LBS-27B vs LFM2.5 24B A2B: kwestia parametrów aktywnych

Najważniejszą liczbą w LFM2.5 24B A2B nie jest 24. To 2,45 — miliardy parametrów, które model faktycznie odczytuje dla każdego tokenu. Dlatego Liquid AI może twierdzić, że osiąga 184 tokeny wyjściowe na sekundę na Apple M5 Max, choć model przechowuje 24 miliardy parametrów wiedzy, i dlatego firma pozycjonuje go jako agenta działającego na urządzeniu, a nie konia roboczego centrów danych. Tej samej liczby brakuje w LBS-27B, a jej brak jest powodem, dla którego tego porównania nie można jeszcze rozstrzygnąć: bez liczby aktywnych parametrów nie da się umieścić modelu inclusionAI na krzywej efektywności, którą definiuje LFM2.5.

LFM2.5 24B A2B jest dostępny do pobrania od 13 października 2026 r., wraz z kartą modelu, szesnastoma wierszami benchmarków i licencją, którą większość przedsiębiorstw będzie musiała uważnie przeczytać. LBS-27B to repozytorium utworzone 26 października 2026 r., które zawiera standardowy plik .gitattributes i README o rozmiarze 28 bajtów z deklaracją Apache-2.0. Brak wag, brak konfiguracji, brak karty, brak zapowiedzi. To, co następuje, jest zatem porównaniem między w pełni wyspecyfikowanym posunięciem na rzecz efektywności a nazwą, która jeszcze nie powiedziała, jakim rodzajem modelu jest.

Na co optymalizuje Liquid

LFM2.5 24B A2B to dekoder typu mixture-of-experts z 64 ekspertami i routingiem top-4, 40 warstwami, rozmiarem ukrytym 2048 i słownikiem liczącym 128 000 tokenów. Liczba aktywnych parametrów wynosi 2,45 mld. Obsługuje kontekst 131 072 tokenów, w porównaniu z 32 tys. w poprzedniej generacji, i został wstępnie wytrenowany na 33 bilionach tokenów, czyli około dwukrotnie więcej niż 17 bilionów użytych w LFM2.

Zmiana słownika to detal, na który warto zwrócić uwagę. Przejście z 65K do 128K tokenów jest kosztowne — oznacza ponowne wytrenowanie warstw embeddingu i warstwy wyjściowej — a zwykłym powodem, by to robić, jest tekst w językach niełacińskich. Karta wymienia szesnaście języków: angielski, arabski, chiński, francuski, niemiecki, włoski, japoński, koreański, portugalski, hiszpański, wietnamski, tajski, indonezyjski, hindi, rosyjski i polski. Większy słownik sprawia, że te języki są tańsze w przeliczeniu na słowo i zwykle lepiej radzą sobie z rzadszymi przypadkami.

To także model przeznaczony wyłącznie do rozumowania. Potok post-training Liquid obejmuje nadzorowane dostrajanie, specjalizację nauczyciela, destylację nieagentową i agentową, a następnie agentowe uczenie ze wzmocnieniem w harnessach takich jak OpenClaw, Hermes Agent, Pi i OpenCode. Model generuje łańcuch rozumowania przed udzieleniem odpowiedzi; w karcie modelu nie udokumentowano osobnego trybu „szybkiego, bez myślenia”.

Celowo skokowy profil benchmarku

Własne liczby Liquid, których nie odtworzyliśmy, opisują model, który jest znakomity w tym, co robi agent działający na urządzeniu, a słaby w tym, czego potrzebuje pracownik umysłowy. Ten kształt nie jest przypadkiem; to jest zamierzenie.

• Przestrzeganie instrukcji — IFEval 96,75, IFBench 74,69, Multi-IF 84,38. To najsilniejszy klaster na karcie i ten, który ma największe znaczenie dla agenta, który musi przestrzegać schematu narzędzia.

• Korzystanie z narzędzi — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69. Dobre, ale nierówne w różnych harnessach.

• Przeglądanie agentowe i korzystanie z komputera — LiveClaw 48,09, WebArena Verified 26,75, tau3-Bench Banking 8,04. Wynik w bankowości jest odstający: jednocyfrowy rezultat w zestawie zadań, z którym inne modele agentowe radzą sobie znacznie lepiej. To przypomnienie, że „agentowość” nie jest jedną zdolnością.

• Inżynieria oprogramowania — SWE-Bench Verified 51,00 w OpenCode, SciCode 32,71. Środek stawki.

• Matematyka — MATH-500 96.04. Mocny wynik jak na ten rozmiar.

• Wiedza — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. Ujemny wynik Omniscience jest tu uczciwym sygnałem: na benchmarku, który karze pewne siebie błędne odpowiedzi, model traci więcej, niż zyskuje. Samo pozycjonowanie Liquid to przyznaje — model ma być łączony z wyszukiwaniem, a nie traktowany jako encyklopedia.

Czytane łącznie, te wiersze wskazują, że model dobrze radzi sobie z wykonywaniem instrukcji i wywoływaniem narzędzi, lecz ma wąską bazę wiedzy. W przypadku lokalnego agenta, który czyta Twoje pliki i wywołuje Twoje API, to właściwy kompromis. W przypadku asystenta badawczego to zły wybór.

Twierdzenie o efektywności, wraz z jego zastrzeżeniami

Liquid podaje 184 tokeny na sekundę na Apple M5 Max przy zużyciu około 15 GB pamięci oraz 114 tokenów na sekundę na Ryzen AI Max+ 395. To dane producenta na konkretnym sprzęcie, a nie ogólny benchmark, i będą się zmieniać wraz z kwantyzacją i rozmiarem partii. Kierunek nadal ma znaczenie: model 24B z 2,45B aktywnych parametrów może działać na laptopie w sposób, w jaki gęsty model 24B nie może.

Kompromisem jest przepustowość pamięci. Modele rzadkie nadal muszą przechowywać w pamięci wszystkie 24 miliardy parametrów — oszczędność dotyczy obliczeń na token, a nie pamięci. Dlatego liczba 15GB ma znaczenie równie duże jak przepustowość: to w przybliżeniu 4-bitowa kwantyzacja pełnego zestawu wag, która wyznacza dolną granicę sprzętową.

Gdzie musiałby znajdować się LBS-27B

Całe to starcie zależy od dwóch pól, które jeszcze nie istnieją w repozytorium LBS-27B: liczby ekspertów i liczby aktywnych parametrów.

Jeśli LBS-27B jest rzadki, z czymś w rodzaju od 2B do 4B aktywnych parametrów, trafia bezpośrednio na terytorium LFM2.5 — bazę wiedzy klasy 27B przy mocy obliczeniowej małego modelu — i porównanie staje się bezpośrednim starciem jakości na aktywny parametr. Jeśli jest gęsty, to zupełnie inny produkt: model po stronie serwera z przewidywalną mocą obliczeniową i śladem pamięciowym, który wyklucza większość laptopów. Jeśli jest rzadki z dużą liczbą aktywnych parametrów, plasuje się pomiędzy tymi dwoma i konkuruje jakością, a nie efektywnością.

Na podstawie repozytorium nie da się wywnioskować, o który chodzi. Nazwa wskazuje na 27B, README mówi Apache-2.0, a drzewo plików nie mówi nic więcej. inclusionAI nie opublikowało karty, wpisu na blogu ani artykułu, które udałoby się nam znaleźć.

Porównanie, na ile można je przeprowadzić

• Łączna liczba parametrów — 24,0B dla LFM2.5 24B A2B; niezweryfikowane 27B dla LBS-27B.

• Aktywne parametry — 2,45 mld dla LFM2.5; nieznane dla LBS-27B, i to jest decydująca niewiadoma.

• Architektura — 64 ekspertów z routingiem top-4 i 40 warstw dla LFM2.5; nieznane dla LBS-27B.

• Kontekst — 131,072 tokenów dla LFM2.5; nieznany dla LBS-27B.

• Modalność — tylko tekst dla LFM2.5; nieznana dla LBS-27B.

• Języki — szesnaście wymienionych dla LFM2.5; nieznane dla LBS-27B.

Rozumowanie — domyślnie łańcuch myśli, bez udokumentowanego trybu bez myślenia, w przypadku LFM2.5; nieznane w przypadku LBS-27B.

• Licencja — licencja LFM 1.0, z wymogiem licencji komercyjnej powyżej 10 mln USD rocznego przychodu, dla LFM2.5; Apache-2.0 zadeklarowana dla LBS-27B.

• Opublikowane ewaluacje — szesnaście wierszy zgłoszonych przez dostawcę dla LFM2.5; brak dla LBS-27B.

Licencja to kwestia zakupowa, a nie przypis.

To jedyny wymiar, w którym puste repozytorium już daje LBS-27B przewagę. Licencja LFM 1.0 nie jest open source w rozumieniu OSI: firmy z rocznym przychodem powyżej 10 mln USD potrzebują oddzielnej licencji komercyjnej przed wdrożeniem. Dla indywidualnego programisty lub startupu poniżej progu to nie problem. Dla średniej wielkości firmy to przegląd prawny, negocjacje i pozycja kosztowa.

LBS-27B deklaruje Apache-2.0 w swoim README. To permisywna licencja z wyraźnym udzieleniem praw patentowych i bez progu przychodowego, a jeśli przetrwa do wydania wag, usuwa cały krok procedury zakupowej. To jedyna konkretna przewaga, jaką LBS-27B obecnie ma w tym porównaniu, i warto powiedzieć to jasno, ponieważ jest realna — deklaracja licencji złożona przy tworzeniu repozytorium jest słabym dowodem, ale nie jest niczym.

Na urządzeniu kontra API: dwa różne produkty

LFM2.5 24B A2B został stworzony do działania tam, gdzie znajdują się dane. Główna obietnica to prywatność i niskie opóźnienia: model na laptopie lub stacji roboczej, który nigdy nie wysyła zapytania do podmiotu trzeciego, z obsługą wywoływania narzędzi wystarczająco dobrą do sterowania lokalną automatyzacją. Czterobitowe zapotrzebowanie pamięciowe i kontekst 131K zostały dobrane pod to zadanie.

LBS-27B nie ujawnił, do czego służy. Jeśli inclusionAI wypuści model przeznaczony do obsługi po stronie serwera, argument dotyczący pracy na urządzeniu nie będzie miał zastosowania, a oba modele będą się uzupełniać, a nie zastępować. Jeśli wypuści MoE o małej liczbie aktywnych parametrów i historii wdrożeń lokalnych, porównanie będzie bezpośrednie, a dwugeneracyjne wyprzedzenie Liquid w narzędziach do pracy na urządzeniach — wsparcie dla llama.cpp, MLX, ONNX i vLLM oraz udokumentowany harness agentowy — stanie się czynnikiem rozstrzygającym.

Wsparcie frameworków to niedoceniana część tego zagadnienia. Model, którego nie ma w llama.cpp ani MLX od pierwszego dnia, w praktyce nie jest modelem działającym na urządzeniu — niezależnie od liczby aktywnych parametrów.

Testowanie nieudowodnionego modelu bez obstawiania go

Ani LBS-27B, ani LFM2.5 24B A2B nie są dziś dostępne w OrcaRouter, więc dla żadnego z nich nie ma hostowanego endpointu i nie będziemy sugerować inaczej. Powodem, dla którego wspominamy tu tę platformę, jest wynikający z tego problem oceny: jeśli chcesz wiedzieć, czy nowy model o małej liczbie aktywnych parametrów może zastąpić Twój obecny, musisz uruchomić oba na własnym ruchu, a nie na tabeli wyników.

Język DSL routingu OrcaRouter pozwala kierować określony odsetek żądań do modelu kandydującego, zachowując model dotychczasowy jako domyślny, a automatyczne przełączanie awaryjne sprawia, że kandydat, który przekroczy limit czasu lub zwróci błąd, zostaje zastąpiony znanym modelem zamiast powodować niepowodzenie żądania. W trudnych przypadkach, gdy jeden model nie wystarcza, fuzja modeli pozwala zespołowi modeli odpowiadać wspólnie i zwraca połączony wynik — przydaje się to, gdy zadanie jest mocno oparte na wiedzy, a słaby punkt taniego modelu jest dokładnie tym, co testujesz. Katalog ponad 200 modeli i 0% marży mają tu mniejsze znaczenie niż możliwość porównania na własnych danych wejściowych bez drugiej integracji.

To sposób na wygenerowanie dowodów, których brakuje tej stronie. Nie zastępuje to samego istnienia modelu.

Trzech czytelników, trzy odpowiedzi

Jeśli budujesz agenta działającego na urządzeniu i potrzebujesz czegoś, co działa dziś na laptopie, LFM2.5 24B A2B jest poważnym kandydatem: mocne przestrzeganie instrukcji, dobre wywoływanie narzędzi w kilku środowiskach testowych, kontekst 131K i udokumentowana ścieżka do typowych lokalnych środowisk uruchomieniowych. Najpierw sprawdź próg licencyjny i nie oczekuj, że będzie znał fakty bez wyszukiwania informacji.

Jeśli wybierasz model 27B działający po stronie serwera i potrzebujesz permisywnej licencji, LBS-27B warto obserwować właśnie dlatego, że zadeklarowano już Apache-2.0. Ale nie ma czego oceniać, a deklaracja licencji to nie model.

Jeśli jesteś przedsiębiorstwem z przychodami powyżej 10 mln USD i ścisłym procesem zakupowym, różnica w licencji może mieć większe znaczenie niż jakikolwiek wiersz z wynikami benchmarków w tym artykule. Niestandardowa licencja LFM2.5 to realny koszt; Apache-2.0 w LBS-27B to realna zaleta, pod warunkiem że dotrwa do wydania.

Liczba, która zmieniłaby wszystkie trzy odpowiedzi, to liczba aktywnych parametrów. Dopóki jej nie ma, uczciwe stanowisko jest takie, że jeden model ma opowieść o wydajności, a drugi repozytorium.