LFM2.5-24B-A2B vs Ternary Bonsai 2 27B: Het verschil is 2 bits en een cloudverbinding

Dit is het kortste eerlijke antwoord. LFM2.5-24B-A2B is een mixture-of-experts die alleen tekst verwerkt, door Liquid AI gebouwd om binnen een agent-loop te draaien op een machine zonder netwerk, aangekondigd op 13 oktober 2026 met 24,0B totale en 2,45B actieve parameters. Ternary Bonsai 2 27B is een low-bit herschrijving van Qwen3.8-27B die Prism ML op 17 september 2026 onder Apache 2.0 uitbracht, waarbij elk gewicht wordt opgeslagen als een van drie symbolen bij 1,76 effectieve bits en een FP16-model van 53,81 GB wordt teruggebracht tot een download van 5,93 GB. Ze zijn beide klein genoeg om lokaal te draaien en beide open-weight, en ze proberen niet hetzelfde werk te doen. Het model van Liquid is getraind om tools aan te roepen. Het model van Prism is een vision-language-model met volledige precisie in een veel goedkoper pak.

Wat deze combinatie een pagina waard maakt, is dat elk van de twee je vertelt waar zijn eigen bewijs dun is, en de twee zwaktes zijn elkaars tegenpolen.

Wat elk van hen is, teruggebracht tot het deel dat ertoe doet.

LFM2.5-24B-A2B behoudt de LFM2-architectuur: 40 lagen, 30 dubbelgegate short-convolutieblokken en 10 grouped-query-attentielagen, 64 experts per blok met top-4-routing, 131.072 tokens context, een vocabulaire van 128.000 tokens, tekst in en tekst uit. De post-trainingpijplijn van Liquid eindigt met een agentische reinforcement-learningfase die binnen OpenClaw, Hermes Agent, Pi en OpenCode wordt uitgevoerd. De leverancier raadt expliciet aan om het te combineren met retrieval of webzoekopdrachten in plaats van erop te vertrouwen bij kennisvragen — en in zijn eigen lanceringstabel staat de AA-Omniscience-rij op −24,90, wat dat advies in numerieke vorm is.

Ternary Bonsai 2 27B is hetzelfde netwerk als Qwen3.8-27B, alleen anders opgeschreven. De whitepaper van Prism ML splitst 27,36B parameters in 24,35B in de taalbackbone over 64 blokken, 2,54B in de embedding en LM-head, en 0,47B in een visietoren met 27 blokken die wordt geleverd als een apart 4-bits mmproj-bestand van ongeveer 0,63 GB en alleen wordt geladen wanneer er een afbeelding binnenkomt. De hybride attention van het basismodel — 48 Gated DeltaNet lineaire attentielagen, afgewisseld met 16 volledige attentielagen, hidden size 5.120, een vocabulaire van 248.320 tokens — is ongewijzigd overgenomen. Dat geldt ook voor de context van 262.144 tokens.

De scheidslijn die hen het snelst onderscheidt, is modaliteit. Ternary Bonsai 2 27B accepteert afbeeldingen. LFM2.5-24B-A2B doet dat niet, en geen enkele kwantisatietruc verandert dat.

Kwaliteit, op de enige tafel die een van hen beiden heeft

Prism ML vergeleek zijn build met het origineel in volledige precisie op een suite van 20 benchmarks en meldt dat hij 98,2% van het gemiddelde behoudt — 83,9 tegen 85,4. Dat is de eigen testomgeving van de leverancier, een maand oud, door niemand gereproduceerd. Het is ook, bewust of niet, precies het soort bewering dat zijn eigen verdeling verbergt, omdat de 1,8 punten niet gelijkmatig verdeeld zijn.

• Wiskunde — 96,57 versus 97,06. Vrijwel gelijk.

• Codering — 81,58 versus 82,17. Dicht bij elkaar, en de categorie waarop de compressietechniek ter discussie staat.

• Instructieopvolging — 82,66 tegenover 81,25.Het gecomprimeerde model ligt voor, de enige echt verrassende regel in de tabel.

• Kennis en redeneren — 83,95 versus 86,66. Een daling van 2,7 punten, en de grootste afzonderlijke bijdrage aan de ontbrekende 1,8.

• Agentisch en het aanroepen van tools — 77,57 versus 79,74, met τ2-Bench op 80,22 en BFCL v3 op 74,92.

Nu het probleem met het gebruik van die tabel hier. De cijfers van Prism zijn zijn build tegen zijn eigen full-precision-basis. De cijfers van Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — zijn tegen een andere set modellen, op een andere harness, met andere generatie-instellingen. Geen enkele benchmark komt in beide tabellen voor. Iedereen die BFCLv3 74.92 naast BFCLv4 65.01 zet en een winnaar aankondigt, heeft twee verschillende tests vergeleken en dat een resultaat genoemd.

Runtime is waar de twee pas echt uiteenlopen

Dit is geen bewering van een leverancier, het is een compatibiliteitsfeit dat je in één middag zelf kunt vaststellen.

Prism ML moest kernels voor de architectuur schrijven, omdat zowel het ingepakte formaat als de grotendeels lineaire attention ongebruikelijk zijn. Standaard llama.cpp verwerpt beide packingformaten van Prism als onbekende typen — en, gevaarlijker nog, laadt een ouder ternair formaat zonder klagen en produceert vloeiende onzin, omdat er geen overeenkomstige rotatie op de activaties is toegepast. Als je Ternary Bonsai 2 27B uitvoert op een binary die het niet kent, krijg je geen foutmelding. Je krijgt zelfverzekerde, onjuiste output.

LFM2.5-24B-A2B heeft een tegengesteld risicoprofiel. Liquid vermeldt ondersteuning vanaf dag één in llama.cpp voor GGUF, MLX, vLLM, SGLang en ONNX, plus FP8-, ONNX- en 4-bit-ML-tegenhanger — een conventionele release. De openstaande vraag is daar prestaties in plaats van correctheid: de cijfers van de leverancier van 184 tokens per seconde op een Apple M5 Max en 114 op een AMD Ryzen AI Max+ 395 zijn niet gereproduceerd, en aan de kop "tot 1,7× sneller dan het op een na beste model" hangt geen gepubliceerde baseline.

Waar maakt 0% opslag hier nu echt verschil?

Tussen deze twee modellen is de routeringsinvalshoek echt ongemakkelijk, en het is de moeite waard om dat te zeggen in plaats van het mooier voor te stellen. Ternary Bonsai 2 27B is een download: Prism ML distribueert het op Hugging Face onder Apache 2.0, en het hele punt van de techniek is dat je het zelf draait. LFM2.5-24B-A2B is ook vooral een lokaal artefact, met Liquid's Console-endpoint tegen $0,10 per miljoen inputtokens — $0,05 gecached — en $1,00 per miljoen output als het gehoste alternatief. Voor geen van beide is de kernwaarde een metered API-call.

Waar een routeringslaag zijn plaats verdient, is naast hen, niet in plaats van hen. Het basismodel Ternary Bonsai 2 27B is gecomprimeerd uit — qwen/qwen3.8-27b, gepubliceerd door Alibaba op 13 augustus 2026 — wordt op onze catalogus aangeboden voor $0,33 per miljoen input en $2,40 per miljoen output, wat betekent dat dezelfde taak kan worden uitgevoerd tegen het aangeboden full-precisionmodel terwijl u de lokale build van 5,93 GB op dezelfde prompts evalueert. Dat is een eerlijke vergelijking die goedkoop wordt gemaakt, en het is degene die Prism's eigen tabel met 20 benchmarks niet voor u kan maken.

De licentie, die aan geen van beide zijden een voetnoot is

Ternary Bonsai 2 27B valt onder Apache 2.0, zonder omzetdrempel en zonder clausule over het gebruiksgebied; hetzelfde geldt voor de Qwen3.8-27B-gewichten waarvan het is afgeleid. LFM2.5-24B-A2B wordt geleverd onder Liquid's lfm1.0-licentie, een ander instrument met zijn eigen commerciële voorwaarden. Vanuit puur technisch oogpunt liggen de twee modellen dicht genoeg bij elkaar dat de keuze vaak neerkomt op de vorm van de deployment — lokale uitvoerder versus lokale visuele redeneerder — maar de licentie is de enige input die niet meebeweegt met de benchmarkcyclus, en het is de moeite waard om die af te zetten tegen je eigen omzetcijfers voordat je op een van beide een product bouwt.

Wat elke leverancier ongemeten liet, is wat je in de gaten moet houden. Prism ML publiceerde een retentiepercentage, maar niet het gedrag per workload van een 1,76-bits model op jouw data, en een compressie-artefact dat 98,2% van het gemiddelde bedraagt, kan nog steeds het verkeerde hulpmiddel zijn voor de ene categorie waar je om geeft — de codeerdaling, klein in totaliteit, slaat het hardst toe op een specifieke plek. Liquid publiceerde een agentische tabel zonder onafhankelijke kolom en helemaal geen cijfers over long-contextretrieval voor een 131K-venster. Beide hiaten worden gedicht met een benchmarkrelease in plaats van een blogpost, en welke leverancier er ook als eerste een uitbrengt, zal het debat veel verder hebben gebracht dan de laatste 1,8 punten deden.

Volg live modelstoringen en degradaties in ons incidentenarchief en zie welke routes een probleemloze failover hebben uitgevoerd.