LFM2.5-2.6B-Base: Najcichsze wydanie Liquid AI jest tym, którego fine-tunerzy naprawdę chcieli

Spoglądając na liczniki Hugging Face 5 sierpnia 2026 roku, trudno nie zauważyć przepaści: LFM2.5-2.6B, agentowy model działający na urządzeniu, który Liquid AI wypuścił 4 sierpnia, ma 47 393 pobrań. LFM2.5-2.6B-Base, wstępnie wytrenowany punkt kontrolny, z którego pochodzą wszystkie te wagi, ma 151. Ta sama organizacja, ta sama architektura, ten sam tydzień, stosunek 314 do 1.

Podstawowy checkpoint nie został wycieknięty ani ukryty. Pojawił się w poście ogłoszeniowym Liquid w dokładnie jednym nawiasie — „Modele bazowe (LFM2.5-2.6B-Base) i dotrenowane (LFM2.5-2.6B) są dziś dostępne na Hugging Face” — i to jest cała opublikowana wzmianka na jego temat. Żadnych własnych benchmarków, żadnej sekcji, żadnej osobnej karty. Wszystko poniżej odczytujemy bezpośrednio z repozytorium — karta modelu, config.json, plik LICENSE oraz API Hugging Face — plus obliczenia, które wykonaliśmy sami. Jeśli jakaś liczba pochodzi z własnych ewaluacji Liquid, mówimy o tym wprost, ponieważ w przypadku tego konkretnego checkpointu najważniejszym faktem jest to, jak niewiele faktycznie zostało zmierzone.

To ma znaczenie większe, niż sugerowałby przypis. Model po treningu możesz ocenić, wypróbowując go. Bazowy checkpoint to oferta spędzenia dwóch tygodni i budżetu GPU, zanim czegokolwiek się dowiesz, więc warunki oferty — co zawiera, do czego jest licencjonowany, co zostało poddane ewaluacji — stanowią całą decyzję.

Co tak naprawdę znajduje się w repozytorium

Dziewięć plików, jeden fragment wag, brak kodu modelowania. Lista specyfikacji karty, potwierdzona względem config.json:

• łącznie 2.69B parametrów, bfloat16, w pojedynczym pliku o rozmiarze 5.39 GB model.safetensors. Planuj pamięć masową i VRAM na podstawie tej liczby, a nie "2.6B."

• 30 warstw, hybrydowo. Karta podaje 22 podwójnie bramkowane krótkie bloki konwolucyjne oraz 8 warstw uwagi GQA. Tablica layer_types w config.json potwierdza to dokładnie: 22 wpisy conv i 8 full_attention, a warstwy uwagi rozmieszczone mniej więcej co trzeci lub czwarty blok, a nie skupione.

• szerokość ukryta 2048, pośrednia 10752, 32 głowy uwagi na 8 głowach klucz-wartość — współczynnik GQA 4 do 1 — ze współdzielonymi embeddingami wejścia i wyjścia oraz rope theta o wartości 10 000 000.

• słownik liczący 128 000 tokenów, a do tego 18-megabajtowy tokenizer. Firma Liquid podwoiła słownik w tej generacji, co przy skali 2,6B oznacza znaczący koszt: przy powiązanych osadzeniach sama tabela słownika stanowi około 262M z budżetu parametrów, czyli blisko jedną dziesiątą modelu.

• 34 biliony tokenów treningowych. To niezwykle długi przebieg treningu wstępnego jak na tę klasę rozmiarów i jest to najmocniejszy powód, aby w ogóle przyjrzeć się temu punktowi kontrolnemu.

• 16 języków zadeklarowanych: angielski, arabski, chiński, francuski, niemiecki, hindi, indonezyjski, włoski, japoński, koreański, polski, portugalski, rosyjski, hiszpański, tajski i wietnamski.

Jedna niespójność dla każdego, kto planuje pracę z długim kontekstem: karta reklamuje długość kontekstu wynoszącą 131 072 tokenów, podczas gdy config.json ustawia max_position_embeddings na 128 000. Zarówno własny blog Liquid, jak i jego dokumentacja podają 128K. Różnica 3072 tokenów nie będzie miała znaczenia dla większości ludzi, ale jeśli piszesz skrypt treningowy, który pakuje sekwencje do reklamowanego maksimum, zaufaj plikowi konfiguracyjnemu, a nie karcie.

Ciąg architektury to praktyczny nagłówek: model_type to lfm2, a klasa to Lfm2ForCausalLM — ta sama klasa, z którą dostarczono LFM2. LFM2.5 to rozszerzone pre-training i nowy post-training na istniejącej architekturze, nie na nowej, więc nic tu nie wymaga niestandardowego kodu modelowania. To dlatego llama.cpp, vLLM, MLX, ONNX Runtime, SGLang i LM Studio obsługiwały tę rodzinę od pierwszego dnia i dlatego ścieżka fine-tuningu przez Unsloth i TRL działa bez poprawek. Potrzebujesz transformers>=5.0.0.

Karta, którą otrzymujesz, jest kartą innego modelu.

Otwórz repozytorium bazowe, a pierwszy nagłówek to "LFM2.5-2.6B" — nazwa modelu po treningu, a nie tego, na który patrzysz. To nie czepianie się szczegółów; cała strona czyta się jak karta modelu instruowanego z wplecionym akapitem o modelu bazowym, a trzy z pozostawionych artefaktów mogą kosztować cię sporo czasu.

• We frontmatter YAML podano base_model: LiquidAI/LFM2.5-2.6B-Base.Dwa problemy w jednej linii: klucz jest błędną pisownią używanego w Hugging Face base_model i wskazuje repozytorium bazowe na samo siebie. Nic się nie psuje, ale linki do drzewa modeli, których można by oczekiwać po poprawnie zadeklarowanym rodowodzie, nie są na tej podstawie generowane.

• Repozytorium ma tag conversational i zawiera plik chat_template.jinja, więc Hugging Face wyświetla odznakę „Chat template” na checkpoincie, który nigdy nie był dostrajany do instrukcji. Szablon istnieje, ponieważ konfiguracja tokenizera została odziedziczona, a nie dlatego, że wagi wiedzą, co z nim zrobić.

• Kod szybkiego startu używa następnie tego szablonu. Przykład Pythona na karcie bazowej wywołuje tokenizer.apply_chat_template z {"role": "user"} w postaci wiadomości i pyta: „Czym jest C. elegans?” — klasyczny sposób, by sprawić, że model bazowy wygląda na zepsuty. Opakuj surowy, wstępnie wytrenowany checkpoint w turę czatu, a otrzymasz dryfujący, powtarzający się, samokontynuujący tekst — i łatwo uznać to za zły model, a nie za zły format promptu. Promptuj ten model jako dokończyciel tekstu (text completer), few-shot, z sekwencjami stop, które sam kontrolujesz.

• Tabela wariantów wymienia tylko linię po treningu — LFM2.5-2.6B oraz jego wersje GGUF, ONNX i MLX. Nie ma w ogóle żadnej wersji GGUF ani MLX bazowego checkpointu, więc „uruchomienie go lokalnie dziś wieczorem w LM Studio” nie wchodzi w grę bez samodzielnej konwersji.

Hugging Face informuje również, że żaden dostawca usług wnioskowania nie udostępnia tego repozytorium. Nie ma nigdzie hostowanego punktu końcowego dla podstawowego punktu kontrolnego; jeśli chcesz uzyskać jego logity, wynajmujesz GPU.

Sekcja benchmarku, która nie istnieje.

Dla LFM2.5-2.6B-Base nie opublikowano ani jednej liczby ewaluacyjnej. Brak MMLU, brak MMLU-Pro, brak GPQA, brak HellaSwag, brak ARC, brak wartości perplexity — niczego, na żadnym z trzech kanałów Liquid (karcie modelu, poście premierowym, dokumentacji). Dla checkpointu bazowego to uderzająca nieobecność, ponieważ te wyniki wiedzy i rozumowania są dokładnie tym, jak oceniasz, czy 34T tokenów pre-treningu pozostawiło coś wartego fine-tuningu.

To, co istnieje, należy do potrenowanego modelu siostrzanego, jest raportowane przez Liquid i nie zostało niezależnie odtworzone. We własnych ewaluacjach Liquid LFM2.5-2.6B uzyskuje 51,87 w AIME25, 59,17 w IFBench, 80,07 w Multi-IF, 56,88 w BFCLv4, 77,83 w ToolSandbox i 26,89 w BrowseComp+ w środowisku OpenClaw, w porównaniu z gemma-4-E2B-it (5,1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4,7B) i Qwen3.5-9B (9,7B). Podsumowanie Liquid jest takie, że model prowadzi w każdym benchmarku podążania za instrukcjami i prawie każdym dotyczącym użycia narzędzi, a jego własny wykres jest szczery co do wyjątków: Qwen3.5-9B wyprzedza w AIME25 (56,07) i w BFCLv4 (60,13). Twierdzenia o szybkości rządzą się tą samą zasadą — 220 tokenów/s dekodowania na M5 Max, 113 na Ryzen AI Max+ 395, około 30 na telefonie, poniżej 2,5 GB pamięci i mniej więcej 15 tys. tokenów wyjściowych/s przy wysokiej współbieżności na jednym H100 — wszystkie zmierzone przez producenta, a żadne nie zostało jeszcze zweryfikowane przez nikogo innego.

Pułapka polega na założeniu, że cokolwiek z tego się przenosi. Te wyniki są produktem czteroetapowego potoku zastosowanego na bazie tego checkpointu: dwie rundy nadzorowanego dostrajania, specjalizacja nauczycieli per domena, wielodomenowa destylacja on-policy, a następnie agentowe uczenie przez wzmacnianie z GRPO uruchamiane w rzeczywistych harnessach. Wywoływanie narzędzi i podążanie za instrukcjami to dokładnie te zachowania, które ten potok instaluje. Weź bazowe wagi, a startujesz przed tym wszystkim. To, co dziedziczysz, to pre-training — języki, wiedza o świecie, zdolność obsługi długiego kontekstu, wydajna architektura hybrydowa — i powinieneś założyć, że nie dziedziczysz żadnego z agentowych wyników.

151 pobrań to nie tylko wcześnie — to odbiega od wzorca samej rodziny.

Liquid rutynowo udostępnia bazowe checkpointy, więc ta wersja jest pod tym względem zwyczajna. To zaniedbanie jest wymierne. Porównanie każdego bazowego repozytorium LFM2.5 z jego wariantem instruct tego samego dnia daje wyraźną normę wewnętrzną — i jedną wyraźną wartość odstającą.

• LFM2.5-230M — 58 676 pobrań wobec 6 982 dla jego bazy: około 8 do 1.

• LFM2.5-350M — 94 526 wobec 9 397: około 10 do 1.

• LFM2.5-1.2B — 583,914 dla wersji Instruct wobec 17,867 dla wersji bazowej: około 33 do 1.

• LFM2.5-8B-A1B — 171 520 do 3 996: około 43 do 1.

• LFM2.5-2.6B — 47 393 wobec 151: około 314 do 1.

Częściowo to po prostu kwestia wieku; bazowe repozytorium zostało utworzone 1 sierpnia, a model instruowany miał czterodniową przewagę oraz post o premierze. Jednak starsze bazowe punkty kontrolne w tej rodzinie ustalały się między 8:1 a 43:1, więc rząd wielkości powyżej najgorszego z nich to prawdziwa anomalia, a nie artefakt zaokrągleń nowego repozytorium.

Polubienia opowiadają subtelniejszą historię. Podstawowe repozytorium ma 28 polubień przy 151 pobraniach — mniej więcej jedną zakładkę na każde pięć pobrań. Model instruowany ma 232 polubienia przy 47 393, około jedno na 204. Ludzie oznaczają podstawowy checkpoint, aby do niego wrócić, a nie go pobierać. Dwa community fine-tuny i siedem kwantyzacji już istnieją w jego drzewie modeli — tak wygląda czołówka adopcji, zanim nadejdzie skala.

"Bez ograniczeń" to nie to, co mówi licencja.

Strona premiery Liquid opisuje wydanie jako open-weight: "Pobieraj, dostrajaj i wdrażaj bez ograniczeń." Plik w repozytorium mówi coś węższego, i to jest sekcja, którą należy przeczytać dwa razy, jeśli rozważasz zbudowanie produktu na tych wagach.

Licencja to LFM Open License v1.0 — nie Apache-2.0, nie MIT, i nie te same warunki, co większość małych modeli o otwartych wagach, z którymi prawdopodobnie go porównujesz. Cytując bezpośrednio plik, Sekcja 5 nosi tytuł „Ograniczenie wykorzystania komercyjnego” i brzmi: „Prawa przyznane na mocy niniejszej Licencji do wykorzystania komercyjnego są uwarunkowane tym, że Ty lub Twój Podmiot Prawny nie przekraczacie Progu,” a następnie „Jakiekolwiek komercyjne wykorzystanie Utworu lub Utworu pochodnego przez Podmiot Prawny, który przekracza Próg, nie jest licencjonowane na mocy niniejszej Umowy.” Sekcja 1 definiuje Próg jako „roczny przychód w wysokości 10 milionów dolarów amerykańskich (10 000 000 USD) lub więcej.”

Więc praktyczne odczytanie:

• Poniżej 10 mln USD rocznego przychodu — otrzymujesz szeroką, wieczystą, bezpłatną licencję obejmującą zwielokrotnianie, tworzenie utworów zależnych, dystrybucję i sublicencjonowanie, z wykorzystaniem komercyjnym włącznie.

• 10 mln USD lub więcej — komercyjne wykorzystanie jest nielicencjonowane na mocy tej umowy. Nie „wymaga podania źródła", nie „wymaga powiadomienia". Musisz porozmawiać z Liquid, co zapewne tłumaczy, dlaczego karta kończy się linkiem do ich zespołu sprzedaży.

• Utwory pochodne dziedziczą ograniczenie. Twoje dostrojenie tego checkpointu jest Utworem pochodnym, więc model, którego trenowanie zajmie Ci kwartał, niesie to samo zezwolenie warunkowane przychodem. Jeśli Twoja firma przekroczy próg — lub zostanie przejęta przez firmę, która już go przekroczyła — warunki, na których opiera się Twój produkt, zmienią się pod nim.

• Kwalifikowane organizacje non-profit są wyłączone: Próg nie ma zastosowania do organizacji 501(c)(3) lub ich zagranicznych odpowiedników wykorzystujących dzieło do celów niekomercyjnych lub badawczych. Zwykłe obowiązki również mają zastosowanie — przekaż licencję dalej, zachowaj informacje o autorstwie, oznacz zmienione pliki.

Nic z tego nie czyni wydania skąpym; próg $10M zwalnia niemal każdy startup i każdego badacza, a to legalny sposób publikowania wag. Jednak „bez ograniczeń” to hasło marketingowe, któremu licencja przeczy, a rozbieżność boli najbardziej właśnie tutaj. Dostrajanie bazowego checkpointu to najdroższy i najmniej odwracalny sposób przyjęcia modelu. To najgorsze miejsce, aby odkryć klauzulę przychodową.

Kto właściwie powinien wykonać ten checkpoint

Zalecenia samego Liquid są odświeżająco wąskie i warto się nimi kierować: karta modelu mówi, że wstępnie wytrenowany checkpoint jest "zalecany wyłącznie do zadań wymagających intensywnego dostrajania, takich jak asystenci specyficzni dla języka (np. japońskiego) lub domeny (np. medycznej), trenowanie na danych zastrzeżonych czy eksperymentowanie z nowatorskimi podejściami po treningu." To słowo „wyłącznie" robi tu konkretną robotę. Jeśli chcesz agenta działającego na urządzeniu, który wywołuje narzędzia, to potrenowany LFM2.5-2.6B jest zdecydowanie lepszym punktem startowym, a bazowy checkpoint zmarnuje Ci miesiąc.

Przypadki, w których jest to naprawdę słuszny wybór:

• Język niedostatecznie obsługiwany przez post-training. 34 biliony tokenów w 16 językach to solidna wielojęzyczna podstawa, a Liquid już potwierdził ten wzorzec wewnętrznie, tworząc wersję japońską w linii 1.2B. Kontynuacja pre-treningu na twoim języku, a następnie własne dostrajanie do instrukcji, pozwala uniknąć walki z anglocentryczną personą po treningu.

• Regulowany pion z danymi własnościowymi. Poniżej 2,5 GB podczas wnioskowania, brak zależności od chmury i wystarczająco permisywna licencja poniżej progu przychodów to rzadkie połączenie w przypadku wdrożeń medycznych, prawnych lub przemysłowych, w których dane nie mogą opuszczać urządzenia.

• Badania po treningu.Firma Liquid opublikowała swój przepis — SFT, specjalizacja nauczycieli, MOPD, agentic RL — a następnie przekazała dokładne dane wejściowe do tego przepisu wraz z wynikiem. Możliwość uruchomienia własnej metody na tych samych wagach początkowych i porównania jej z solidną implementacją referencyjną jest niezwykła i cenna.

• Cele destylacji.Hybryda 2.6B, która dekoduje z prędkością 220 tokenów/s na laptopie, jest atrakcyjnym uczniem do kompresji znacznie większego nauczyciela w coś, co można wdrożyć.

To właśnie na tej ostatniej parze ląduje prawdziwy koszt — i nie są to godziny GPU, lecz dane. Pipeline Liquid działa w oparciu o specjalizację nauczyciela i destylację on-policy, co oznacza, że prawdziwym warunkiem odtworzenia czegokolwiek w tym stylu jest duża ilość wygenerowanych danych z mocniejszych modeli, a także pary preferencji i rollouty z weryfikowalną nagrodą. To praca na wielu modelach, zanim stanie się pracą treningową: trzeba porównać kandydatów na nauczycieli w swojej domenie, a następnie generować na dużą skalę z tego, który wygra. To ta część pracy, do której celuje nasz własny produkt — OrcaRouter umieszcza 200+ modeli za jednym kluczem API z zerową marżą, więc za syntetyczny zestaw SFT płacisz cenę katalogową dostawcy, a nie dopłatę za routing (gdy dostawca obniży ceny, u nas znajduje to odzwierciedlenie już tego samego dnia), automatyczny failover sprawia, że dwudziestogodzinne generowanie nie umiera przez złą godzinę jednego dostawcy, a DSL routingu pozwala rozesłać pojedynczy prompt do kilku nauczycieli i zachować najlepszą odpowiedź. Żeby było jasne, czego nie oferujemy: LFM2.5-2.6B-Base nie jest dostępny na OrcaRouter i żaden dostawca inferencji go nie hostuje — te wagi uruchamiasz samodzielnie. Jesteśmy przydatni dla nauczycieli, nie dla ucznia.

Ten sam podział warto mieć na uwadze, cokolwiek tworzysz. Wpis Liquid argumentuje, że lokalne agenty sprawiają, że inferencja jest darmowa i usuwają koszt przypadający na token jako ograniczenie, co jest prawdą w przypadku tokena marginalnego, a nie całego rachunku — został on z góry opłacony w sprzęcie, a model 2.6B wciąż ma swój sufit. Liquid sam to przyznaje, odradzając tę rodzinę modeli do prac agentowych wymagających intensywnego kodowania lub dużej wiedzy. Trwały wzorzec to dostrojony lokalny model obsługujący na urządzeniu typową, wysokowolumenową ścieżkę i eskalujący trudną mniejszość do modelu granicznego przez API, co pozwala zachować przewagi w zakresie prywatności i opóźnień tam, gdzie mają one znaczenie, bez udawania, że parametry 2.6B mogą zrobić wszystko.

Droga od tych wag do czegoś użytecznego

Post o premierze nie ma nic do powiedzenia na ten temat, ale karta modelu bazowego po cichu niesie najbardziej praktyczną rzecz w całym repozytorium: siedem gotowych do uruchomienia notatników Colab obejmujących dokładnie te etapy potoku, których potrzebuje punkt kontrolny modelu bazowego. Dwa z nich to kontynuacja pre-treningu — jeden do uzupełniania tekstu, jeden do tłumaczenia — czyli krok, który ma sens tylko w przypadku wag bazowych i o którym nikt nie pisze poradników. Pozostałe obejmują nadzorowane dostrajanie przez Unsloth i TRL, DPO przez TRL oraz GRPO przez oba. Liquid udostępnia także LEAP Finetune jako własny stos treningowy, jeśli wolisz nie składać go samodzielnie.

Czytając dokumentację dostrajania Liquid w kontekście kształtu tego modelu, realistyczna sekwencja wygląda następująco:

• Najpierw użyj go jako modelu dopełniającego, zanim cokolwiek trenujesz. Zignoruj szablon czatu na karcie. Few-shot, surowy tekst, własne sekwencje stop. W ten sposób dowiesz się, czy pre-trening już obejmuje Twoją domenę i język, co decyduje, czy w ogóle potrzebujesz kontynuacji pre-treningu, czy możesz przejść od razu do SFT.

• Dalsze pretrenowanie tylko wtedy, gdy dodajesz wiedzę lub język. To kosztowna gałąź — na skalę korpusu, a nie na skalę przykładów — i jedyna rzecz, której potrenowany bliźniak naprawdę nie może ci dać.

• Następnie SFT z LoRA na 500 do 5 000 przykładach.Zgodnie z zaleceniami Liquid jakość i rozkład danych są ważniejsze niż ilość, a przykłady powinny odpowiadać danym produkcyjnym. Przy 2.6B przebieg LoRA jest krótki: dokumentacja podaje, że uruchomienie 1.2B zajmuje od minut do kilkudziesięciu minut na jednej nowoczesnej karcie GPU, więc ten rozmiar wciąż mieści się w pętli jednego popołudnia.

• Zamroź zbiór wydzielony przed rozpoczęciem treningu. To dosadne stwierdzenie, ale warto je powtórzyć szczególnie w przypadku tego checkpointu, ponieważ nie ma opublikowanej linii bazowej do porównania — Twój zbiór ewaluacyjny to jedyna liczba, jaką ktokolwiek ma.

• Etapy preferencji lub RL występują na końcu i tylko wtedy, gdy problem dotyczy zachowania. Dla tej rodziny istnieją przepisy DPO i GRPO, ale są one jedynie dopracowaniem modelu, który już odpowiada; sięganie po nie przed etapem SFT sprawia, że projekty oparte na bazowym checkpointcie grzęzną.

Zauważ, czego nie ma na tej liście: nic tutaj nie wymaga niestandardowego jądra, zmodyfikowanego trenera ani pliku modelującego. Ponieważ LFM2.5 wykorzystuje architekturę LFM2, bazowy checkpoint wpasowuje się w standardowy stos, a całkowity koszt tego projektu to korpus i zestaw ewaluacyjny, który dla niego zbudujesz.

Co zmieniłoby obraz sytuacji

Trzy rzeczy są warte uwagi, wszystkie są tanie do rozwiązania dla Liquid, a żadna z nich nie została dziś rozwiązana.

The first is base evaluations. A single MMLU-Pro or GPQA number on the pre-trained checkpoint would tell fine-tuners more than every agentic benchmark in the launch post combined, and the fact that 34T tokens went in makes its absence more curious, not less. The second is the card itself — a base repository whose heading names a different model, whose quick-start applies a chat template to a non-chat model, and whose frontmatter misspells base_model is a ten-minute fix that would stop people concluding the weights are broken when the instructions are. The third is the LFM2.5 technical report. The citation block points at arXiv 2511.23404, which is the LFM2 technical report from November 2025; the 2.5 generation's own paper is not out, so the pre-training data mix behind those 34T tokens remains undisclosed.

Do tego czasu uczciwe podsumowanie brzmi: to dobrze wyspecyfikowany, długo trenowany, efektywnie ukształtowany model bazowy 2.6B o niezwykle jasno określonej grupie docelowej, opublikowany bez pomiarów i z licencją ograniczającą przychody, a jak dotąd prawie nikt go nie rozpakował. Jeśli jesteś w grupie docelowej opisanej w karcie, warto poświęcić mu czas na GPU — i będziesz jedną z pierwszych osób na świecie, które dowiedzą się, jak naprawdę jest dobry.

Pytania warte odpowiedzi

Czy to ten sam checkpoint, na którym przeprowadzono post-trening LFM2.5-2.6B, czy osobny przebieg pre-treningu?

Karta modelu stwierdza, że LFM2.5-2.6B-Base {{1}}"to wstępnie wytrenowany checkpoint wyłącznie tekstowy, używany do utworzenia wszystkich wariantów LFM2.5-2.6B,"{{/1}} więc jest faktycznym wejściem do opublikowanego potoku, a nie równoległym lub okrojonym wydaniem. To właśnie czyni go przydatnym do badań nad post-trainingiem: twoja metoda i cztery etapy Liquid startują z identycznych wag, więc porównanie między nimi jest miarodajne. Warto zauważyć, że repozytorium bazowe zostało utworzone 1 sierpnia, a ostatnia modyfikacja miała miejsce 4 sierpnia, w dniu premiery — {{2}}sprawdź historię commitów, zanim założysz, że plik pobrany wcześniej to ten, który trafił do wydania.{{/2}}

Czy mogę go dostroić i sprzedać wynik?

Jeśli roczny przychód Twojego podmiotu prawnego wynosi mniej niż 10 000 000 USD, tak — licencja LFM1.0 obejmuje komercyjne wykorzystanie dzieł pochodnych, pod warunkiem zachowania licencji i informacji o autorstwie w nienaruszonym stanie oraz oznaczenia zmodyfikowanych plików. Od tego progu wzwyż komercyjne wykorzystanie modelu lub czegokolwiek z niego pochodzącego wykracza poza zakres licencji i wymaga odrębnego porozumienia z Liquid. Próg odnosi się do przychodu Twojego podmiotu, a nie do modelu ani do przychodów, jakie on generuje, więc ten sam model po dostrojeniu może być licencjonowany dla jednej firmy, a nie dla innej, a firma, która przekroczy próg w trakcie działalności, nie zachowuje uprawnienia, które posiadała.

Dlaczego zamiast tego po prostu nie dostroić wytrenowanego modelu LFM2.5-2.6B?

W większości projektów powinieneś tak właśnie postąpić, i karta Liquid w gruncie rzeczy to potwierdza. Powodem, dla którego warto zacząć od bazowego checkpointu, jest sytuacja, gdy post-trening działa przeciwko tobie, a nie na twoją korzyść: intensywny dalszy pre-trening na nowym języku lub specjalistycznym korpusie zwykle i tak szkodzi zachowaniu dostrojonemu do instrukcji, a wzorce odmowy, konwencje wywoływania narzędzi i styl odpowiedzi wbudowane przez SFT i RL są trudne do usunięcia i łatwo wchodzą w konflikt. Jeśli dodajesz wiedzę lub język, zacznij od modelu bazowego. Jeśli tylko nieznacznie dostosowujesz zachowanie, zacznij od modelu po post-treningu i zachowaj cztery etapy pracy, za które ktoś już zapłacił.