UserRepGen-4B לעומת LFM2.5 2.6B Base: חומר הגלם והחלק המוגמר

הדרך המהירה ביותר לראות מה מבדיל microsoft/UserRepGen-4B מ־LFM2.5-2.6B-Base היא לספור את הפורמטים. הצ'קפוינט של Liquid AI עם 2.69 מיליארד פרמטרים מגיע בארבע דרכים — משקולות Transformers מקוריות, GGUF עבור llama.cpp, ONNX עבור סביבות הרצה חוצות-פלטפורמות, ו-MLX עבור Apple Silicon — מפני שהוא נועד להיות מותאם ומופעל על ידי אחרים. המודל של מיקרוסופט, UserRepGen-4B מגיע בדרך אחת: קובץ safetensors יחיד, לא מכומת, מסוג bfloat16, בגודל 9,078,620,536 בייט, עם כרטיס שמציין במפורש ש"אין כרגע פורמטים מאופטמים או ייעודיים למכשיר." האחד הוא חומר גלם. האחר הוא חלק מוגמר. הם לא מתחרים; הם שני שלבים עוקבים של אותה עבודה, והצבתם זה לצד זה היא הדרך הברורה ביותר לראות מה באמת משתנה בין התחלת כיוונון עדין (fine-tune) לבין פריסתו.

שני המיקומים בערימה

LFM2.5-2.6B-Base היא נקודת הביקורת המאומנת-מראש שמתחת למשפחת LFM2.5 של Liquid AI — זו שכל הווריאנטים שעברו אימון-המשך נבנו ממנה. היא מעולם לא עברה כוונון-הוראות, ובמכוון. הכרטיס שלה עצמו ממליץ עליה רק עבור "משימות שדורשות כוונון עדין כבד, כמו עוזרים ייעודיים לשפה (למשל, יפנית) או לתחום (למשל, רפואה), אימון על נתונים קנייניים, או התנסות בגישות חדשות של אימון-המשך." תשאל אותה שאלה והיא תמשיך את הטקסט שלך במקום לענות עליה, כי מענה מעולם לא היה חלק מהאימון שלה.

UserRepGen-4B הוא איך שהשלב הבא נראה. מיקרוסופט לקחה את Qwen3.5-4B, הוסיפה LoRA בדרגה 64, אימנה אותו עם כיוונון עדין מפוקח מקוון באמצעות זיקוק בדיעבד (hindsight distillation) לאורך יולי ואוגוסט 2026, ופרסמה את התוצאה ב-14 באוקטובר ללא הכרזה וללא מאמר. הוא עושה בדיוק דבר אחד — קורא שיחה מרובת-תורות וכותב תיאור JSON בן שני שדות של המשתמש בה — ולא עושה דבר אחר.

אז המסגור הכנה הוא לא "מה טוב יותר". הוא: אחד מאלה הוא הדבר שעושים לו כיוונון עדין, והשני הוא מה שמעבדה הפיקה מכיוונון עדין של משהו אחר.

מה שההורדה בעצם נותנת לך

• פרמטרים וטביעת רגל — LFM2.5-2.6B-Base מכיל 2.69 מיליארד פרמטרים בארכיטקטורה היברידית; UserRepGen-4B הוא מודל בדרגת 4B שקובץ המשקלים שפורסם שלו הוא כ‑9.1 GB ב‑bfloat16, ללא בנייה קטנה יותר זמינה.

• הקשר — 131,072 טוקנים בנקודת הבדיקה של Liquid, לעומת רצף אימון של 9,216 טוקנים בזה של Microsoft (8,192 פרומפט, 1,024 השלמה), כאשר שימוש מורחב אינו נתמך במפורש.

• פורמטים — GGUF, ONNX ו-MLX לצד משקלים מקוריים, לעומת קובץ safetensors אחד.

• רישיון — ה-LFM Open License (lfm1.0) מחד, ו-MIT בתוספת Apache 2.0 שעבר בירושה מאידך. שניהם מתירניים מספיק כדי לבנות עליהם; אך אין מדובר באותו מסמך.

• שפות — שש עשרה שפות בעלות שם בכרטיס Liquid, לעומת אנגלית בלבד בזה של מיקרוסופט.

• אימוץ — LFM2.5-2.6B-Base פומבי מאז 1 באוגוסט 2026, ועומד על כ-6,282 הורדות ו-51 לייקים. UserRepGen-4B, שהועלה ב-14 באוקטובר, עמד על אפס בשני המדדים בעת כתיבת שורות אלה.

רק אחת מהשורות האלה עוסקת באיכות. כל השאר עוסק בשאלה אם הדבר נכנס דרך הדלת שיש לך.

שתי ארכיטקטורות שנבנו עבור חדרים מנוגדים

Liquid מתארת את LFM2.5 כ"משפחה חדשה של מודלים היברידיים המיועדים לפריסה על המכשיר," וצורתו של ה-checkpoint הבסיסי נובעת מכך. שלושים שכבות, עשרים ושתיים מהן בלוקים של קונבולוציה קצרה עם שער כפול ושמונה של תשומת לב עם שאילתות מקובצות, אוצר מילים של 128,000 טוקנים ותקציב אימון של 34 טריליון טוקנים. בלוקי קונבולוציה זולים בזיכרון וצפויים בזמן השהיה; כל העיצוב מכוון לטלפונים, מחשבים ניידים ומכשירי edge.

UserRepGen-4B יורש את ההנחה ההפוכה. עמוד השדרה שלו הוא מחסנית יצירה מותנית סטנדרטית של Qwen3.5 — 32 שכבות, גודל נסתר של 2,560, 16 ראשי קשב עם 4 ראשי מפתח-ערך, אוצר מילים של 248,320 טוקנים, ומגדל ראייה שנישא יחד ללא שינוי מנקודת הביקורת של המודל האב, אף שהמודל הוא טקסטואלי בלבד ותמונות אינן נתמכות במפורש. מיקרוסופט מדווחת שהיא מארחת אותו עם vLLM על מעבדים גרפיים H100, A100, RTX A6000 ו-B200. זו רשימת חלקים של שרת, לא של קצה.

צוות שבוחר בין השניים בעצם בוחר איזו מגבלה לקבל: זיכרון במכשיר וסביבת הרצה שעליך לכוונן עד שתעבוד כראוי, או חומרת מרכז נתונים ומודל שכבר עושה את העבודה היחידה שלו.

היכן שהכוונון העדין למעשה הזיז את המספר

זהו החלק בהשוואה שמודל בסיס לא יכול לענות עליו, מעצם הגדרתו. LFM2.5-2.6B-Base אינו מפרסם בנצ'מרק משימות, מפני שלצ'קפוינט בסיס אין משימה — מספרי האיכות של המשפחה שייכים לאח שעבר אימון-המשך.

UserRepGen-4B מפרסם אחת, והיא הראיה החזקה ביותר בכל ההשקה. בהערכת נאמנות של 700 שיחות, שנמדדה בסולם של 1 עד 10:

• Qwen3.5-4B base, עמוד השדרה הלא-מותאם — 3.41 הטוב מ-1, 4.42 הטוב מ-3.

• GPT-5.5 קיבל הנחיה לבצע את אותה עבודה ללא התאמות — 3.90 ו-4.90.

• UserRepGen-4B — 4.95 ו-6.02.

כל נתון הוא של Microsoft עצמה, שהופק בלופ שבו GPT-5.4 mini שימש בו-זמנית כסימולטור, כעוזר וכשופט. דבר לא שוחזר באופן עצמאי. אבל צורת התוצאה היא העיקר: כיוונון עדין של מודל בסיס 4B שמתעלה על ג'נרליסט חזיתי במשימה צרה הוא תוצאה אמיתית ומדידה, והיא בדיוק התוצאה ש-LFM2.5-2.6B-Base קיים כדי לאפשר עבור המשימה של מישהו אחר. הכרטיס של Microsoft מראה גם ששתי חלופות הלמידה בחיזוק הברורות — OPSD ב-4.46/5.60 ו-GRPO ב-3.57/4.59 — שתיהן הפסידו לכיוונון עדין מפוקח רגיל, וזו אזהרה מפני ההנחה שהשיטה הכבדה יותר מנצחת.

לאחד מאלה יש עמוד פרטיות, והוא לא הבסיס.

למודל בסיס מאומן מראש אין סעיף פרטיות משום שהוא אינו מציג טענות לגבי אנשים. ל-UserRepGen-4B יש סעיף כזה משום שהוא כן מציג. הכרטיס שלו מדווח כי בקרב יותר מ-147 משתמשים, בורר שבוחר איזו מבין ארבע שיחות הגיעה מאותו אדם משיג 51.02% תוך שימוש בתיאורי ההתנהגות של המודל, לעומת 44.22% בשיחות הגולמיות ו-25% באקראי — הסיכום מזהה את האדם טוב יותר מהמקור. מיקרוסופט מתייגת זאת כסיכון לקישוריות וקובעת כי ייצוגים אינם נתונים אנונימיים.

האסימטריה הזו היא מבנית, לא פגם באף אחד מהשחרורים. ברגע שהפלט של מודל הוא תיאור של אדם, המשטח האתי משתנה, והכרטיס צריך לשאת זאת. כל מי שמבצע כיוונון עדין של LFM2.5-2.6B-Base לקראת מטרה דומה צריך לצפות לכתוב את אותו סעיף בעצמו.

מה שבחירת הבסיס קובעת בהמשך

יש תוצאה מסדר שני ללקיחת בסיס בהשאלה, שכמעט ולא נלקחת בחשבון בזמן כיוונון עדין: היא קובעת למה תוכלו לקרוא כעבור חצי שנה. מיקרוסופט בנתה על Qwen3.5-4B, והמשפחה הזו מוגשת מסחרית — Qwen3.5-Flash עם חלון הקשר של יותר ממיליון טוקנים במחיר של $0.10 למיליון טוקני קלט ו-$0.40 למיליון טוקני פלט, Qwen3.5-27B במחיר $0.086 ו-$0.688, Qwen3.5-35B-A3B במחיר $0.057 ו-$0.459, כולם נגישים דרך מפתח OrcaRouter אחד במחיר המחירון של הספק בלי שום תוספת, וכולם יכולים לשבת מאחורי מעבר אוטומטי לגיבוי, כך שנקודת ביקורת מחקרית שקיימת רק בדיסק שלכם לא הופכת לנקודת כשל יחידה בצינור. אנחנו לא מספקים את UserRepGen-4B, ואנחנו גם לא מספקים את LFM2.5-2.6B-Base — שניהם קבצים להורדה, והכיוונון העדין של מודל קטן שתייצרו מנקודת הביקורת של Liquid יהיה שלכם לאירוח. אבל צד העוזר בלופ, או השופט, או מסלול הנפילה לאחור, יכולים להיות קריאת API במפתח שכבר יש לכם. זו החלטת עיצוב שאתם מקבלים כבר בהתחלה, כשבוחרים איזה בסיס להתאים.

איזה מהם אתה בעצם רוצה

אם יש לך משימה ואין לך מודל עבורה, LFM2.5-2.6B-Base היא נקודת ההתחלה הנכונה: קטן מספיק כדי לכוונן על חומרה צנועה, היברידי מספיק כדי לרוץ על מכשיר, ומסופק בכל פורמט שתזדקק לו לאחר סיום האימון. אם יש לך צינור סימולציית משתמשים ואתה זקוק לרכיב שהופך שיחה שהסתיימה לתיאור התנהגותי נייד, UserRepGen-4B כבר קיים, והעובדה שזהו קובץ אחד בפורמט אחד היא מגבלה ולא סיבה לעשות את העבודה מחדש. הדבר שכדאי לשים לב אליו הוא האם Microsoft תוציא בעקבותיו את המאמר שכרטיס המודל שלו עדיין מבטיח. עבור Liquid השאלה הפתוחה שונה וישנה יותר: אילו צוותים יאמצו את הבסיס ומה הם יעשו ממנו.

מודלי בסיס נועדו לעבור התאמה, וההתאמה היא המקום שבו דברים נשברים: אירועי ה-AI המתועדים וכשלי הסוכנים סביב מודלים ממחלקה זו נאספים בOrcaRouter AI Incident Archive, שבו כל ערך נושא את המקורות שלו, חומרה, דירוג ודאות וסימון מחלוקת.