LFM2.5-24B-A2B kontra Ternary Bonsai 2 27B: Różnica to 2 bity i połączenie z chmurą

Oto najkrótsza szczera odpowiedź. LFM2.5-24B-A2Bto wyłącznie tekstowy mixture-of-experts, który Liquid AI zbudował, by działał wewnątrz pętli agenta na maszynie bez sieci, ogłoszony 13 października 2026 roku, z łącznie 24,0 mld parametrów i 2,45 mld aktywnych parametrów. Ternary Bonsai 2 27Bto niskobitowe przepisanie Qwen3.8-27B, które Prism ML wydało 17 września 2026 roku na licencji Apache 2.0, zapisujące każdą wagę jako jeden z trzech symboli przy 1,76 efektywnego bitu i zmniejszające model FP16 o rozmiarze 53,81 GB do pliku do pobrania o rozmiarze 5,93 GB. Oba są wystarczająco małe, by trzymać je lokalnie, i oba mają otwarte wagi, ale nie próbują robić tej samej rzeczy. Model Liquid został wytrenowany do wywoływania narzędzi. Model Prism to pełnoprecyzyjny model wizyjno-językowy w znacznie tańszym garniturze.

To, co sprawia, że ta para zasługuje na osobną stronę, to fakt, że każde z nich mówi, gdzie jego własne dowody są słabe, a te dwie słabości są przeciwstawne.

Czym jest każde z nich, sprowadzone do tego, co się liczy.

LFM2.5-24B-A2B zachowuje architekturę LFM2: 40 warstw, 30 bloków krótkiej konwolucji z podwójnym bramkowaniem i 10 warstw uwagi z grupowanymi zapytaniami, 64 ekspertów na blok z routingiem top-4, 131 072 tokenów kontekstu, słownik o rozmiarze 128 000 tokenów, tekst na wejściu i tekst na wyjściu. Potok treningu po wstępnym treningu Liquid kończy się etapem agentowego uczenia ze wzmocnieniem prowadzonym w OpenClaw, Hermes Agent, Pi i OpenCode. Dostawca wyraźnie zaleca łączenie go z wyszukiwaniem dokumentów lub wyszukiwaniem w sieci, zamiast polegać na nim w pytaniach o wiedzę — a w jego własnej tabeli premierowej wiersz AA-Omniscience wynosi −24,90, co jest tą radą w formie liczbowej.

Ternary Bonsai 2 27B to ta sama sieć co Qwen3.8-27B, tylko inaczej zapisana. Biała księga Prism ML dzieli 27,36 mld parametrów na 24,35 mld w szkielecie językowym w 64 blokach, 2,54 mld w embeddingu i głowicy LM oraz 0,47 mld w 27-blokowej wieży wizyjnej, która jest dostarczana jako osobny 4-bitowy plik mmproj o rozmiarze około 0,63 GB i ładuje się tylko wtedy, gdy pojawi się obraz. Hybrydowa uwaga modelu bazowego — 48 warstw liniowej uwagi Gated DeltaNet przeplatanych z 16 warstwami pełnej uwagi, rozmiar ukryty 5 120, słownik 248 320 tokenów — jest dziedziczona bez zmian. Podobnie jak kontekst 262 144 tokenów.

Najszybciej dzieli je modalność. Ternary Bonsai 2 27B przyjmuje obrazy. LFM2.5-24B-A2B nie, a żadna sztuczka z kwantyzacją tego nie zmieni.

Jakość, na jedynym stole, jaki ma którekolwiek z nich

Prism ML zmierzył swoją wersję względem oryginału w pełnej precyzji w zestawie 20 benchmarków i podaje, że zachowuje 98,2% średniej — 83,9 wobec 85,4. To własny zestaw testowy dostawcy, mający miesiąc, którego nikt nie odtworzył. To także, celowo lub nie, dokładnie ten rodzaj twierdzenia, które ukrywa własny rozkład, ponieważ 1,8 punktu nie rozkłada się równomiernie.

• Matematyka — 96,57 w porównaniu z 97,06. Praktycznie bez różnicy.

• Kodowanie — 81,58 kontra 82,17. Blisko, i to kategoria, w której toczy się spór o technikę kompresji.

• Podążanie za instrukcjami — 82,66 wobec 81,25. Skompresowany model jest z przodu, to jedyny naprawdę zaskakujący wiersz w tabeli.

• Wiedza i rozumowanie — 83,95 wobec 86,66. Spadek o 2,7 punktu i największy pojedynczy czynnik odpowiadający za brakujące 1,8.

• Agentowość i wywoływanie narzędzi — 77,57 wobec 79,74, obejmujące τ2-Bench na poziomie 80,22 oraz BFCL v3 na poziomie 74,92.

A teraz problem z użyciem tamtej tabeli tutaj. Liczby modelu Prism to wyniki jego builda w zestawieniu z jego własną bazą pełnej precyzji. Liczby modelu Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — są porównywane z innym zestawem modeli, w innym harnessie, z innymi ustawieniami generowania. Żaden benchmark nie występuje w obu tabelach.Ktokolwiek zestawia BFCLv3 74.92 z BFCLv4 65.01 i ogłasza zwycięzcę, porównał dwa różne testy i nazwał to wynikiem.

Runtime to miejsce, w którym oba naprawdę się rozjeżdżają

To nie jest twierdzenie dostawcy, lecz fakt dotyczący zgodności, który możesz sprawdzić w jedno popołudnie.

Prism ML musiało napisać kernele pod tę architekturę, ponieważ zarówno spakowany format, jak i w większości liniowy mechanizm uwagi są nietypowe. Standardowy llama.cpp odrzuca oba sposoby pakowania Prism jako nieznane typy — a co groźniejsze, wczytuje starszy format ternarny bez protestu i generuje płynne bzdury, ponieważ do aktywacji nie zastosowano pasującego obrotu. Jeśli uruchomisz Ternary Bonsai 2 27B na binarce, która o nim nie wie, nie dostaniesz błędu. Dostaniesz pewną siebie, błędną odpowiedź.

LFM2.5-24B-A2B ma odwrotny profil ryzyka. Liquid wymienia wsparcie od pierwszego dnia w llama.cpp dla GGUF, MLX, vLLM, SGLang i ONNX oraz w siostrzanych repozytoriach FP8, ONNX i 4-bitowego MLX — to konwencjonalne wydanie. Otwartą kwestią pozostaje tam wydajność, a nie poprawność: podane przez producenta wartości 184 tokenów na sekundę na Apple M5 Max i 114 na AMD Ryzen AI Max+ 395 nie zostały odtworzone, a nagłówkowe „do 1,7× szybciej niż następny najlepszy model” nie ma dołączonego opublikowanego punktu odniesienia.

Gdzie właściwie 0% marży ma tu znaczenie?

Między tymi dwoma modelami kwestia routingu jest naprawdę niezręczna i warto to powiedzieć wprost, zamiast to upiększać. Ternary Bonsai 2 27B to plik do pobrania: Prism ML udostępnia go na Hugging Face na licencji Apache 2.0, a sens całej tej techniki polega na tym, że uruchamiasz go u siebie. LFM2.5-24B-A2B również jest przede wszystkim artefaktem lokalnym, a endpoint Liquid's Console w cenie 0,10 USD za milion tokenów wejściowych — 0,05 USD za tokeny z pamięci podręcznej — i 1,00 USD za milion tokenów wyjściowych stanowi hostowaną alternatywę. Podstawową propozycją wartości żadnego z nich nie jest rozliczane wywołanie API.

Miejsce, w którym warstwa routingu zarabia na siebie, jest obok nich, a nie zamiast nich. Model bazowy Ternary Bonsai 2 27B, z którego skompresowano — qwen/qwen3.8-27b, opublikowany przez Aibaba 13 sierpnia 2026 r. — jest udostępniany w naszym katalogu za 0,33 USD za milion tokenów wejściowych i 2,40 USD za milion tokenów wyjściowych, co oznacza, że to samo zadanie można uruchomić na udostępnianym modelu pełnej precyzji, podczas gdy oceniasz lokalną kompilację o rozmiarze 5,93 GB na tych samych promptach. To uczciwe porównanie przeprowadzane tanio — i jest to porównanie, którego własna tabela 20 benchmarków Prism nie wykona za ciebie.

Licencja, która nie jest przypisem po żadnej ze stron

Ternary Bonsai 2 27B jest objęty licencją Apache 2.0, bez progu przychodowego i bez klauzuli zakresu użycia; to samo dotyczy wag Qwen3.8-27B, z których został wyprowadzony. LFM2.5-24B-A2B jest udostępniany na licencji lfm1.0 firmy Liquid, która jest odrębnym instrumentem o własnych warunkach komercyjnych. Przy czysto inżynieryjnej ocenie oba modele są wystarczająco zbliżone, że wybór często sprowadza się do formy wdrożenia — lokalny wykonawca kontra lokalny wizualny moduł rozumujący — ale licencja to jedyny czynnik, który nie zmienia się wraz z cyklem benchmarków, i warto skonfrontować ją z własnymi liczbami przychodów, zanim zbudujesz produkt na którymkolwiek z nich.

To, czego każdy dostawca nie zmierzył, jest tym, na co warto patrzeć. Prism ML opublikował odsetek retencji, ale nie zachowanie modelu 1,76-bitowego na poszczególnych typach obciążeń na twoich danych, a artefakt kompresji wynoszący 98,2% średniej wciąż może być niewłaściwym narzędziem dla tej jednej kategorii, na której ci zależy — spadek w kodowaniu, niewielki w ujęciu zbiorczym, uderza najmocniej w jakimś konkretnym miejscu. Liquid opublikował tabelę agentową bez niezależnej kolumny i zupełnie bez danych o wyszukiwaniu w długim kontekście dla okna 131K. Obie luki zamyka wydanie benchmarku, a nie wpis na blogu, i ten dostawca, który wypuści go pierwszy, przesunie spór znacznie dalej niż ostatnie 1,8 punktu.

Śledź na bieżąco awarie i degradacje modeli w naszym archiwum incydentów i sprawdź, które trasy przełączyły się bezproblemowo.