Intern-Decision-0.8B против LFM2.5 2.6B Base: два способа собрать что-то самостоятельно

Поставьте Intern-Decision-0.8B рядом с LFM2.5 2.6B Base, и первое честное наблюдение состоит в том, что ни один из них не является продуктом в том смысле, который обычно вкладывает покупатель. Intern-Decision-0.8B — это чекпоинт, который InternLM загрузил на Hugging Face 26 сентября 2026 года без какого-либо анонса — дообученная версия Qwen3.5-0.8B с 852 985 920 параметрами, которая отвечает на вводимые вопросы и не выдаёт текст, выпущенная под лицензией Apache 2.0 со ссылкой на GitHub, возвращающей 404. LFM2.5 2.6B Base — это предобученный текстовый чекпоинт от Liquid AI с 2,69 млрд параметров, опубликованный 1 августа 2026 года как основа семейства LFM2.5, и в его собственной карточке сказано, что он «рекомендуется только для задач, требующих серьёзного дообучения». Один — завершённый и узкий. Другой — незавершённый и общий. Оба предполагают, что работу выполняете вы — и работа эта не одна и та же.

Это различие и есть всё сравнение, и именно поэтому простая таблица характеристик вводила бы в заблуждение. Вопрос, который на самом деле волнует читателя, — «что из этого мне скачать?», и ответ зависит от того, что вам нужно построить: слой принятия решений или языковую возможность. Это разные проекты с разными сроками.

Что каждая модель вам даёт

Intern-Decision-0.8B поставляется как работающая система. Репозиторий включает inference.py, DecisionEngine, класс, документированную схему запроса и схему ответа, а также рабочий пример, который можно запустить после установки четырёх закреплённых зависимостей Python. Вы передаёте состояние, от одного до шестнадцати именованных вопросов с максимум 62 вариантами каждый и, дополнительно, до восьми изображений, а на выходе получаете калиброванное распределение и метку argmax для каждого поля. Движок считывает логиты в фиксированных позициях предварительно отрисованного скелета, а не генерирует что-либо, поэтому здесь нет этапа декодирования, выходных токенов и JSON, который нужно исправлять. Он занимает примерно 1,73 ГБ файлов.

LFM2.5 2.6B Base предлагает вам противоположное: сырые возможности без интерфейса. Это текстовая каузальная языковая модель, состоящая из 30 слоёв, организованных как 22 блока коротких свёрток с двойным гейтированием и 8 слоёв grouped-query attention, предварительно обученная примерно на 34 триллионах токенов на 16 языках, со словарём на 128 000 токенов и окном контекста на 131 072 токена. У неё нет собственной инструкционной настройки и нет бенчмарков задач в карточке модели, потому что базовый чекпоинт не оценивают — оценивают модели, которые вы обучаете на его основе. Именно собственный пайплайн постобучения Liquid превращает её в агентную LFM2.5-2.6B, и именно этот пайплайн вас просят воспроизвести — частично или полностью — для вашей собственной предметной области.

Значит, ось — не размер. А то, чем является недостающий элемент: контрактом решений или запуском обучения.

Табло, с сопутствующими оговорками

• Время до первого результата — Intern-Decision-0.8B: один день (после обеда), загрузка чекпоинта и вызов predict()/. LFM2.5 2.6B Base: столько, сколько займёт ваш прогон продолженного дообучения или SFT, плюс работа с данными для его подготовки.

• Параметры — Intern-Decision-0.8B: 852 985 920, распределённых по языковому шарду на 1,50 ГБ, визуальному шарду на 176 МБ и проектору на 25 МБ. LFM2.5 2.6B Base: 2,69 млрд, примерно 2,5 ГБ весов.

• Входные модальности — Intern-Decision-0.8B: текст и до восьми изображений, при этом в репозитории присутствуют визуальные веса. LFM2.5 2.6B Base: только текст, по замыслу — мультимодальная работа в семействе LFM2.5 сосредоточена в VL-вариантах.

• Практическая длина контекста — Intern-Decision-0.8B: 8 192 токена, отклонение, а не усечение, несмотря на максимальный позиционный эмбеддинг 262 144 в конфигурации. LFM2.5 2.6B Base: 131 072 токена нативно.

• Выход — Intern-Decision-0.8B: калиброванное распределение вероятностей и argmax-метка для каждого поля, детерминированный. LFM2.5 2.6B Base: продолжение текста, сэмплированное.

• Бенчмарки — Intern-Decision-0.8B: полная таблица от производителя по семи бенчмаркам, никем не воспроизведённая. LFM2.5 2.6B Base: для самой базовой модели ничего не опубликовано — так задумано.

• Лицензия — Intern-Decision-0.8B: Apache 2.0, с сохранением LICENSE-QWEN/ для исходных весов. LFM2.5 2.6B Base: LFM Open License v1.0.

Строка лицензии заслуживает отдельного раздела.

Обе карточки говорят «open», и эти два слова означают существенно разные вещи. Intern-Decision-0.8B распространяется под Apache 2.0 — без условия о выручке, без ограничений по области использования, без необходимости отдельно согласовывать коммерческую лицензию. Второй файл лицензии в репозитории — это лицензия Qwen, перенесённая сюда, поскольку модель является производной от Qwen3.5-0.8B; это корректный подход, а не ограничение.

LFM2.5 2.6B Base распространяется под лицензией LFM Open License v1.0, и раздел 5 этой лицензии стоит прочитать полностью, прежде чем полагаться на неё в каком-либо коммерческом плане. Права, предоставляемые для коммерческого использования, обусловлены тем, что вы или ваше юридическое лицо не превышаете порог, определённый в лицензии как годовая выручка в размере 10 миллионов долларов США или более. При превышении этой границы коммерческое использование произведения или производного произведения не лицензируется по соглашению. Для некоммерческого и исследовательского использования сделано исключение. Это реальная и подлежащая принудительному исполнению граница, и поскольку она распространяется также на производные произведения, она переходит на всё, что вы дообучаете на основе базовой модели, — а это и есть всё предполагаемое использование данного чекпоинта.

Здесь есть прямое прочтение: если вы занимаетесь коммерческой разработкой и ваша организация превышает $10M годовой выручки, LFM2.5 2.6B Base — это не тот же тип актива, что Intern-Decision-0.8B, независимо от того, как они показывают себя. Если вы ниже этого порога, занимаетесь исследованиями или дообучением для некоммерческих целей, это различие не имеет значения. В любом случае на этот вопрос нужно ответить до запуска обучения, а не после.

Где каждый из них на самом деле — правильный вариант для скачивания.

LFM2.5 2.6B Base — правильный выбор, когда нужной вам возможности ещё нет в готовой модели. В карточке Liquid явно перечислены предполагаемые случаи: ассистенты для конкретных языков, например японского, ассистенты для конкретных предметных областей, например медицины, обучение на проприетарных данных, которые вы не можете отправить в API, или эксперименты с новыми подходами к постобучению. Логика этого списка в том, что 34 триллиона токенов многоязычного предобучения дорого воспроизводить и почти ничего не стоит унаследовать — вы покупаете отправную точку, которая уже уверенно работает с 16 языками и контекстным окном 128K, а собственные вычислительные ресурсы тратите на то, что специфично именно для вас.

Экосистемная поддержка этого плана необычайно полна для настолько новой модели. Liquid документирует продолжение предварительного обучения, SFT, DPO и GRPO через Unsloth и TRL, с ноутбуками для каждого, а чекпойнт поддерживается Transformers, vLLM, SGLang, llama.cpp, MLX и LM Studio. Это не маркетинговый текст — это разница между базовой моделью, которую можно дообучить уже на этой неделе, и той, на которую вы потратите две недели, прикручивая её к тренеру.

Intern-Decision-0.8B — правильный выбор, когда нужная вам возможность уже существует, а проблема заключается в её форме. Если ваша задача — ограниченное решение с закрытым набором ответов — маршрутизировать эту заявку, оценить это утверждение, классифицировать эту запись по рубрике — то генеративная модель — неуклюжий способ получить метку, а базовая модель — вообще не способ её получить. Вам нужно что-то, что возвращает распределение, сообщает свою уверенность и делает это за одни и те же 34 миллисекунды каждый раз. Измеренная задержка InternLM на одной RTX 4090 составляет 33,98 мс в среднем при p95 37,50 мс, а собственные показатели карты показывают 2B-собрата на 33,28 мс в среднем — напоминание о том, что при таких длинах промпта затраты приходятся на чтение схемы, а не на прогон весов.

Вы обмениваете гибкость на контракт. Базовая модель может со временем стать чем угодно, если у вас есть данные и вычислительные ресурсы. Голова принятия решений уже является именно тем, что нужно, и никогда не станет чем-то другим. Если ваша схема меняет форму каждый месяц, это реальные издержки. Если не меняет — это вовсе не издержки.

То, что никто не может вам рассказать о таблице Intern-Decision

Все показатели производительности Intern-Decision-0.8B заявлены вендором, и оговорка здесь серьёзнее обычного, потому что релизу всего неделя и он совершенно не документирован. Нет ни статьи, ни коллекции, объединяющей три размера, ни работающего репозитория GitHub, ни независимой оценки. Поиск по Artificial Analysis не даёт ничего по этой модели.

InternLM выбрала бенчмарки, выбрала модели для сравнения — набор, в котором доминировали decision-модели, включая Jev от TypeSafe, Laya и Kev от Convai, — и опубликовала таблицу без поста о запуске.

С этой меткой форма всё ещё заслуживает прочтения. Intern-Decision-0.8B показывает 97.92 / 80.56 / 52.25 на трёх разбиениях Jevbench, 77.35 на Typed Decision и 94.52 на ToolACE, в среднем 79.38. Его профиль калибровки — самая интересная запись: Brier 0.530 и ожидаемая ошибка калибровки 0.066, что лучше, чем ECE Jev 0.095, несмотря на худший Brier. Проще говоря, он менее точен, но более честен в том, насколько он точен, и для рабочего процесса на основе порогов такая расстановка важнее среднего. Столбец, который должен остановить развёртывание, — WildJailBreak на 64.48 против 96.29 у Jev. Настолько большой дефицит устойчивости к отказам является свойством дообучения, и принадлежит ли он базовой модели Qwen3.5-0.8B, цели decision-tuning или количеству параметров — нигде на карточке не задокументировано.

Сравнение с LFM2.5 2.6B Base по этой оси — это не вопрос «у кого выше баллы», потому что у базовой модели баллов нет. Дело в том, что показатели одной модели не проверены независимо, а показатели другой модели не существуют, и читатель, выбирающий между ними, выбирает, с каким видом неизвестности ему работать.

Пайплайн, который большинство людей на самом деле в итоге строит

Существует конфигурация, в которой используются оба подхода, и её стоит назвать, потому что именно к ней приходит большинство продакшен-систем. Слой принятия решений обрабатывает закрытые вызовы — триаж, маршрутизацию, оценку по рубрикам, — где набор ответов известен, задержка накапливается на миллионе записей, а выходные токены — чистые накладные расходы. Языковой слой обрабатывает всё, что требует прозы, синтеза или длинного контекста: сводку эскалации, пояснение, прилагаемое к метке, черновик, который редактирует человек. LFM2.5 2.6B Base — правдоподобная основа для второй половины, если у вас есть доменные данные, на которых стоит обучать; голова принятия решений — естественная форма для первой.

Свести эти две части вместе — самая кропотливая часть, и именно её стоит не делать вручную. DSL маршрутизации OrcaRouter выражает маршрутизацию как код — YAML с условиями CEL, разворачиваемый без повторного деплоя — так что конвейер, который отправляет один класс запросов на эндпоинт принятия решений, а другой — в языковую модель, становится правилом маршрутизации, а не балансировщиком нагрузки, который вы поддерживаете сами. Шлюз охватывает более 200 моделей за одним ключом, совместимым с OpenAI, с передачей прейскурантной цены провайдера без наценки, и он не добавляет наценку на выбранную вами модель. Чтобы точно обозначить границу: ни Intern-Decision-0.8B, ни LFM2.5 2.6B Base не являются нашими — оба это чекпойнты, которые вы скачиваете и запускаете локально, и в обоих случаях в этом и смысл, потому что причина выбрать модель на 2 ГБ — она работает там, где уже находятся ваши данные. А шлюз нужен для той половины стека, к которой вам иначе пришлось бы обращаться вовне.

Если слой принятия решений — это именно то, что вы хотите протестировать, не запуская ради этого обучение, то размещённая модель принятия решений обойдётся дешевле как эксперимент, и именно Jev 1.13 от TypeSafe стала той, с которой сравнивала InternLM — её уже сегодня можно вызвать через единую конечную точку, совместимую с OpenAI, по цене $0,042 за миллион входных токенов, при этом вывод не тарифицируется.

Так какой же?

Выберите LFM2.5 2.6B Base, если нужной возможности ещё не существует и у вас есть как доменные данные, так и желание провести дообучение, и проверьте порог выручки в $10M в LFM Open License, прежде чем строить на ней коммерческий продукт. Выберите Intern-Decision-0.8B, если возможность существует, ответы уже перечислимы в вашем промпте и вам нужен быстрый, детерминированный, чистый с точки зрения лицензии способ получить метку — принимая, что его документация отсутствует, его бенчмарки не проверены аудитом, а его поведение отказа на состязательный ввод не тестировал никто за пределами лаборатории, которая его дообучала. Второй — более короткий путь и более крупная неизвестность. Первый — более длинный путь и более задокументированный, и ни один из этих фактов не означает, что он лучше.