LFM2.5-24B-A2B 対 Ternary Bonsai 2 27B：その違いは2ビットとクラウド接続

これが最も短く、正直な答えです。LFM2.5-24B-A2Bは、ネットワークのないマシン上でエージェントループの中に収まるようにLiquid AIが構築したテキスト専用のMixture-of-Expertsであり、2026年10月13日に総パラメータ数24.0B、アクティブパラメータ2.45Bで発表されました。Ternary Bonsai 2 27Bは、Prism MLが2026年9月17日にApache 2.0の下でリリースしたQwen3.8-27Bの低ビット版リライトであり、各重みを3つの記号のいずれかとして実効1.76ビットで保存し、53.81 GBのFP16モデルを5.93 GBのダウンロードに縮小しています。どちらもローカルに保持できるほど小さく、どちらもオープンウェイトですが、同じ仕事をしようとしているわけではありません。Liquidのモデルはツールを呼び出すように訓練されています。Prismのモデルは、はるかに安価なスーツをまとったフル精度の視覚言語モデルです。

この組み合わせに1ページを割く価値があるのは、それぞれが自分の根拠のどこが薄弱なのかを教えてくれ、しかもその二つの弱点が正反対だからだ。

それぞれが何なのか、大事なところだけに絞って

LFM2.5-24B-A2BはLFM2アーキテクチャを維持している。40層、30個の二重ゲート付きショートコンボリューションブロックと10層のグループ化クエリアテンション、各ブロック64エキスパートでトップ4ルーティング、131,072トークンのコンテキスト、128,000トークンの語彙、テキスト入力・テキスト出力。Liquidのポストトレーニングパイプラインは、OpenClaw、Hermes Agent、Pi、OpenCode内で実行されるエージェント型強化学習ステージで終わる。ベンダーは、知識に関する質問で信用するのではなく、検索やウェブ検索と組み合わせることを明示的に推奨している——そして自社のローンチ表では、AA-Omniscienceの行は−24.90にあり、これはその助言を数値で表したものである。

Ternary Bonsai 2 27Bは、Qwen3.8-27Bと同じネットワークを別の形で書き表したものです。Prism MLのホワイトペーパーでは、27.36Bパラメータを、64ブロックにまたがる言語バックボーン内の24.35B、埋め込みとLMヘッド内の2.54B、そして約0.63GBの別個の4ビットmmprojファイルとして提供され、画像が入力されたときだけ読み込まれる27ブロックのビジョンタワー内の0.47Bに分割しています。ベースモデルのハイブリッドアテンション――48のGated DeltaNet線形アテンション層と16のフルアテンション層が交互に配置され、隠れ次元は5,120、語彙は248,320トークン――は変更されずに継承されています。262,144トークンのコンテキストも同様です。

それらを最も速く分かつのはモダリティだ。Ternary Bonsai 2 27Bは画像を受け付ける。LFM2.5-24B-A2Bは受け付けず、どんな量子化のトリックでもそれは変わらない。

品質、二人のどちらかが持っている唯一のテーブルの上で

Prism MLは、20ベンチマークのスイートで自社ビルドをフル精度のオリジナルと比較測定し、平均の98.2%を維持していると報告している——83.9対85.4。これはベンダー自身のハーネスで、1か月前のものであり、誰にも再現されていない。そして意図的であれそうでなかれ、まさに自らの分布を隠す類の主張でもある。なぜなら、その1.8ポイントは均等に散らばっているわけではないからだ。

• 数学 — 96.57 対 97.06。実質的に同等です。

• コーディング — 81.58 対 82.17。 僅差であり、その圧縮技術が論じられているカテゴリです。

• 指示追従 — 82.66 対 81.25。 圧縮モデルの方が優勢で、表の中で唯一本当に驚くべき行です。

• 知識と推論 — 83.95 対 86.66。2.7ポイントの低下であり、失われた1.8の唯一最大の要因。

• エージェント機能とツール呼び出し — 77.57 対 79.74、τ2-Benchで80.22、BFCL v3で74.92をカバーしています。

さて、ここでその表を使う場合の問題点です。Prismの数値は、自社のフル精度ベースに対してビルドしたものです。Liquidの数値——AutomationBench 27.69、LiveClaw 48.09、ToolSandbox 80.71、BFCLv4 65.01、IFEval 96.75、IFBench 74.69——は、異なるモデル群、異なるハーネス、異なる生成設定に対して測定されたものです。両方の表に登場するベンチマークは一つもありません。BFCLv3 74.92をBFCLv4 65.01の隣に並べて勝者を宣言する人は、二つの異なるテストを比較して、それを結果と呼んでいるのです。

両者が本当に分かれるのは実行時だ

この部分はベンダーの主張ではなく、午後には実際に確かめられる互換性の事実です。

Prism MLはこのアーキテクチャ向けにカーネルを書かなければならなかった。パック形式と大部分が線形なアテンションの両方が異例だったからだ。標準のllama.cppはPrismの両方のパッキングを未知の型として拒否する。さらに危険なことに、古い三値形式を文句も言わずに読み込み、流暢なナンセンスを出力する。アクティベーションに一致する回転が適用されていないからだ。Ternary Bonsai 2 27Bを、それを知らないバイナリで実行しても、エラーは出ない。返ってくるのは、自信に満ちた誤った出力だ。

LFM2.5-24B-A2Bは正反対のリスクプロファイルを持つ。Liquidは、GGUF向けllama.cpp、MLX、vLLM、SGLang、ONNXにまたがる初日サポートを挙げ、さらにFP8、ONNX、4ビットMLXの姉妹リポジトリも用意している——従来型のリリースだ。そこでの未解決の課題は、正確性ではなく性能にある。ベンダーが示すApple M5 Maxでの毎秒184トークン、AMD Ryzen AI Max+ 395での114という数値は再現されておらず、「次善モデルより最大1.7倍高速」という見出しにも、公表されたベースラインが添えられていない。

ここでは、0%の上乗せが実際にどこで重要になるのでしょうか。

これら2つのモデルの間では、ルーティングという観点は正直なところ実に厄介であり、取り繕うよりもそう正直に言っておく価値がある。Ternary Bonsai 2 27B はダウンロードして使うものだ。Prism ML が Hugging Face 上で Apache 2.0 のもと配布しており、この手法全体の要点は自分で実行することにある。LFM2.5-24B-A2B も主にローカル向けの成果物であり、Liquid の Console エンドポイントが入力100万トークンあたり $0.10——キャッシュ利用時は $0.05——、そして出力100万トークンあたり $1.00というホスト型の代替手段として用意されている。どちらも、その中核的な価値提案は従量課金の API 呼び出しではない。

ルーティング層がその居場所を得るのは、それらの代わりではなく、それらの隣においてです。Ternary Bonsai 2 27B が圧縮元としているベースモデル—— qwen/qwen3.8-27b（A​libaba が 2026年8月13日に公開）は、当社のカタログでは入力100万あたり $0.33、出力100万あたり $2.40 で提供されています。つまり、同じタスクを 提供中のフル精度モデルに対して実行しながら、同じプロンプトで 5.93 GB のローカルビルドを評価できるということです。これは安価に行われる公平な比較であり、Prism 自身の20ベンチマーク表があなたに代わって示すことのできない比較です。

ライセンスは、どちらの側にとっても脚注ではない。

Ternary Bonsai 2 27B は Apache 2.0 を採用しており、収益トリガーも用途分野条項もありません。派生元である Qwen3.8-27B の重みにも同じことが言えます。LFM2.5-24B-A2B は Liquid の lfm1.0 ライセンスの下で提供されており、これは独自の商用条件を備えた別の法的文書です。純粋にエンジニアリングの観点で見れば、この2つのモデルは十分に似通っているため、選択はしばしばデプロイ形態 — ローカル実行者かローカル視覚推論器か — で決まります。しかし、ライセンスはベンチマークサイクルに左右されない唯一の入力であり、どちらかの上に製品を構築する前に、自社の収益数値と照らし合わせて確認する価値があります。

各ベンダーが測定せずに残したものこそ、注視すべき点だ。Prism MLは保持率のパーセンテージを公開したが、1.76ビットモデルがあなたのデータ上でワークロードごとにどう振る舞うかは公開していない。そして、平均の98.2%にあたる圧縮アーティファクトであっても、あなたが重視するただ一つのカテゴリにとっては依然として間違ったツールであり得る——コーディングの低下は、全体では小さくても、特定のどこかで最も強く現れる。Liquidは、独立した列も、131Kウィンドウ向けの長文脈検索の数値も一切ないエージェント向けの表を公開した。どちらの欠落も、ブログ投稿ではなくベンチマークの公開によって埋まる。そして、どちらのベンダーが先にそれを出しても、議論は直近の1.8ポイントよりもはるかに大きく前に進めたことになるだろう。

ライブモデルの停止や性能低下を当社のインシデントアーカイブで追跡し、どのルートが正常にフェイルオーバーしたかを確認できます。