LFM2.5-24B-A2B vs Ternary Bonsai 2 27B: Perbedaannya Adalah 2 Bit dan Koneksi Cloud

Berikut jawaban jujur yang paling singkat. LFM2.5-24B-A2B adalah model campuran-pakar (mixture-of-experts) khusus teks yang dibangun Liquid AI untuk berada di dalam loop agen pada mesin tanpa jaringan, diumumkan pada 13 Oktober 2026 dengan total 24,0B dan 2,45B parameter aktif. Ternary Bonsai 2 27B adalah penulisan ulang bit-rendah dari Qwen3.8-27B yang dirilis Prism ML pada 17 September 2026 di bawah Apache 2.0, yang menyimpan setiap bobot sebagai salah satu dari tiga simbol pada 1,76 bit efektif dan mengecilkan model FP16 berukuran 53,81 GB menjadi unduhan 5,93 GB. Keduanya cukup kecil untuk disimpan secara lokal dan keduanya berbobot terbuka, dan keduanya tidak berusaha mengerjakan pekerjaan yang sama. Model Liquid dilatih untuk memanggil alat. Model Prism adalah model visi-bahasa presisi penuh yang mengenakan pakaian yang jauh lebih murah.

Yang membuat pasangan ini layak mendapat satu halaman adalah bahwa masing-masing memberi tahu Anda di mana buktinya tipis, dan kedua kelemahan itu saling berlawanan.

Apa masing-masingnya, disederhanakan ke bagian yang penting

LFM2.5-24B-A2B mempertahankan arsitektur LFM2: 40 lapisan, 30 blok konvolusi pendek dengan gerbang ganda dan 10 lapisan attention grouped-query, 64 pakar per blok dengan routing top-4, konteks 131.072 token, kosakata 128.000 token, teks masuk dan teks keluar. Pipeline pasca-pelatihan Liquid diakhiri dengan tahap pembelajaran penguatan agentik yang dijalankan di dalam OpenClaw, Hermes Agent, Pi, dan OpenCode. Vendor secara eksplisit merekomendasikan untuk memasangkannya dengan retrieval atau pencarian web alih-alih mempercayainya untuk pertanyaan pengetahuan — dan pada tabel peluncurannya sendiri, baris AA-Omniscience berada di −24,90, yang merupakan bentuk numerik dari saran tersebut.

Ternary Bonsai 2 27B adalah jaringan yang sama dengan Qwen3.8-27B yang dituliskan secara berbeda. Whitepaper Prism ML membagi 27,36B parameter menjadi 24,35B di backbone bahasa di 64 blok, 2,54B di embedding dan LM head, serta 0,47B di menara visi 27 blok yang dikirim sebagai file mmproj 4-bit terpisah berukuran sekitar 0,63 GB dan hanya dimuat saat gambar masuk. Attention hibrida model dasar — 48 lapisan linear-attention Gated DeltaNet yang diselang-seling dengan 16 lapisan full-attention, ukuran hidden 5.120, kosakata 248.320 token — diwarisi tanpa perubahan. Begitu pula konteks 262.144 token.

Pembeda tercepat antara keduanya adalah modalitas. Ternary Bonsai 2 27B menerima gambar. LFM2.5-24B-A2B tidak, dan tidak ada trik kuantisasi yang mengubahnya.

Kualitas, di satu-satunya meja yang dimiliki salah satu dari mereka

Prism ML mengukur build-nya terhadap versi asli presisi penuh di seluruh rangkaian 20 benchmark dan melaporkan bahwa ia mempertahankan 98,2% dari rata-rata — 83,9 berbanding 85,4. Itu adalah harness milik vendor sendiri, berumur satu bulan, dan tidak direproduksi oleh siapa pun. Itu juga, entah sengaja atau tidak, persis jenis klaim yang menyembunyikan distribusinya sendiri, karena 1,8 poin itu tidak tersebar merata.

• Matematika — 96,57 versus 97,06.Praktis setara.

• Pengodean — 81,58 versus 82,17. Selisihnya tipis, dan kategori yang menjadi dasar perdebatan teknik kompresi tersebut.

• Mengikuti instruksi — 82,66 versus 81,25. Model yang dikompresi lebih unggul, satu-satunya baris yang benar-benar mengejutkan dalam tabel.

• Pengetahuan dan penalaran — 83,95 versus 86,66. Penurunan 2,7 poin, dan kontributor tunggal terbesar terhadap kekurangan 1,8.

• Agentik dan pemanggilan alat — 77.57 versus 79.74, mencakup τ2-Bench pada 80.22 dan BFCL v3 pada 74.92.

Sekarang masalahnya dengan menggunakan tabel itu di sini. Angka-angka Prism adalah hasil build-nya terhadap basis presisi penuhnya sendiri. Angka-angka Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — adalah terhadap kumpulan model yang berbeda, pada harness yang berbeda, dengan pengaturan generasi yang berbeda. Tidak ada satu pun benchmark yang muncul di kedua tabel.Siapa pun yang menempatkan BFCLv3 74.92 di samping BFCLv4 65.01 dan mengumumkan pemenang telah membandingkan dua tes yang berbeda dan menyebutnya sebagai hasil.

Runtime adalah tempat keduanya benar-benar berbeda.

Bagian ini bukan klaim vendor, melainkan fakta kompatibilitas yang bisa Anda buktikan dalam waktu satu sore.

Prism ML harus menulis kernel untuk arsitektur tersebut, karena format terpaket dan atensi yang sebagian besar linier sama-sama tidak biasa. llama.cpp standar menolak kedua pengemasan Prism sebagai tipe yang tidak dikenal — dan, yang lebih berbahaya, memuat format ternari lama tanpa keluhan dan menghasilkan omong kosong yang lancar, karena tidak ada rotasi yang cocok yang diterapkan pada aktivasi. Jika Anda menjalankan Ternary Bonsai 2 27B pada biner yang tidak mengenalinya, Anda tidak akan mendapat galat. Anda akan mendapat output yang salah namun meyakinkan.

LFM2.5-24B-A2B memiliki profil risiko yang berlawanan. Liquid mencantumkan dukungan hari pertama di seluruh llama.cpp untuk GGUF, MLX, vLLM, SGLang, dan ONNX, plus repo saudara FP8, ONNX, dan MLX 4-bit — rilis yang konvensional. Pertanyaan terbuka di sana adalah performa, bukan kebenaran: angka vendor sebesar 184 token per detik pada Apple M5 Max dan 114 pada AMD Ryzen AI Max+ 395 belum direproduksi, dan klaim utama "hingga 1,7× lebih cepat daripada model terbaik berikutnya" tidak memiliki baseline yang dipublikasikan.

Di mana markup 0% sebenarnya penting di sini?

Di antara kedua model ini, sisi routing-nya sungguh canggung, dan lebih baik dikatakan apa adanya daripada dipercantik. Ternary Bonsai 2 27B adalah sebuah unduhan: Prism ML mendistribusikannya di Hugging Face di bawah lisensi Apache 2.0, dan inti dari keseluruhan teknik ini adalah Anda menjalankannya sendiri. LFM2.5-24B-A2B juga pada dasarnya merupakan artefak lokal, dengan endpoint Console milik Liquid seharga $0.10 per juta token masukan — $0.05 untuk yang di-cache — dan $1.00 per juta token keluaran sebagai alternatif yang dihosting. Proposisi nilai inti keduanya bukanlah panggilan API yang ditagih per pemakaian.

Di mana lapisan routing layak mendapat tempatnya adalah di samping mereka, bukan sebagai penggantinya. Model dasar Ternary Bonsai 2 27B yang dikompresi dari — qwen/qwen3.8-27b, yang diterbitkan oleh A​libaba pada 13 Agustus 2026 — dilayani di katalog kami dengan harga $0,33 per juta input dan $2,40 per juta output, yang berarti tugas yang sama dapat dijalankan terhadap model presisi penuh yang dilayani sementara Anda mengevaluasi build lokal 5,93 GB pada prompt yang sama. Itu adalah perbandingan yang adil yang dilakukan dengan murah, dan itulah yang tidak dapat dilakukan oleh tabel 20 tolok ukur milik Prism sendiri untuk Anda.

Lisensi itu, yang bukan catatan kaki di kedua sisi

Ternary Bonsai 2 27B mengusung Apache 2.0, tanpa pemicu pendapatan dan tanpa klausul bidang penggunaan; hal yang sama juga berlaku untuk bobot Qwen3.8-27B yang menjadi asal turunannya. LFM2.5-24B-A2B dirilis di bawah lisensi lfm1.0 milik Liquid, yang merupakan instrumen berbeda dengan ketentuan komersialnya sendiri. Dari bacaan rekayasa murni, kedua model cukup berdekatan sehingga pilihannya sering kali bergantung pada bentuk deployment — eksekutor lokal versus penalar visual lokal — tetapi lisensi adalah satu-satunya input yang tidak ikut berubah seiring siklus benchmark, dan ada baiknya memeriksanya terhadap angka pendapatan Anda sendiri sebelum membangun produk di atas salah satunya.

Hal yang dibiarkan tak terukur oleh tiap vendor adalah hal yang perlu dicermati. Prism ML menerbitkan persentase retensi tetapi tidak perilaku per beban kerja model 1,76-bit pada data Anda, dan artefak kompresi yang 98,2% dari rata-rata tetap bisa menjadi alat yang salah untuk satu kategori yang Anda pedulikan — penurunan coding, kecil secara agregat, menghantam paling keras di suatu tempat yang spesifik. Liquid menerbitkan tabel agentik tanpa kolom independen dan sama sekali tanpa angka retrieval konteks panjang untuk jendela 131K. Kedua celah itu tertutup dengan rilis benchmark, bukan postingan blog, dan vendor mana pun yang merilisnya lebih dulu akan membawa perdebatan ini jauh lebih maju daripada 1,8 poin terakhir.

Pantau gangguan dan degradasi model secara langsung di arsip insiden kami dan lihat rute mana yang telah beralih dengan lancar.