LBS-27B: Een lege repo, een README van 28 bytes en een 27B-naam die niemand heeft uitgelegd

Om 05:36 UTC op 26 oktober 2026 verscheen een repository genaamd inclusionAI/LBS-27B op Hugging Face. Hij bevat twee bestanden. Een daarvan is een 1.519 bytes groot bestand met de naam .gitattributes. Het andere is een README van precies 28 bytes, en het geheel ervan is een YAML-header die een Apache-2.0-licentie aangeeft. Er is geen modelkaart, geen config, geen tokenizer, geen gewichten, geen evaluatietabel en nergens een aankondiging die we kunnen vinden. De repository heeft geen geregistreerde downloads en nul likes. Dat is het volledige openbare record van LBS-27B per vanochtend.

Dit is geen verhaal over een lancering, want er is niets gelanceerd. Het is een verhaal over het vroegst mogelijke signaal dat een model kan afgeven: een naam, een eigenaar en een licentie. Voor iedereen die Ant Groups inclusionAI volgt, is de interessante vraag niet wat LBS-27B scoort. Het is waarom een lab dat gewoonlijk uitpakt met een modelkaart, een technisch rapport en een gecoördineerde post eerst een lege huls zou creëren — en wat die huls je wel en niet vertelt.

Het bewijs, opgesomd

Alles hieronder is te controleren via Hugging Face's openbare API en de bestandsboom van de repository. Niets hier is afhankelijk van een bron binnen het lab.

• Aanmaaktijdstempel — het repositoryrecord vermeldt created_at: 2026-10-26T05:36:52Z, en lastModified is dezelfde seconde. Sindsdien is er niets meer gewijzigd.

• Bestanden — .gitattributes van 1.519 bytes en README.md van 28 bytes. De tree-listing retourneert helemaal geen mappen, wat betekent dat er geen config.json, geen model.safetensors of shard-index, geen tokenizerbestanden en geen generatieconfiguratie zijn.

• README-inhoud — de 28 bytes zijn de licentie-frontmatter en niets anders: license: apache-2.0. Er is geen beschrijving, geen beoogd gebruik, geen notitie over trainingsgegevens, geen benchmarkrij.

• Betrokkenheid — nul likes, en downloads worden op het moment van schrijven niet voor het model bijgehouden. Ter vergelijking: inclusionAI's Ling-3.1-flash heeft 150 likes en 4.222 downloads sinds 13 oktober.

• Openbare discussie — zoekopdrachten naar de exacte string op het open web, GitHub en sociale platforms leverden niets op. Geen paper, geen blogpost van een leverancier, geen tweet over de lancering, geen discussiethread in de repository zelf.

Dat laatste punt verdient een voorbehoud: het ontbreken van berichtgeving op de ochtend van een release is normaal en zegt weinig. Wat deze zaak ongebruikelijk maakt, is de combinatie — een repository die publiek zichtbaar is maar geen van de artefacten bevat waarmee iemand het model zou kunnen draaien, inspecteren of evalueren.

Wat de 28 bytes je wel vertellen

De licentiedeclaratie is de enige inhoudelijke verklaring in de repository, en het is de moeite waard die zorgvuldig te lezen in plaats van er snel aan voorbij te gaan.

Apache-2.0 is een permissieve, commercieel bruikbare licentie met een expliciete patentlicentie. Het declareren ervan in de frontmatter van de README, voordat er gewichten bestaan, is een intentieverklaring over hoe het model zal worden gedistribueerd. Het is geen garantie — een licentie kan worden gewijzigd voordat de gewichten beschikbaar komen — maar het is een bewuste keuze die op het moment van creatie is gemaakt.

Het is ook een afwijking van de recente gewoonte van inclusionAI. Zowel Ling-3.0-flash als Ling-3.1-flash hebben MIT-licenties. LBS-27B vermeldt Apache-2.0. Of dat een andere herkomst van de trainingsdata weerspiegelt, een ander intern team, of simpelweg een beleidswijziging, valt niet uit de repository op te maken, en iedereen die je iets anders vertelt, doet een gok.

Het .gitattributes-bestand is de standaard LFS- en attribuutboilerplate. De aanwezigheid ervan geeft aan dat de repository is aangemaakt met de normale Hugging Face-tooling en niet handmatig in elkaar is gezet, wat consistent is met een bewuste placeholder. Het zegt niets over het model.

Waarom de lege repo's van dit lab een tweede blik waard zijn

inclusionAI is het modellab van Ant Group, en de output ervan is niet marginaal. De Ling-lijn is in 2026 gestaag uitgebracht: Ling-3.0-flash op 2 augustus, Ling-3.1-flash op 13 oktober, Ling-3.0-flash-Santé op 19 oktober en Ling-3.0-tiny-UBTree op 21 oktober. De organisatie onderhoudt ook Ming voor spraak en de LLaDA-lijn voor diffusietalen. Dit is een lab met een cadans, een releaseproces en een publiek.

Het is ook een lab dat veel aandacht besteedt aan de 27B-klasse. Op 14 september publiceerde het inclusionAI/Qwen3.8-27B-singprobe, een kleine streaming-guardrailprobe die bovenop Alibaba's Qwen3.8-27B is gebouwd in plaats van op een eigen taalmodel. Dat is nuttige context voor LBS-27B: inclusionAI werkt al direct met een 27B-model van ongeveer deze omvang, en het bouwt veiligheidstools rond de verborgen toestanden daarvan.

Niets daarvan bevestigt wat LBS-27B is. Het betekent wel dat de repository waarschijnlijk geen losstaand experiment is van een ongerelateerd account. De organisatie weet wat ze doet, en ze heeft deze repository met opzet aangemaakt.

De naam is het minst geverifieerde ding in het verhaal

Het is verleidelijk om "27B" te lezen als een parameteraantal en "LBS" als een architectuurfamilie. Geen van beide lezingen wordt door iets in de repository ondersteund.

De 27B is een string in een repositorynaam. Het kan het totale aantal parameters zijn, zoals Gemma 4 26B A4B 25,2B naar boven afrondt naar 26B. Het kan een marketinggrootte zijn in plaats van een parameteraantal, zoals Qwen3.8-27B op Hugging Face met 28B parameters wordt vermeld. Het kan bij benadering zijn. Zonder een config.json is er geen manier om een dense 27B-model te onderscheiden van een mixture-of-experts-model met 27B totaal en een fractie actief, en dat onderscheid verandert alles aan de kosten voor het serveren, de latentie en de hardwarevereisten.

De letters worden nergens voluit geschreven. Ze kunnen een familie, een trainingsrecept, een interne codenaam of een productlijn aanduiden. We gaan er geen betekenis voor verzinnen.

Er zijn minstens drie alledaagse verklaringen voor een lege repository, en ze leiden tot verschillende conclusies:

• Een placeholder vóór de release. De repository wordt vroeg aangemaakt zodat interne tooling, de modelkaart en de gewichten op de dag van de lancering naar een stabiele URL kunnen worden gepusht. Dit is het meest voorkomende patroon en tevens het meest waarschijnlijke.

• Een onbedoelde of voortijdige push. Iemand heeft de repository openbaar gemaakt terwijl die privé had moeten zijn. In dat geval kan de naam veranderen of kan de repository volledig verdwijnen.

• Een stub voor een model dat is hernoemd of geannuleerd. De repository blijft staan omdat verwijderen meer moeite kost dan laten staan.

Niets in het openbare dossier maakt onderscheid tussen deze. De lastModified-tijdstempel die overeenkomt met created_at tot op de seconde is zwak consistent met de eerste verklaring — een handmatig aangemaakte repository zou doorgaans enige bewerking laten zien — maar het is geen bewijs.

Wat zou er moeten verschijnen om dit een model te laten worden?

Als je een concrete watchlist wilt in plaats van alleen een gevoel, zijn dit de artefacten die LBS-27B van een naam naar een claim zouden verheffen. Elk daarvan beantwoordt een vraag die de huidige repository openlaat.

• config.json — de architectuur, het aantal lagen, de hidden size, het vocabulaire en, cruciaal, of er expertvelden zijn. Dit enkele bestand beslist dense versus MoE en levert een verdedigbare parametertelling op.

• Gewichtsshardes en een index — het verschil tussen een model dat je kunt downloaden en een model waar je alleen over kunt praten. De index onthult ook de precisie: BF16, FP8 of iets anders.

• Een tokenizer — de omvang van de vocabulaire is een van de betere proxysignalen voor meertalige intentie, en bepaalt hoe duur niet-Latijnse tekst is bij de API.

• Een modelkaart met evaluatierijen — en net zo belangrijk, een vermelding van welke harnessversies die rijen gebruikten. Een benchmarkcijfer zonder harnessversie is met niets vergelijkbaar.

• Een aankondiging van een leverancier of een technisch rapport — datgene dat je vertelt waarvoor het lab denkt dat het model bedoeld is. Zonder dat wordt elke positioneringsclaim in de daaropvolgende berichtgeving afgeleid uit de naam.

Totdat ten minste de eerste twee daarvan bestaan, is elke vergelijking waarbij LBS-27B betrokken is, een vergelijking met een hypothese. We hebben de vier voor de hand liggende confrontaties uitgeschreven — tegen Gemma 4 26B A4B, Granite 4.2 30B, LFM2.5 24B A2B en Qwen3.8-27B — maar elk van die stukken is expliciet gepresenteerd als een drempel die het model zou moeten halen, niet als een resultaat dat het heeft behaald.

Hoe je een onbewezen model kunt aanhouden zonder erop te wedden

De praktische vraag voor iedereen die op open modellen bouwt, is niet "zou ik overstappen naar LBS-27B" — er is nog niets om naar over te stappen. Het is hoe je er klaar voor kunt zijn zonder je vast te leggen. Dat is het onderdeel waarvoor OrcaRouter echt nuttig is.

Om duidelijk te zijn over de beschikbaarheid: LBS-27B staat vandaag niet op OrcaRouter. Onze catalogus vermeldt 211 modellen en dit is er niet één van. We gaan niet suggereren dat het anders is, en we weten pas of we het kunnen routeren als er gewichten te serveren zijn. Wat het platform wél biedt, is een manier om een nieuw model te testen zonder er een productieafhankelijkheid van te maken: één API-sleutel voor de hele catalogus, automatische failover wanneer een provider minder presteert, en een routing-DSL waarmee je een deel van het verkeer naar een nieuw model kunt sturen en dat op dezelfde workload met je huidige model kunt vergelijken.

De 0%-opslag is hier op een specifieke manier van belang. We geven de lijstprijs van de provider één-op-één door, dus als inclusionAI of een hostingpartner de prijs van LBS-27B na de lancering verlaagt, beweegt ons tarief dezelfde dag mee in plaats van pas bij de volgende contractverlenging. Dat is een uitspraak over ons factureringsmodel, niet over de prijs van dit model, die nog niet bestaat.

Het teken om op te letten

Het eerste betekenisvolle signaal zal geen benchmark zijn. Het zal de eerste commit zijn die een config.json toevoegt. Dat bestand zal je vertellen of LBS-27B een dense model is of een mixture of experts, hoeveel lagen het heeft, voor welke contextlengte het is getraind, en of de 27B in de naam verwijst naar totale of actieve parameters. Al het overige — de benchmarks, de prijsstelling, de vergelijkingen — volgt uit die feiten.

Het tweede signaal zal de framing van de modelkaart zijn. De Ling-modelkaarten van inclusionAI openen met agentische en meertalige claims. Als de LBS-kaart met hetzelfde opent, is het model een algemeen inzetbaar familielid binnen de Ling-familie. Als de kaart met iets anders opent — lange context, code, efficiëntie — dan is dat een interessanter verhaal, en een specifieker verhaal.

Voorlopig is de eerlijke samenvatting kort. Er bestaat een repository. Die is Apache-2.0. Hij is leeg. Het lab erachter is serieus, de 27B-klasse waar het op wijst is drukbevolkt, en de naam is door niemand uitgelegd. We werken dit artikel bij wanneer de gewichten beschikbaar komen, en niet eerder.