UserRepGen-4B vs LFM2.5 2.6B Base: surowiec i gotowa część

Najszybszy sposób, by zobaczyć, co odróżnia microsoft/UserRepGen-4B od LFM2.5-2.6B-Base to policzenie formatów. Checkpoint Liquid AI z 2,69 miliarda parametrów jest dostarczany na cztery sposoby — natywne wagi Transformers, GGUF dla llama.cpp, ONNX dla międzyplatformowych środowisk uruchomieniowych i MLX dla Apple Silicon — ponieważ istnieje po to, by był adaptowany i wdrażany przez innych. Microsoftowy UserRepGen-4B jest dostarczany w jeden sposób: jako pojedynczy niekwantyzowany plik safetensors bfloat16 o rozmiarze 9 078 620 536 bajtów, z kartą modelu, która wprost stwierdza, że „obecnie nie są dostępne żadne zoptymalizowane ani specyficzne dla urządzeń formaty”. Jeden to surowiec. Drugi to gotowy element. Nie są konkurentami; to dwa kolejne etapy tej samej pracy, a zestawienie ich obok siebie to najklarowniejszy sposób, by zobaczyć, co tak naprawdę zmienia się między rozpoczęciem dostrajania a wypuszczeniem gotowej wersji.

Dwie pozycje na stosie

LFM2.5-2.6B-Base to wstępnie wytrenowany checkpoint leżący u podstaw rodziny LFM2.5 od Liquid AI — ten, na którym zbudowano wszystkie warianty poddane późniejszemu treningowi. Celowo nigdy nie został dostrojony do instrukcji. Jego własna karta zaleca go wyłącznie do „zadań wymagających intensywnego dostrajania, takich jak asystenci dla konkretnego języka (np. japońskiego) lub konkretnej dziedziny (np. medycznej), trenowania na danych zastrzeżonych albo eksperymentowania z nowatorskimi podejściami do późniejszego treningu”. Zadaj mu pytanie, a ono będzie kontynuować twój tekst, zamiast na nie odpowiedzieć, ponieważ udzielanie odpowiedzi nigdy nie było częścią jego treningu.

UserRepGen-4B to właśnie wygląd następnego kroku. Microsoft wziął Qwen3.5-4B, dodał do niego LoRA rangi 64, wytrenował go za pomocą nadzorowanego fine-tuningu online przez destylację hindsight w lipcu i sierpniu 2026 roku, a wynik opublikował 14 października — bez żadnego ogłoszenia i bez artykułu. Robi dokładnie jedną rzecz — czyta rozmowę wieloturkową i zapisuje dwupolowy opis użytkownika w formacie JSON — i nie robi niczego poza tym.

Uczciwe ujęcie sprawy nie brzmi więc: „co jest lepsze”. Brzmi: jedno z nich to to, co dostrajasz, a drugie to to, co laboratorium uzyskało, dostrajając coś innego.

Co tak naprawdę daje ci pobranie

• Parametry i rozmiar — LFM2.5-2.6B-Base to 2,69 miliarda parametrów w architekturze hybrydowej; UserRepGen-4B to model klasy 4B, którego opublikowany plik wag ma około 9,1 GB w formacie bfloat16, a mniejsza wersja nie jest dostępna.

• Kontekst — 131 072 tokeny w przypadku checkpointu Liquid, w porównaniu z sekwencją treningową wynoszącą 9 216 tokenów w przypadku tego od Microsoftu (8 192 promptu, 1 024 uzupełnienia), przy czym rozszerzone użycie jest wyraźnie nieobsługiwane.

• Formaty — GGUF, ONNX i MLX obok natywnych wag, w przeciwieństwie do jednego pliku safetensors.

• Licencja — Licencja Otwarta LFM (lfm1.0) po jednej stronie, MIT plus odziedziczona Apache 2.0 po drugiej. Obie są wystarczająco permisywne, by na nich budować; żadna nie jest tym samym dokumentem.

• Języki — szesnaście nazwanych języków na karcie Liquid, a w przypadku Microsoft tylko angielski.

• Adopcja — LFM2.5-2.6B-Base jest publicznie dostępny od 1 sierpnia 2026 i ma około 6 282 pobrań oraz 51 polubień. UserRepGen-4B, przesłany 14 października, w momencie pisania tego tekstu miał po zero w każdej z tych kategorii.

Tylko jeden z tych wierszy dotyczy jakości. Reszta mówi o tym, czy to coś przejdzie przez drzwi, które masz.

Dwie architektury stworzone dla przeciwnych pomieszczeń

Liquid opisuje LFM2.5 jako „nową rodzinę modeli hybrydowych zaprojektowanych do wdrażania na urządzeniach”, a kształt bazowego checkpointu wynika z tego założenia. Trzydzieści warstw — dwadzieścia dwie z nich to podwójnie bramkowane bloki krótkiej konwolucji, a osiem to uwaga z grupowanymi zapytaniami — słownik 128 000 tokenów i budżet szkoleniowy wynoszący 34 biliony tokenów. Bloki konwolucji są tanie pod względem pamięci i mają przewidywalne opóźnienia; cały projekt jest ukierunkowany na telefony, laptopy i urządzenia brzegowe.

UserRepGen-4B dziedziczy przeciwne założenie. Jego szkielet to standardowy stos generowania warunkowego Qwen3.5 — 32 warstwy, rozmiar ukryty 2560, 16 głów uwagi z 4 głowami klucz-wartość, słownik 248 320 tokenów oraz wieża wizyjna przeniesiona nietknięta z nadrzędnego checkpointu, mimo że model jest wyłącznie tekstowy, a obrazy są wyraźnie nieobsługiwane. Microsoft podaje, że hostuje go z vLLM na GPU H100, A100, RTX A6000 i B200. To lista komponentów serwerowych, a nie brzegowych.

Zespół, który wybiera między nimi, tak naprawdę wybiera, które ograniczenie zaakceptować: pamięć na urządzeniu i środowisko uruchomieniowe, które trzeba dostroić, by działało jak należy, albo sprzęt w centrum danych i model, który już wykonuje swoje jedyne zadanie.

Gdzie dostrajanie faktycznie zmieniło liczbę

To jest ta część porównania, na którą model bazowy z definicji nie może odpowiedzieć. LFM2.5-2.6B-Base nie publikuje żadnego benchmarku zadaniowego, ponieważ bazowy checkpoint nie ma zadania — liczby jakościowe dla tej rodziny należą do siostrzanego modelu poddanego post-trainingowi.

UserRepGen-4B publikuje jedno, i jest to najsilniejszy dowód w całym wydaniu. W ocenie wierności na 700 rozmowach, ocenianej w skali od 1 do 10:

• Qwen3.5-4B base, niezaadaptowany backbone — 3,41 best-of-1, 4,42 best-of-3.

• GPT-5.5 po podaniu mu polecenia wykonania tej samej pracy od ręki — 3,90 i 4,90.

• UserRepGen-4B — 4,95 i 6,02.

Każda liczba pochodzi od samego Microsoftu i została wygenerowana w pętli, w której GPT-5.4 mini występował jednocześnie jako symulator, asystent i sędzia. Nic nie zostało niezależnie odtworzone. Ale liczy się kształt wyniku: dostrojenie bazy 4B tak, by w wąskim zadaniu prześcignęła czołowy model ogólnego przeznaczenia, jest realnym, mierzalnym rezultatem — i dokładnie po to istnieje LFM2.5-2.6B-Base, aby umożliwić taki wynik w zadaniu kogoś innego. Karta Microsoftu pokazuje też, że dwie oczywiste alternatywy uczenia ze wzmocnieniem — OPSD przy 4,46/5,60 i GRPO przy 3,57/4,59 — przegrały ze zwykłym nadzorowanym dostrajaniem, co jest ostrzeżeniem przed zakładaniem, że cięższa metoda wygrywa.

Jedno z nich ma stronę prywatności, a to nie jest baza.

Wstępnie wytrenowany model bazowy nie ma sekcji dotyczącej prywatności, ponieważ nie formułuje żadnych twierdzeń o ludziach. UserRepGen-4B ma taką sekcję, ponieważ je formułuje. Jego karta podaje, że w przypadku ponad 147 użytkowników selektor wybierający, która z czterech rozmów pochodzi od tej samej osoby, uzyskuje 51,02% przy użyciu opisów zachowania modelu, w porównaniu z 44,22% na surowych rozmowach i 25% w losowym wyborze — podsumowanie identyfikuje osobę lepiej niż źródło. Microsoft określa to jako ryzyko powiązania i stwierdza, że reprezentacje nie są danymi zanonimizowanymi.

Ta asymetria jest strukturalna, a nie wadą któregokolwiek z wydań. W momencie, gdy wynik modelu staje się opisem człowieka, warstwa etyczna się zmienia i karta musi to uwzględniać. Każdy, kto dostraja LFM2.5-2.6B-Base w kierunku podobnego celu, powinien spodziewać się, że będzie musiał napisać tę samą sekcję dla siebie.

Co wybór podstawy rozstrzyga później

Pożyczenie bazy ma pewien skutek drugiego rzędu, który rzadko bywa brany pod uwagę na etapie fine-tuningu: przesądza o tym, do czego możesz się odwołać pół roku później. Microsoft zbudował na Qwen3.5-4B, a ta rodzina jest udostępniana komercyjnie — Qwen3.5-Flash z kontekstem ponad miliona tokenów w cenie 0,10 USD za milion tokenów wejściowych i 0,40 USD za milion wyjściowych, Qwen3.5-27B za 0,086 i 0,688, Qwen3.5-35B-A3B za 0,057 i 0,459, a wszystkie dostępne przez jeden klucz OrcaRouter w cenie katalogowej dostawcy, bez żadnych dodatków, i wszystkie mogą stać za automatycznym przełączaniem awaryjnym, dzięki czemu checkpoint badawczy istniejący tylko na twoim własnym dysku nie staje się pojedynczym punktem awarii w potoku. Nie oferujemy UserRepGen-4B ani LFM2.5-2.6B-Base — oba są do pobrania, a wytrenowany przez ciebie na checkpoincie Liquid mały model po fine-tuningu będzie twój do hostowania. Ale strona asystenta w pętli, albo sędzia, albo ścieżka awaryjna, może być wywołaniem API z użyciem klucza, który już masz. To decyzja projektowa, którą podejmujesz na początku, gdy wybierasz, którą bazę zaadaptować.

Którego właściwie chcesz

Jeśli masz zadanie i nie masz do niego modelu, LFM2.5-2.6B-Base jest właściwym punktem wyjścia: jest wystarczająco mały, by dostroić go na skromnym sprzęcie, wystarczająco hybrydowy, by działać na urządzeniu, i dostarczany w każdym formacie, którego będziesz potrzebować po zakończeniu treningu. Jeśli masz potok symulacji użytkowników i potrzebujesz komponentu, który zamienia ukończoną rozmowę w przenośny opis behawioralny, UserRepGen-4B już istnieje, a to, że jest to jeden plik w jednym formacie, jest ograniczeniem, a nie powodem, by powtarzać tę pracę od zera. Na co warto uważać, to czy Microsoft uzupełni go artykułem, który jego karta wciąż obiecuje. Dla Liquid otwarte pytanie jest inne i starsze: które zespoły sięgną po model bazowy i co z niego stworzą.

Modele bazowe istnieją po to, by je adaptować, a to właśnie adaptacja jest miejscem, w którym rzeczy się psują: udokumentowane incydenty AI i awarie agentów dotyczące modeli tej klasy są gromadzone w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis zawiera własne źródła, poziom dotkliwości, stopień pewności i znacznik sporności.