MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: Jedno jest składnikiem do serwowania, drugie jest składnikiem do trenowania

Dwie z najciekawszych premier małych modeli późnego lata 2026 roku łączy jedno: żaden nie działa od razu po wyjęciu z pudełka, a obaj producenci mówią o tym w pierwszych zdaniach swoich kart. MiniCPM5-2B-DSpark to draft checkpoint DSpark, który OpenBMB po cichu opublikował na Hugging Face 6 września 2026 r. — punkt o 323,8 mln parametrów towarzyszący modelowi MiniCPM5-2B, gęstemu modelowi o 2,52 mld parametrów działającemu na urządzeniu, który ModelBest ogłosił na WAIC 19 lipca 2026 r. — i nie robi nic, dopóki nie załaduje się go obok tego modelu docelowego w silniku dekodowania spekulatywnego. LFM2.5-2.6B-Base to wstępnie wytrenowany checkpoint tekstowy Liquid AI, dostępny na Hugging Face od 1 sierpnia 2026 r. Karta samego Liquid nazywa go „wstępnie wytrenowanym checkpointem przeznaczonym wyłącznie do tekstu” i zaleca go wyłącznie do zadań wymagających intensywnego dostrajania. Jeden to składnik do szybszego serwowania gotowego modelu, drugi — do wytrenowania własnego modelu od podstaw. Leżą na różnych półkach, a błędem konstruktora byłoby sięgnięcie po niewłaściwy z nich.

To, co sprawia, że warto je porównać, to fakt, że celują w ten sam sprzęt i tę samą ambicję na rok 2026 — wydajną sztuczną inteligencję na telefonach, laptopach i urządzeniach brzegowych — z przeciwnych końców procesu budowy. Jeśli chcesz gotowego modelu lokalnego plus darmowe przyspieszenie, stos OpenBMB daje ci wszystko otwarte. Jeśli chcesz samodzielnie poprowadzić post-training, Liquid daje ci podłoże i pracę. Ten artykuł jest o tym, którą warstwę tak naprawdę kupujesz.

Dwie karty, które mówią „nie do bezpośredniego użytku” w różnych dialektach.

Przeczytaj dwie karty modeli obok siebie — wskazówka tkwi w języku zestawienia. Karta MiniCPM5-2B-DSpark jest napisana w całości w kategoriach innego modelu: modelu docelowego, współdzielonego tokenizera, warstw draftu, długości akceptacji, polecenia uruchomienia SGLang, które przyjmuje ścieżkę modelu docelowego i ścieżkę draftu. Draft nie ma własnej tożsamości — pięć warstw pełnej uwagi, 323,776,001 parametrów, rozmiar bloku równy siedem, trenowany przez sześć epok na 7.05 miliarda tokenów odpowiedzi wygenerowanych przez MiniCPM5-2B, wydany na licencji Apache-2.0 z włączonymi głowami pewności i Markowa metody DSpark (arXiv 2607.05147). Jego celem jest przepustowość: proponować do siedmiu tokenów, pozwolić, by model docelowy 2.52B zweryfikował cały blok w jednym przebiegu, i zatrzymać to, co zaakceptuje.

Karta openbmb/MiniCPM5-2B-DSpark powyżej to cała publiczna forma wydania — akcesorium serwujące bez dołączonego ogłoszenia, raportujące długość akceptacji, ale bez przyspieszenia end-to-end.

LFM2.5-2.6B-Base jest opisany w kontekście modelu, który jeszcze nie istnieje: twojego. Hybrydowy model 2.69B łączy osiem warstw grouped-query-attention z dwudziestoma dwoma blokami dual-gated short-convolution — architekturą Liquid przeznaczoną do wdrożeń na urządzeniach — trenowaną na około 34 bilionach tokenów w 16 językach z kontekstem 128K. Model obsługuje wyłącznie tekst, nie przechodził instruction tuning i nie publikuje żadnych własnych benchmarków, ponieważ wstępnie wytrenowana baza nie jest oceniana; oceniane są dostrojone produkty, które z niej powstają. Jego zadaniem jest dalsze pretrenowanie lub SFT na twoich danych, a następnie wszystko, co wypuścisz, dziedziczy warunki licencji.

Powyższa karta LiquidAI/LFM2.5-2.6B-Base pokazuje tabelę rodziny modeli — porównanie wersji bazowej z poddanym dalszemu treningowi modelem agentowym LFM2.5-2.6B — oraz notę „punkt kontrolny wstępnie trenowany wyłącznie na tekście”, która definiuje wersję bazową jako surowy materiał.

Repozytoria, wymiar po wymiarze

• Rola — MiniCPM5-2B-DSpark: przyspiesza istniejący, ukończony cel. LFM2.5-2.6B-Base: baza, którą poddajesz dalszemu treningowi, aby uzyskać gotowy model.

• Parametry — MiniCPM5-2B-DSpark: draft 324M dla gęstego modelu docelowego 2.52B. LFM2.5-2.6B-Base: 2.69B hybrydowy (bloki uwagi + krótkiej konwolucji).

• Kontekst — MiniCPM5-2B docelowo: 128K natywne. LFM2.5-2.6B-Base: 128K natywne.

• {{1}}Co musisz dodać{{/1}} — MiniCPM5-2B-DSpark: {{2}}silnik serwujący (SGLang DSPARK) oraz model docelowy{{/2}}. LFM2.5-2.6B-Base: {{3}}przebieg dostrajania, zestaw ewaluacyjny oraz stos wnioskowania{{/3}}.

• Benchmarki — MiniCPM5-2B-DSpark: podano jedynie długość akceptacji repozytorium (zagregowany wynik zachłannego dekodowania: 5.52 na krok), brak wartości przyspieszenia. LFM2.5-2.6B-Base: dla samej bazy nie opublikowano żadnych wyników.

• Licencja — MiniCPM5-2B-DSpark: Apache-2.0, bez dodatkowych warunków. LFM2.5-2.6B-Base: LFM Open License v1.0 — darmowe wykorzystanie komercyjne do 10 mln USD rocznych przychodów, a limit ten jest dziedziczony przez wszystko, co dostroisz.

Powyższa tablica wyników to półka składników przedstawiona jako karta: jedna kolumna to dodatek do serwowania gotowego modelu, a druga to podłoże treningowe dla modelu, który nie istnieje, dopóki go nie zbudujesz.

Różnica 10 milionów dolarów

Dla twórcy luka licencyjna to najmniej efektowna, ale najbardziej rozstrzygająca pozycja na tej liście. ModelBest i OpenBMB udostępniają MiniCPM5-2B oraz jego model wstępny na licencji Apache-2.0: możesz serwować model docelowy, uruchamiać model wstępny i budować na tym komercyjny produkt bez pułapu przychodów i bez dziedziczonych zobowiązań poza przypisaniem autorstwa. Licencja LFM Open License v1.0 firmy Liquid zezwala na użycie komercyjne, ale je ogranicza — bezpłatnie do 10 mln USD rocznych przychodów, a pułap ten przechodzi na twoje dzieło pochodne, więc produkt dostrojony na bazie LFM2.5-2.6B-Base ma ten sam limit. Nie czyni to licencji Liquid nierozsądną; sprawia, że jest to zapis, który startup chcący przekroczyć pułap musi brać pod uwagę od pierwszego dnia. Jeśli przychodowe ambicje projektu są niewielkie albo oceniasz badania, pułap nie stanowi problemu. Jeśli budujesz coś, co zamierzasz rozwijać, Apache-2.0 to inny rodzaj surowca.

Budować czy kupować: dylemat twórców

Jeśli ująć to jako decyzję „budować czy kupić” w odniesieniu do samego modelu, wybór przestaje być mylący. MiniCPM5-2B-DSpark to ścieżka „kup”: ciężka praca — post-training modelu działającego na urządzeniu pod kątem zadań agentskich i długiego kontekstu — została już wykonana w MiniCPM5-2B, a draft to warstwa przyspieszająca bez dodatkowej licencji dołożona na wierzch. Kupujesz gotowy model i przyspieszenie — oba na licencji Apache-2.0 — a cała Twoja pozostała praca to serwowanie i ewaluacja. Otwarte pytanie ma charakter ilościowy: OpenBMB zmierzył akceptację draftu (5,52 tokena na krok weryfikacji przy dekodowaniu zachłannym), ale nie jego zysk w rzeczywistym czasie działania (wall-clock), więc nadal musisz przeprowadzić benchmark wdrożenia SGLang na własnym sprzęcie, aby wiedzieć, co kupiłeś.

LFM2.5-2.6B-Base to ścieżka „budowania”: kupujesz podłoże pretreningowe, a post-trening wykonujesz sam, co jest jedynym uczciwym powodem, aby wybrać bazę zamiast potrenowanego bliźniaka LFM2.5-2.6B, którego Liquid już sprzedaje. Ta ścieżka ma sens, gdy masz domenę, język lub profil zachowań, których gotowe modele nie obejmują — bierzesz architekturę Liquid i fundament z 34 bilionów tokenów i czynisz go swoim. To zdecydowanie więcej pracy, zaczyna się bez żadnych opublikowanych benchmarków i przenosi limit przychodów dalej. Zyskiem jest model, którego nie ma nikt inny.

Rzeczywistość routingu

Żaden z tych checkpointów nie pojawia się dziś w żadnym hostowanym katalogu, w tym w OrcaRouter — draft jest z definicji lokalnym akcesorium serwującym, a baza Liquid to projekt do samodzielnego hostowania i fine-tuningu. To właśnie tam warstwa routingu pozostaje użyteczna, nie udając, że hostuje którykolwiek z nich: gdy już serwujesz lub dostroisz którykolwiek model, warstwa stojąca przed twoimi własnymi endpointami sprawia, że testowanie ich jest odwracalne. Skieruj ścieżkę testową na build MiniCPM5-2B-plus-draft SGLang, podczas gdy produkcja pozostaje na tym, co serwujesz dziś, pozwól automatycznemu przełączaniu awaryjnemu wychwycić zacinanie i utrzymuj cennik dostawcy przechodzący dalej z 0% marży dla hostowanych modeli, z którymi porównujesz. Sednem tej warstwy nie jest dostarczanie — chodzi o to, że żaden z tych składników nie wiąże cię nieodwracalnie.

Na której półce robisz zakupy?

Wybierz MiniCPM5-2B-DSpark (wraz z jego modelem docelowym), gdy potrzebujesz dziś gotowego, działającego na urządzeniu modelu na licencji Apache-2.0 oraz modelu szkicowego, który może go przyspieszyć — akceptując, że przyspieszenie dzięki szkicowi musisz zmierzyć sam, ponieważ producent tego nie zrobił. Wybierz LFM2.5-2.6B-Base, gdy zamierzasz dotrenować własny model i chcesz wystartować z hybrydową architekturą Liquid oraz fundamentem 16 języków jako wagami początkowymi — akceptując koszty fine-tuningu, zerową liczbę opublikowanych benchmarków i limit przychodów w wysokości 10 mln USD, który będzie ciągnął się za wszystkim, co wypuścisz. Te dwie opcje nie rywalizują o tę samą pracę; to dwie różne prace na tym samym sprzęcie, a jedynym złym wyborem jest kupienie jednej z nich, wierząc, że kupuje się tę drugą.