה לבדו. אתה רוצה את LFM2.5-2.6B שעבר post-training, ואז להחליט אם ה-Base או צ'קפוינט ה-agent הוא נקודת ההתחלה שלך.

• אתה רוצה בנצ'מרק ראש-בראש — אין כזה. כרטיס Base אינו מפרסם ציונים, ואף גורם שלישי לא הריץ את השניים זה מול זה. כל מאמר שמכריז על מנצח מתוך בנצ'מרק משותף ממציא את הבנצ'מרק.

למה אי־ההתאמה היא הסיפור

Liquid AI השיקה את משפחת LFM2.5-2.6B בשלושה חלקים: Base שאומן מראש, צ׳קפוינט של סוכן שעבר אימון-המשך, ומודל טיוטה לפענוח ספקולטיבי. ה-Base הוא השלב הראשון באותו תהליך, לא מוצר. הכרטיס שלו אומר שהוא "מומלץ רק למשימות הדורשות כיוונון עדין כבד" — עוזרים ספציפיים לשפה או לתחום, אימון על נתונים קנייניים ועבודה דומה. צ׳קפוינט בסיס מנבא את הטוקן הבא היטב ומעולם לא לימדו אותו לענות על שאלה, לבצע הוראה או לפלוט קריאת כלי בסכימה.

ה-E4B של NVIDIA הוא הקצה הנגדי של אותו צינור עיבוד. הוא החל מ-Gemma-4-E4B-it, שכבר היה מכוונן להוראות, ו-NVIDIA ביצעה עליו אימון המשך באמצעות למידת חיזוק מתגמולים ניתנים לאימות וממשוב אנושי. הכרטיס מתעד את תחומי התגמול, את יחס הבאצ'ים של חשיבה/אי-חשיבה, ואת קנסות האורך שהוחלו כדי לשלוט במילוליות. יהיה מה שיהיה, המודל עוצב לקראת משימה.

אז השאלה ההוגנת היא לא "מי חכם יותר". היא "איזה שלב בצינור העיבוד אתה צריך לקנות".

מפרטים, ממד אחר ממד

• פרמטרים — NVIDIA-Nemotron-3.5-Bolt-E4B-4GB הוא בעל 8B פרמטרים בסך הכול, עם 4B פרמטרים אפקטיביים בארכיטקטורת Gemma-4-E4B; LFM2.5-2.6B-Base הוא בעל 2.69B פרמטרים צפופים במחסנית היברידית בת 30 שכבות של 22 בלוקי קונבולוציה קצרה עם שער כפול ו-8 בלוקי קשב עם שאילתות מקובצות.

• חלון הקשר — 64K אסימונים בקלט ו-64K בפלט עבור Bolt; 131,072 אסימונים עבור בסיס LFM.

• מודאליות — קלט טקסט, פלט טקסט בשניהם. אף אחד מהם אינו מקבל תמונות או אודיו.

• אוצר מילים — 128,000 טוקנים עבור LFM2.5-2.6B-Base; NVIDIA אינה מפרסמת גודל אוצר מילים עבור E4B, שיורש את הטוקנייזר של Gemma.

• אימון מקדים — 34 טריליון טוקנים עבור מודל הבסיס LFM, עם שלב אימון ביניים שמרחיב את ההקשר ל-128K. NVIDIA אינה מפרסמת מספר טוקנים לאימון מקדים עבור E4B מכיוון שהיא לא אימנה מראש את המודל; היא ביצעה אימון פוסט-אימון על Gemma.

• פוסט-אימון — עבודה נרחבת של RLVR ומשוב אנושי עבור Bolt, עם מצבי הסקה מפורשת ומצבי שיחה. ללא כל אלה עבור בסיס LFM, באופן מכוון.

• רמת דיוק שפורסמה — Q4_K_M GGUF בגודל 6.18GB ו-BF16 safetensors בגודל 15.88GB עבור Bolt; קובץ BF16 safetensors יחיד בגודל 5.39GB עבור LFM base, עם המרות GGUF, ONNX ו-MLX נפרדות במקומות אחרים במשפחה.

• רישיון — OpenMDW-1.1 עבור תרומת NVIDIA עם רכיב Gemma 4 תחת Apache 2.0; LFM Open License 1.0, רישיון מותאם עם תנאים מסחריים, עבור המודל של Liquid.

• שפות — 34 במטא-נתונים של E4B, כאשר שבע מהן מוגדרות כשפות עיקריות שלאחר האימון; 16 עבור בסיס LFM.

• שחרור — 23 באוקטובר 2026 עבור ה-E4B; משפחת LFM2.5-2.6B פורסמה ב-4 באוגוסט 2026.

פער הפרמטרים הוא אמיתי, אך הוא אינו מתרגם לפער ההורדה שאנשים מצפים לו. ה-Base עם 2.69B הוא הורדת BF16 בגודל 5.39GB; ה-E4B ה"4GB" הוא הורדה של ארבעה ביטים בגודל 6.18GB. השוואת מספרי פרמטרים בין ארכיטקטורה היברידית צפופה לבין ארכיטקטורת פרמטרים אפקטיביים דלילה אומרת לך פחות מהשוואת בייטים בדיסק.

מה כל כרטיס מפרסם בפועל

כאן האסימטריה הופכת למדידה.

NVIDIA מספקת 21 שורות בנצ'מרק, ארבעה מודלים להשוואה ועמודת Q4_K_M נפרדת. הציונים הורצו על ידי הספק תחת NeMo-Gym ומסומנים במפורש ככאלה שעשויים להיות שונים מהמספרים שספקים אחרים דיווחו על עצמם. הם מכסים שימור פרסונה, היררכיית הוראות, תזמון כלים, עיגון, שליפה בהקשר ארוך והשלמת משימות אג'נטיות.

כרטיס ה-Base של Liquid אינו כולל כלל טבלת בנצ'מרקים. זו אינה השמטה; זה מהותו של checkpoint בסיס. המספרים שמסתובבים לגבי LFM2.5-2.6B — IFBench 59.17, ToolSandbox 77.83, BFCLv4 56.88, LiveCodeBench v6 59.41, AIME25 51.87 — שייכים ל-checkpoint הסוכן שלאחר האימון, ולא ל-Base, והם מדווחים על ידי הספק. Artificial Analysis מציין את LFM2.5-2.6B עם Intelligence Index של 8, מסומן כהערכה כשהערכה עצמאית עתידה להתפרסם; ואין לו כלל עמוד עבור ה-Bolt E4B.

כרטיס הציונים הכנה הוא: למודל אחד יש טבלת ספקים גדולה ולא מבוקרת, ולשני אין טבלה כלל והערכה עצמאית שמצורפת לנקודת ביקורת אחרת במשפחה שלו. אף אחת מהעמודות אינה תומכת בהשוואה ישירה.

זיכרון ומהירות נמדדים בכוכבי לכת שונים

שני הספקים מפרסמים נתוני השהיה, והם אינם ניתנים להשוואה. יש לקרוא אותם כטענות נפרדות על תצורות נפרדות.

• הוספת RTX 5070 12GB — 3.5 עד 4.3GB של VRAM, 548 עד 1,238ms לאסימון הראשון, 106.2 עד 133.4 אסימונים לשנייה, נמדד על ידי NVIDIA עם llama.cpp ו-CUDA באצווה 1.

• Bolt על Jetson Orin Nano 8GB — 4.2 עד 4.9GB של VRAM, 5.8 עד 6.3 שניות לאסימון הראשון, 13.0 עד 15.5 אסימונים לשנייה. מוטמע, אך לא מהיר בקצב שיחה.

• LFM2.5-2.6B על M5 Max — כ-220 טוקנים לשנייה, פענוח CPU כפי שדווח על ידי הספק.

• LFM2.5-2.6B על שבב ברמת טלפון — כ-30 אסימונים לשנייה, לפי דיווח היצרן.

הנתון של M5 Max אינו השוואת GPU, הנתון של Orin Nano אינו השוואת מחשב נייד, ואף אחד מהספקים לא פרסם את אורכי הפרומפט, גדלי הבאצ' או הגדרות הקוונטיזציה בצורה שתאפשר לך להשוות ביניהם. המספר היחיד שאפשר לבדוק ישירות נמצא על הדיסק: 6.18GB עבור Q4_K_M של Bolt לעומת 5.39GB עבור בסיס LFM ב-BF16.

רישיונות: שניהם פתוחים, אף אחד מהם אינו Apache

המודל של NVIDIA הוא OpenMDW-1.1 בתוספת רכיב Apache 2.0 עבור Gemma 4. OpenMDW הוא מתירני ומאפשר שימוש מסחרי, אך הוא אינו מאושר על ידי OSI, והירושה של Gemma משמעה שתנאי Apache מלווים חלק מהסטאק. הכרטיס של NVIDIA מציין שהמודל מוכן לשימוש מסחרי או לא-מסחרי.

Liquid's LFM Open License 1.0 הוא רישיון מותאם אישית עם סף הכנסות שנתיות של 10 מיליון דולר אמריקני לשימוש מסחרי. הוא אינו Apache או MIT, וה-Base card מפנה לקובץ LICENSE במקום לסכם את התנאים. עבור פרויקט מחקרי זה לעיתים רחוקות משנה; עבור מוצר עם בדיקה משפטית זה הדבר הראשון שכדאי לקרוא.

ההבדל המעשי אינו "פתוח לעומת סגור". שניהם ניתנים להורדה ושניהם מתירים שימוש מסחרי במסגרת התנאים שלהם. ההבדל הוא אילו תנאים היועץ המשפטי שלכם צריך לאשר, והאם המודל שאתם משיקים נושא בתוכו רישיון של ספק שני.

חשבון הכיוונון העדין, שהוא ההחלטה האמיתית

אם תבחרו ב-LFM base, ההורדה היא החלק הזול. אתם קונים 2.69B פרמטרים של יכולת גולמית שאומנה מראש, ואז משלמים כדי ללמד אותה עבודה: איסוף נתונים, ניקוי, כיוונון עדין בפיקוח, הערכה, ולולאת האיטרציות שאחריה. הטיעון של Liquid הוא ש-34 טריליון טוקנים וחלון הקשר של 128K הופכים את נקודת הפתיחה הזו לחזקה מספיק כדי להצדיק את העבודה.

אם תבחרו ב-Bolt E4B, אתם קונים את שלב הפוסט־טריינינג של NVIDIA כנקודת התחלה. גרסת ה-BF16 היא 15.88GB ו-NVIDIA מפרסמת שני מתכונים לשינוי שלה: אימון עם כל הפרמטרים על 8× H100 80GB עם FSDP2 וקצב למידה של 1e-5, או LoRA על 2× H100 80GB עם ממד 16, alpha 32 וקצב למידה של 2e-4. שני המתכונים מקפיאים את מגדלי הראייה והשמע, וזה תזכורת לכך שבסיס Gemma 4 E4B הוא רב־מודלי אף על פי שמהדורת Bolt היא טקסט בלבד.

זו רצפת כיוונון עדין כבדה יותר מבסיס ה-LFM בגודל 2.69B, ומשימת בניית התנהגות קלה בהרבה. ה-E4B כבר מבצע פרסונה, היררכיית הוראות ותזמון כלים; אתה מתאים מודל עובד, לא יוצר אחד.

אם אתם בונים מוצר ולא מודל

ברירת המחדל צריכה להיות ה-checkpoint המוגמר. עוזר קולי, NPC, ממשק קיוסק או סוכן התקן זקוקים להתנהגות מיום הראשון, וה-E4B הוא היחיד מבין השניים שיש לו כזו. החולשות שלו מתועדות וספציפיות: Tau2-Bench 55.10 לעומת 75.06 של Qwen3.5 4B, RULER 86.99 לעומת 95.15, LongBench v2 50.50 לעומת 59.93. זהו מודל שיחתי שיכול לקרוא לכלים, לא סוכן שיכול לתכנן.

ה-LFM base הוא הרכישה הנכונה רק כאשר המודל עצמו הוא המוצר: עוזר ייעודי לתחום בשפה או באוצר מילים שהמודלים הכלליים מתמודדים איתם בצורה גרועה, כיוונון עדין על נתונים קנייניים, או קו בסיס מחקרי שאתם מתכוונים להחזיק בבעלותכם. במקרה כזה, היעדר התנהגות צ'אט הוא יתרון, משום שאינכם משלמים על התנהגות שאותה תחליפו.

יש מקרה שלישי שאף אחד מהכרטיסים לא מתייחס אליו: אתם רוצים להשוות ביניהם על המשימה שלכם. עשו זאת עם סט הערכה מוחזק ועם אותן הגדרות פענוח, ולא עם הטבלאות של הספקים. כרטיס המודל של E4B ממליץ על temperature 1.0 ועל top_p 0.95 בשני מצבי החשיבה; Liquid מפרסמת את ההגדרות שלה עבור הצ'קפוינט שלאחר האימון. התאמה להן היא המינימום למבחן הוגן, וגם אז אתם משווים מודל שלאחר אימון למודל בסיס, וזה בכלל לא מבחן הוגן.

היכן מסתיים המודל המקומי והיכן מתחיל שאר הסטאק

לא משנה איזה צ'קפוינט תבחרו, הוא יימצא בתוך אפליקציה שזקוקה גם למודלים שהוא לא יכול להריץ. מודל בסיס של 2.6B או מודל שיחתי של 4B מטפל בשכבת הרפלקס המקומית; הוא לא מטפל במסמך של 200K טוקנים, במשימת קידוד קשה, או בבקשה שדורשת את שיקול הדעת של מודל חזית. ניתוב הבקשות האלה דרך API אחד — 200+ מודלים, 0% תוספת מעל מחיר המחירון של הספק, מעבר אוטומטי לגיבוי בין ספקים — משאיר את המודל המקומי כמסלול המהיר בלי לכפות חוזה שני עבור האיטי.

איזו הורדה היא שלך?

קח את E4B אם אתה צריך מודל קטן שמדבר, עוקב אחר הוראות ומפעיל כלים היום, ואתה יכול לחיות עם הורדה של 6.18GB ועם החולשות המתועדות בהקשר ארוך ובסוכנים. קח את LFM2.5-2.6B-Base אם אתה מתחיל פרויקט כוונון עדין, רוצה חלון של 128K וטוקנייזר ל-16 שפות, ויש לך את הנתונים והמחשוב כדי ללמד את המודל את תפקידו.

הטעות שיש להימנע ממנה היא להוריד את ה-Base, לשלוח לו פרומפט כמו לצ'אטבוט ולסיק שה-2.6B של Liquid גרוע מה-4B של NVIDIA. הוא לא גרוע יותר. הוא פשוט מוקדם יותר בצינור. ההשוואה שבאמת תכריע בשאלת המשפחה היא Bolt E4B מול LFM2.5-2.6B לאחר אימון, ואף אחד עוד לא פרסם את הריצה הזו.