MiniCPM5-2B vs LFM2.5 2.6B Base: Gotowy model czy surowiec do zbudowania własnego

Dwie z najciekawszych premier małych modeli z ostatniego miesiąca należą do tej samej klasy wagowej, a jednocześnie nie mogłyby być na bardziej różnych etapach swojego życia. MiniCPM5-2B to gotowy produkt: gęsty model o 2,5B parametrów, który ModelBest i OpenBMB zaprezentowali na Światowej Konferencji Sztucznej Inteligencji 19 lipca, a którego otwarte wagi po cichu pojawiły się na Hugging Face 6 i 7 września wraz z pełnym potreningowym pipeline'em, na licencji Apache-2.0, gotowy do serwowania. LFM2.5 2.6B Base to wstępnie wytrenowany, tekstowy checkpoint od Liquid AI — surowy materiał bazowy, który według firmy jest „zalecany wyłącznie do zadań wymagających intensywnego fine-tuningu”, bez dostrajania do instrukcji, bez szablonu czatu i z zerową liczbą opublikowanych benchmarków, bo modelu bazowego się nie ocenia; ocenia się modele, które z niego dostroisz. Porównywanie ich to tak naprawdę pytanie o to, której warstwy budowy szukasz: modelu, który zadziała już dziś wieczorem, czy składników, z których zrobisz własny.

Obie karty mówią „nie do bezpośredniego użytku” – każda w nieco innym dialekcie – a dostawcy umieszczają tę informację w pierwszych linijkach. Karta MiniCPM5-2B opisuje gęsty transformer o architekturze Llama, który ma 2,516,756,480 parametrów (1,981,982,720 poza embeddingiem), 42 warstwy, grouped-query attention oraz okno kontekstowe 131,072 tokenów w dostarczanej konfiguracji; opisuje też dalszy trening – deep-thinking SFT, specjalistyczne RL, destylację on-policy – wymierzony wprost w zachowania agentowe i korzystanie z narzędzi. Karta Liquid dla LFM2.5 2.6B Base opisuje hybrydę o 2.69B parametrów, w której osiem warstw grouped-query attention spoczywa na dwudziestu dwóch blokach z dwubramkowanymi krótkimi konwolucjami, a którą wstępnie trenowano na około 34 bilionach tokenów w 16 językach z kontekstem 128K. I na tym opis się kończy: model bazowy istnieje po to, by go kontynuować lub dostroić do czegoś innego. Jeden jest celem, drugi – linią startową.

Co Liquid faktycznie wypuścił

LFM2.5 2.6B Base trafił na Hugging Face na początku sierpnia jako wstępnie wytrenowana baza rodziny LFM2.5-2.6B firmy Liquid. Jego karta modelu przedstawia tabelę rodziny — wersję bazową oraz potrenowaną LFM2.5-2.6B, którą Liquid dostroił do zadań agentowych z wywoływaniem narzędzi — i wprost podaje, że wersja bazowa to checkpoint zawierający wyłącznie tekst, z którego powstały wszystkie warianty. To jest całe jej zadanie: bierzesz hybrydową architekturę o 2,69 mld parametrów i wielojęzyczną podstawę opartą na 34 bilionach tokenów i kontynuujesz pre-training lub stosujesz SFT na własnej dziedzinie, a wszystko, co potem wypuścisz, dziedziczy warunki jej licencji. Na karcie nie ma benchmarków, bo nie ma jeszcze czego mierzyć; model nie ma dostrojenia pod instrukcje, więc po wyjęciu z pudełka kontynuuje tekst, zamiast odpowiadać. Zajmuje około 2,5 GB wag i jest obsługiwany przez Transformers, vLLM, SGLang, MLX i llama.cpp, co czyni go rozsądną bazą do projektów dostrajania na urządzeniach mobilnych i klasy edge.

Praktyczna uwaga dotycząca tego zestawienia: jeśli chcesz otrzymać działający mały model od Liquid, właściwym odpowiednikiem MiniCPM5-2B jest wytrenowany model LFM2.5-2.6B, a nie Base. Wersja Base to ta, którą wybierasz, gdy zamierzasz przeprowadzić trening samodzielnie — właśnie dlatego tabela wyników MiniCPM5-2B porównuje model z rodzeństwem dostrojonym pod instrukcje, a nie z tym surowym punktem kontrolnym.

Co wypuścił OpenBMB i czym się to różni

MiniCPM5-2B pojawia się jako gotowy produkt z dołączonymi planami fabrycznymi. Tam, gdzie Liquid daje ci fundament i siłę roboczą, OpenBMB oddaje ci całość w otwartej formie: finalny checkpoint po treningu RL + OPD, wersje GGUF, MLX, GPTQ, bazową, SFT i towarzyszące modele typu draft, a także — i to zmienia zasady porównania — same korpusy treningowe, udostępnione na licencji Apache-2.0 jako rodzina UltraData. Karta modelu podaje wewnętrzną średnią 53,9 w wybranym przez producenta zestawie porównawczym otwartych modeli 2B–4B, z wynikiem 86,5 w AIME 2025/2026 oraz 46,4 w SWE-bench Verified (pomiar przeprowadzony przez producenta) — żadna z tych wartości nie została dotąd niezależnie zweryfikowana. Model ma działać, a nie być trenowany: w ofercie startowej znalazły się adaptacja od dnia premiery do dziewięciu rodzin układów i ARM, natywne wywoływanie narzędzi przez wywołania w stylu XML oraz hybrydowe tryby szybkich i refleksyjnych odpowiedzi do użytku interaktywnego.

Tablica wyników, uczciwie oznaczona

• Co otrzymujesz — MiniCPM5-2B: gotowy, nadający się do wdrożenia model czatu oraz otwarte dane treningowe. LFM2.5 2.6B Base: wstępnie wytrenowana baza, którą dostrajasz do gotowego modelu.

Parametry — MiniCPM5-2B: 2,52 mld łącznie / 1,98 mld poza osadzeniami, model gęsty w stylu Llama. LFM2.5 2.6B Base: 2,69 mld, hybrydowy (8 bloków uwagi + 22 bloki krótkich konwolucji).

• Kontekst — MiniCPM5-2B: 131 072 tokeny w domyślnej konfiguracji. LFM2.5 2.6B Base: 128K natywnie.

• Języki — MiniCPM5-2B: karta i dane skoncentrowane na języku angielskim i chińskim. LFM2.5 2.6B Base: wstępnie trenowany na 16 językach.

• Benchmarki — MiniCPM5-2B: pełna suita testów producenta (średnia wewnętrzna 53,9; wynik niezreprodukowany). LFM2.5 2.6B Base: zgodnie z założeniem brak opublikowanych wyników dla samej bazy.

• Licencja — MiniCPM5-2B: Apache-2.0 dla wag i opublikowanych danych. LFM2.5 2.6B Base: LFM Open License v1.0, bezpłatna przy rocznych przychodach poniżej 10 mln USD, a limit przenosi się na Twoje dzieła pochodne.

Tablica wyników powyżej to ta sama historia w sześciu wierszach: oba modele są małe, klasy 128K i blisko spokrewnione z Apache, ale jedna kolumna kończy się działającą usługą, a druga decyzją o tym, kto prowadzi szkolenie.

Licencja jest funkcją.

Dla twórcy luka licencyjna to najmniej efektowna, a zarazem najbardziej decydująca pozycja na tej liście. OpenBMB opublikowało MiniCPM5-2B i powiązane z nim dane na licencji Apache-2.0: możesz go serwować, dostrajać i budować na nim komercyjny produkt — bez górnego limitu przychodów i bez odziedziczonych zobowiązań poza podaniem autorstwa. LFM Open License v1.0 firmy Liquid jest rzeczywiście licencją open-weight, ale uzależnioną od przychodów: organizacje z rocznymi przychodami poniżej 10 mln dolarów otrzymują szeroką zgodę na działalność komercyjną, organizacje na tym progu lub powyżej — nie, a pułap przechodzi na wszystko, co dostroisz. Dlatego produkt zbudowany na LFM2.5 2.6B Base pozostaje objęty tym samym pułapem, nawet gdy Twoja firma rośnie. Nie czyni to licencji Liquid nierozsądną; czyni ją warunkiem, który startup chcący przekroczyć ten pułap musi uwzględnić w planach od pierwszego dnia — i to najważniejszy powód, dla którego ujęcie „gotowego modelu” ma znaczenie. Jeśli budujesz coś, co ma się rozwijać, Apache-2.0 z otwartymi danymi to inny rodzaj surowca niż licencja z limitem.

Rozwidlenie „budować czy kupić” — skonkretyzowane.

Ujmij to jako dylemat: budować czy kupić — a wybór przestaje być mylący. MiniCPM5-2B to ścieżka kupna: ciężka praca — dotrenowanie małego modelu do pracy agentowej i w długich kontekstach — została już wykonana, licencja jest czysta, a tobie zostaje serwowanie i ewaluacja. Kosztem jest przejęcie cudzych decyzji dotyczących dotrenowania oraz to, że jego sztandarowe wyniki mają tydzień i nikt poza laboratorium ich nie zweryfikował. LFM2.5 2.6B Base to ścieżka budowy: kupujesz od Liquid architekturę i pretrening, a dotrenowanie robisz sam — to jedyny uczciwy powód, by wybrać model bazowy zamiast bliźniaczego LFM2.5-2.6B dostrojonego do instrukcji, którego Liquid już sprzedaje. Ta ścieżka ma sens, gdy masz domenę, język lub profil zachowań, których gotowe modele nie obejmują. To zdecydowanie więcej pracy, zaczyna się od zera opublikowanych benchmarków, a do tego wciąż obowiązuje limit przychodów. Nagrodą jest model, którego nie ma nikt inny — a ponieważ OpenBMB otworzyło dane samego MiniCPM5-2B, masz teraz drugi sposób, aby tam dotrzeć: kontynuowanie treningu sprawdzonego przepisu Apache-2.0 zamiast zaczynania od surowego modelu bazowego.

Rzeczywistość routingu dla obu

Żaden z tych checkpointów nie pojawia się dziś w katalogu hostowanym, więc pytanie o warstwę dotyczy otaczającego ich świata, a nie dostarczania. Gdy już wystawisz MiniCPM5-2B albo dostroisz LFM2.5 2.6B Base, uzyskując coś własnego, odwracalnym sposobem przetestowania obu w porównaniu z hostowanymi modelami, których już używasz, jest jedno API z automatycznym przełączaniem awaryjnym — nowy lub pochodny stos może utknąć bez zatrzymywania produkcji, a ceny katalogowe dostawcy pozostają bez marży, więc porównanie A/B jest tanie. Jeśli chodzi o samą decyzję, czy budować, czy kupować, uczciwy plan jest taki sam jak zawsze w przypadku małych otwartych modeli: liczy się benchmark, który uruchamiasz na własnym sprzęcie i własnych danych, a nie ten widniejący na karcie modelu.

Której warstwy tak naprawdę szukasz?

Wybierz MiniCPM5-2B, jeśli chcesz gotowy model on-device na licencji Apache-2.0, który możesz serwować już dziś wieczorem i dostrajać na otwartych danych — akceptując, że jego imponująca karta modelu jest niezweryfikowana i wymaga własnej reprodukcji, zanim zapracuje na zaufanie w produkcji. Wybierz LFM2.5 2.6B Base, jeśli zamierzasz dotrenować własny model i chcesz uzyskać hybrydową architekturę Liquid oraz fundament obejmujący 16 języków jako wagi początkowe — akceptując koszty fine-tuningu, zerową liczbę opublikowanych benchmarków i limit przychodów w wysokości 10 mln dolarów, który będzie towarzyszył wszystkiemu, co wypuścisz. Te dwa modele nie są rywalami do tego samego zadania; to dwa różne zadania na tym samym sprzęcie, a jedynym złym wyborem jest kupienie jednego w przekonaniu, że kupujesz ten drugi.