ZwZ2-9B vs LFM2.5 2.6B Base: Błąd kategorii, który warto zrozumieć

Postawienie ZwZ2-9B obok LFM2.5 2.6B Base wygląda jak porównanie rozmiarów i nim nie jest. ZwZ2-9B to wizyjno-językowy checkpoint o 9,41 miliarda parametrów, który inclusionAI opublikowało 16 października 2026 r. bez karty modelu; LFM2.5 2.6B Base to wstępnie wytrenowany model wyłącznie tekstowy o 2,697 miliarda parametrów, który Liquid AI opublikowało 1 sierpnia 2026 r., wraz z kartą, która mówi jej własnymi słowami, że jest to checkpoint „użyty do stworzenia wszystkich wariantów LFM2.5-2.6B”. Jedno z nich to coś, co się wdraża. Drugie to coś, na czym się buduje. Wybór między nimi nie przypomina wyboru między dwoma samochodami — to jak wybór między samochodem a blokiem silnika, a jedynym naprawdę przydatnym pytaniem jest to, którego z nich faktycznie potrzebowałeś.

Ten tekst robi dwie rzeczy. Podaje prawdziwe liczby dla obu, bo przyszedłeś tu szukając porównania, a te liczby warto znać. A potem wyjaśnia różnicę, którą to porównanie ukrywa, bo pomyłka w tym zakresie sprawia, że zespoły po trzech tygodniach od rozpoczęcia fine-tuningu, którego nie potrzebowały, albo uruchamiają model serwerowy 9,4B do zadania, z którym poradziłby sobie model 3B na laptopie.

Czym właściwie jest każdy z tych artefaktów

LFM2.5 2.6B Base jest celowo niedokończony. To wstępnie wytrenowany checkpoint u podstaw rodziny LFM2.5-2.6B firmy Liquid AI — 30 warstw naprzemiennie wykorzystujących podwójnie bramkowane bloki krótkich konwolucji i uwagę z grupowanymi zapytaniami, 34 biliony tokenów pretreningu, słownik 128 000 tokenów i limit 128 000 pozycji. Obsługuje wyłącznie tekst. Został zaprojektowany do wdrożenia na urządzeniu — tego sformułowania Liquid AI używa w karcie — a cały sens sufiksu „Base” polega na tym, że wariant konwersacyjny po dostrojeniu i wariant agentowy to osobne pliki do pobrania wywodzące się z niego. Ma służyć do dostrajania lub destylowania do niego. Od razu po wyjęciu z pudełka nie jest asystentem.

ZwZ2-9B jest obiektem przeciwnego rodzaju. To checkpoint o gotowym kształcie, który nie został opisany. Jego konfiguracja zawiera 27-warstwową wieżę wizyjną, identyfikatory tokenów obrazu i wideo, procesor wideo ograniczony do 768 klatek, szablon czatu z wbudowanym domyślnym promptem systemowym oraz 24 z jego 32 warstw wykorzystujących uwagę liniową zamiast rosnącej pamięci podręcznej klucz-wartość. To cel wdrożenia, a nie substrat treningowy. Brakuje wszystkiego, o co zapytałby nabywca: brak pola licencji, brak wyników ewaluacji, brak informacji, na czym go wytrenowano, i brak wpisu w żadnej z dziesięciu publicznych kolekcji inclusionAI.

• Parametry — ZwZ2-9B: 9 409 813 744. LFM2.5 2.6B Base: 2,697 miliarda.

• Cel — wielomodalny checkpoint przygotowany do wdrożenia kontra wstępnie wytrenowana baza do dostrajania.

• Modalności w — tekst, obraz i wideo a tylko tekst.

• Limit kontekstu — 262 144 pozycji w porównaniu z 128 000 (karta Liquid AI zaokrągla to do 131 072).

• Słownictwo — 248 320 vs 128 000.

• Konstrukcja uwagi — 24 warstwy liniowe plus 8 warstw pełnej uwagi w porównaniu z 22 warstwami konwolucyjnymi plus 8 warstwami uwagi.

• Licencja — nie zadeklarowano vs LFM Open License v1.0, która jest licencją niestandardową, a nie Apache-2.0.

• Dokumentacja — brak vs karta modelu, raport techniczny i określony budżet szkoleniowy.

Dwie linie są tam ciekawsze, niż wyglądają. Oba modele trafiają dokładnie na 8 warstw uwagi i oba wypełniają resztę czymś tańszym — ZwZ2-9B z rekurencyjną liniową uwagą, LFM2.5 2.6B Base z krótkimi konwolucjami. Ta konwergencja nie jest przypadkiem; to właśnie oznaczało „efektywna architektura” przez ostatnie dwa lata, osiągnięta z przeciwnych kierunków i w przeciwnych skalach. A pułapy kontekstu nie są zawodami: 262 144 przeciwko 128 000 nie mówi prawie nic, ponieważ model 2,7B został zbudowany, by działać na laptopie, gdzie pamięć podręczna na ćwierć miliona tokenów nie jest realistycznym zbiorem roboczym.

Słowo „Base" to cała decyzja

Jeśli masz wynieść z tego zestawienia jedną rzecz, wynieś tę. Bazowy checkpoint nie ma podążania za instrukcjami, godnego zaufania formatowania czatu ani dostrajania bezpieczeństwa — i jest to zaleta, jeśli budujesz model dziedzinowy, bo oznacza to, że nie walczysz z cudzym alignmentem, gdy trenujesz swój. Jest to wada, jeśli chciałeś asystenta, bo pierwsze dwa tygodnie spędzisz na odkrywaniu na nowo, że modele wstępnie wytrenowane uzupełniają tekst, a nie odpowiadają na pytania.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Kalkulacja wdrożenia, w której tkwi prawdziwa różnica

Model tekstowy o 2,697 mld parametrów i model wizyjny o 9,41 mld parametrów nie są alternatywami na tym samym sprzęcie. Bazowy model LFM2.5 jest stworzony dla telefonów, laptopów i komputerów jednopłytkowych; Liquid AI przedstawia to jako wnioskowanie na urządzeniu, a punkt kontrolny o 2,7 mld parametrów skwantyzowany do czterech bitów to kilka gigabajtów. ZwZ2-9B ma 27-warstwową wieżę wizyjną obok 32 warstw językowych i około 2 GB macierzy embeddingów w każdym kierunku — sam słownik to tabela o wymiarach 248 320 na 4 096 — więc jego miejsce jest na serwerze, a przynajmniej na komputerze stacjonarnym z prawdziwym akceleratorem.

Dlatego uczciwa architektura dla większości zespołów to nie „wybierz jeden”. To dwa poziomy. Umieść mały, udokumentowany model tam, gdzie liczą się opóźnienie i prywatność, a zadanie jest wąskie, a trudne przypadki kieruj do modelu hostowanego, w którym koszt zmienny pojawia się dopiero wtedy, gdy pojawia się trudny przypadek. Właściwe dobranie tego podziału jest cenniejsze niż jakikolwiek pojedynczy wybór modelu na tej stronie, a także jest tym, co najtrudniej później zmienić, ponieważ to on dotyka twojego kodu.

Robienie tego przez jeden interfejs to cały sens routera. OrcaRouter udostępnia ponad 200 modeli z jednego punktu końcowego zgodnego z OpenAI i przy użyciu jednego klucza API, z automatycznym przełączaniem awaryjnym, dzięki czemu tania warstwa i droga warstwa dzieli jeden ciąg modelu, a nie dwie integracje — a ceny katalogowe dostawców są przekazywane dalej z marżą 0%, więc uruchomienie drogiej warstwy kosztuje tyle samo, ile kosztowałoby gdziekolwiek indziej. Nie hostujemy LFM2.5 2.6B Base ani nie hostujemy ZwZ2-9B, więc żadnego z nich nie możemy wywołać za Ciebie — Liquid AI rozprowadza własne wagi przez własne kanały dostawcy, a inclusionAI nie opublikowało żadnego punktu końcowego. Tym, co możemy dziś umieścić po hostowanej stronie tego podziału, jest qwen/qwen3-vl-8b-instruct, model wizyjno-językowy 8B z kontekstem 131 tys. tokenów w cenie 0,18 USD za milion tokenów wejściowych i 0,70 USD za milion tokenów wyjściowych, który jest najbliższym udokumentowanym odpowiednikiem małej warstwy multimodalnej.

Licencjonowanie to obszar, w którym te dwa najbardziej się rozchodzą.

Żadna z tych licencji nie jest Apache-2.0, a powody są różne w sposób, który ma znaczenie. LFM2.5 2.6B Base jest udostępniany na licencji LFM Open License v1.0, która jest licencją niestandardową — jest opublikowana, można ją przeczytać i jest tą samą licencją, której używa reszta rodziny, co oznacza, że jedna weryfikacja prawna obejmuje każdy model LFM2.5, z którym masz do czynienia. ZwZ2-9B nie deklaruje niczego. Brak licencji nie jest licencją permisywną; w przypadku braku wyraźnego udzielenia praw konserwatywna interpretacja jest taka, że nie zostały przyznane żadne prawa, a to jest istotnie gorsza sytuacja niż licencja niestandardowa, którą można przeczytać i ocenić.

W przypadku bazowego checkpointu, który zamierzasz dostroić i być może dalej rozpowszechniać, to nie jest przypis. Warunki dotyczące utworów zależnych to dokładnie ta klauzula, wobec której licencje niestandardowe zwykle mają swoje zdanie, a brak jakiejkolwiek klauzuli wcale nie rozstrzyga na twoją korzyść.

Jak wybrać, mówiąc wprost

Wybierz LFM2.5 2.6B Base, jeśli masz wąskie zadanie tekstowe, docelowe urządzenie i apetyt na prowadzenie własnego treningu — oraz akceptujesz, że to Ty dostarczasz podążanie za instrukcjami. Jego udokumentowany budżet treningowy i podana licencja oznaczają, że wiesz, od czego zaczynasz.

Wybierz ZwZ2-9B, jeśli potrzebujesz obrazów lub wideo na wejściu, masz GPU, by obsłużyć model 9,4B, i jesteś gotów być pierwszą organizacją na Ziemi, która go oceni. To ostatnie stwierdzenie nie jest retoryczne. Zanim podejmiesz decyzję, pytania, na które trzeba odpowiedzieć, brzmią: czy akceptuje twoje formaty obrazów, czy zwraca potrzebny ci kształt wyjścia przy wyłączonym myśleniu oraz na jakiej licencji faktycznie będziesz działać. Dwie z tych trzech mają odpowiedzi w repozytorium. Trzecia nie.

Benchmarki się starzeją, a ceny się zmieniają; rejestr awarii pozostaje taki sam: udokumentowane incydenty AI i awarie agentów dotyczące modeli z tej klasy są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporności.