LBS-27B против LFM2.5 24B A2B: вопрос об активных параметрах

Самое важное число в LFM2.5 24B A2B — не 24. Это 2,45 — миллиарды параметров, которые модель фактически считывает для каждого токена. Именно поэтому Liquid AI может заявлять о 184 выходных токенах в секунду на Apple M5 Max, хотя модель содержит 24 миллиарда параметров знаний, и поэтому компания позиционирует её как агент на устройстве, а не как рабочую лошадку дата-центра. Это же число отсутствует в LBS-27B, и его отсутствие — причина, по которой это сравнение пока нельзя завершить: без подсчёта активных параметров невозможно разместить модель inclusionAI на кривой эффективности, которую определяет LFM2.5.

LFM2.5 24B A2B доступна для скачивания с 13 октября 2026 года, вместе с карточкой модели, шестнадцатью строками бенчмарков и лицензией, которую большинству предприятий придётся внимательно изучить. LBS-27B — это репозиторий, созданный 26 октября 2026 года, который содержит стандартный .gitattributes файл и README размером 28 байт с заявлением Apache-2.0. Ни весов, ни конфигурации, ни карточки, ни анонса. Таким образом, далее следует сравнение между полностью описанным решением, ориентированным на эффективность, и названием, которое пока не сообщило, что это за тип модели.

Для чего оптимизируется Liquid

LFM2.5 24B A2B — это декодер со смесью экспертов: 64 эксперта и маршрутизация top-4, 40 слоёв, скрытый размер 2 048 и словарь из 128 000 токенов. Число активных параметров — 2,45 млрд. Модель принимает 131 072 токена контекста, тогда как в предыдущем поколении было 32K, и она была предварительно обучена на 33 трлн токенов — примерно вдвое больше, чем 17 трлн, использованных для LFM2.

Изменение словаря — деталь, которую стоит заметить. Переход с 65K на 128K токенов обходится дорого — это означает переобучение слоёв эмбеддингов и выходного слоя — и обычная причина для этого — нелатинский текст. В карточке перечислены шестнадцать языков: английский, арабский, китайский, французский, немецкий, итальянский, японский, корейский, португальский, испанский, вьетнамский, тайский, индонезийский, хинди, русский и польский. Более крупный словарь делает эти языки дешевле в расчёте на слово и обычно показывает лучшие результаты на длинном хвосте.

Это также модель, предназначенная только для рассуждений. Конвейер постобучения Liquid включает дообучение с учителем, специализацию учительской модели, неагентную и агентную дистилляцию, а затем агентное обучение с подкреплением в таких средах, как OpenClaw, Hermes Agent, Pi и OpenCode. Перед ответом модель формирует цепочку рассуждений; на карточке модели не задокументирован отдельный «быстрый режим без размышлений».

Намеренно пикообразный профиль бенчмарка

Собственные цифры Liquid, которые мы не воспроизводили, описывают модель, которая отлично справляется с тем, что делает агент на устройстве, и плохо — с тем, что нужно работнику умственного труда. Такая форма не случайна; это и есть замысел.

• Следование инструкциям — IFEval 96.75, IFBench 74.69, Multi-IF 84.38. Это самый сильный кластер на карточке и тот, который важнее всего для агента, обязанного соблюдать схему инструментов.

• Использование инструментов — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69. Хорошо, но показатели неравномерны между харнессами.

• Агентный веб-браузинг и использование компьютера — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04. Банковский результат выбивается из общей картины: оценка в одну цифру на наборе задач, с которым другие агентные модели справляются гораздо лучше. Это напоминание о том, что «агентность» — не единая способность.

• Разработка программного обеспечения — SWE-Bench Verified 51.00 в OpenCode, SciCode 32.71. Средний уровень.

• Математика — MATH-500 96.04. Впечатляюще для такого размера.

• Знания — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90. Отрицательный показатель Omniscience здесь является честным сигналом: на бенчмарке, который штрафует за уверенные неправильные ответы, модель теряет больше, чем приобретает. Само позиционирование Liquid это признаёт — модель предназначена для работы в связке с retrieval, а не для того, чтобы полагаться на неё как на энциклопедию.

В совокупности эти строки говорят о том, что модель хорошо следует инструкциям и вызывает инструменты, но обладает скудной базой знаний. Для локального агента, который читает ваши файлы и обращается к вашим API, это правильный компромисс. Для исследовательского помощника — неправильный.

Утверждение об эффективности — с его оговорками

Liquid сообщает о 184 токенах в секунду на Apple M5 Max при использовании около 15 ГБ памяти и о 114 токенах в секунду на Ryzen AI Max+ 395. Это данные производителя для конкретного оборудования, а не общий бенчмарк, и они будут меняться в зависимости от квантования и размера пакета. Направление всё равно показательно: модель на 24B с 2,45B активных параметров может работать на ноутбуке так, как плотная 24B не может.

Размен здесь — пропускная способность памяти. Разреженным моделям всё равно нужно держать все 24 млрд параметров в памяти — экономия достигается на вычислениях на токен, а не на хранении. Именно поэтому показатель в 15 ГБ важен не меньше пропускной способности: это примерно 4-битное квантование полного набора весов, и он задаёт нижнюю границу требований к оборудованию.

Где должен был бы располагаться LBS-27B

Всё в этом сравнении зависит от двух полей, которых пока нет в репозитории LBS-27B: количества экспертов и количества активных параметров.

Если LBS-27B разреженная и имеет примерно 2–4 млрд активных параметров, она попадает прямо на территорию LFM2.5 — база знаний класса 27B при вычислениях уровня малой модели — и сравнение превращается в прямой спор о качестве в расчёте на активный параметр. Если она плотная, это совсем другой продукт: серверная модель с предсказуемыми вычислениями и таким объёмом памяти, который исключает большинство ноутбуков. Если она разреженная с большим числом активных параметров, она находится между этими двумя вариантами и конкурирует качеством, а не эффективностью.

Из репозитория невозможно понять, что именно. В названии указано 27B, в README указано Apache-2.0, а дерево файлов больше ничего не говорит. inclusionAI не опубликовала карточку, пост в блоге или статью, которые мы могли бы найти.

Сравнение, насколько оно вообще возможно

• Общее число параметров — 24,0 млрд для LFM2.5 24B A2B; неподтверждённые 27 млрд для LBS-27B.

• Активные параметры — 2,45 млрд для LFM2.5; для LBS-27B неизвестны, и это ключевая неизвестная величина.

• Архитектура — 64 эксперта с маршрутизацией top-4 и 40 слоёв для LFM2.5; неизвестно для LBS-27B.

• Контекст — 131,072 токена для LFM2.5; неизвестно для LBS-27B.

• Модальность — только текст для LFM2.5; для LBS-27B неизвестно.

• Языки — для LFM2.5 указано шестнадцать; для LBS-27B — неизвестно.

• Рассуждение — цепочка мыслей по умолчанию, без документированного режима без размышлений, для LFM2.5; неизвестно для LBS-27B.

• Лицензия — лицензия LFM 1.0 с требованием коммерческой лицензии при годовом доходе свыше 10 млн долларов США для LFM2.5; для LBS-27B заявлена Apache-2.0.

• Опубликованные результаты оценок — шестнадцать строк, предоставленных поставщиком, для LFM2.5; для LBS-27B — ни одной.

Лицензия — это вопрос закупки, а не сноска.

Это единственное измерение, в котором пустой репозиторий уже даёт LBS-27B преимущество. Лицензия LFM 1.0 не является открытой в смысле OSI: компаниям с годовым доходом более 10 млн долларов требуется отдельная коммерческая лицензия, прежде чем развернуть её. Для отдельного разработчика или стартапа ниже этого порога это не проблема. Для средней компании это юридическая проверка, переговоры и отдельная статья расходов.

LBS-27B указывает Apache-2.0 в своём README. Это разрешительная лицензия с явным предоставлением патентных прав и без порога по выручке, и если она сохранится до выпуска весов, это устраняет целый этап закупки. Это единственное конкретное преимущество, которое LBS-27B на данный момент имеет в этом сравнении, и его стоит сформулировать чётко, потому что оно реально — заявление о лицензии, сделанное при создании репозитория, является слабым доказательством, но это не ничего.

Локально или через API: два разных продукта

LFM2.5 24B A2B создана для работы там, где находятся данные. Ключевая идея — конфиденциальность и задержка: модель на ноутбуке или рабочей станции, которая никогда не отправляет запросы третьим лицам, а вызов инструментов достаточно хорош для управления локальной автоматизацией. 4-битный объём памяти и контекст 131K подобраны именно под эту задачу.

LBS-27B не уточнила, для чего она предназначена. Если inclusionAI выпускает модель, рассчитанную на серверное обслуживание, аргумент о работе на устройстве не применим, и эти две модели дополняют друг друга, а не заменяют. Если же она выпускает MoE с малым числом активных параметров и сценарием локального развертывания, сравнение становится прямым, и преимущество Liquid в два поколения в инструментах для работы на устройстве — поддержка llama.cpp, MLX, ONNX и vLLM, а также документированная агентная обвязка — становится решающим аргументом.

Поддержка фреймворков — недооценённая часть всего этого. Модель, которой нет в llama.cpp или MLX с первого дня, на практике не является on-device-моделью, независимо от количества активных параметров.

Тестирование непроверенной модели без ставок на неё

Ни LBS-27B, ни LFM2.5 24B A2B сегодня нет на OrcaRouter, поэтому ни для одной из них нет hosted-эндпоинта, и мы не будем утверждать обратное. Причина упоминать здесь эту платформу — следующая за этим проблема оценки: если вы хотите узнать, может ли новая модель с небольшим числом активных параметров заменить вашу текущую, нужно прогнать обе на собственном трафике, а не на лидерборде.

DSL маршрутизации OrcaRouter позволяет направлять процент запросов на модель-кандидат, сохраняя текущую модель в качестве основной по умолчанию, а автоматический переход при сбое означает, что кандидат, у которого истекло время ожидания или возникла ошибка, деградирует до известной модели, вместо того чтобы приводить к сбою запроса. Для сложных случаев, когда одной модели недостаточно, объединение моделей позволяет панели моделей отвечать совместно и возвращать объединённый результат — это полезно, когда задача требует больших знаний и слабое место дешёвой модели — именно то, что вы проверяете. Каталог из более чем 200 моделей и нулевая наценка здесь менее важны, чем возможность сравнивать на собственных входных данных без второй интеграции.

Это способ сгенерировать доказательства, которых не хватает на этой странице. Это не замена существованию модели.

Три читателя, три ответа

Если вы создаёте агента, работающего на устройстве, и вам нужно что-то, что уже сегодня запускается на ноутбуке, LFM2.5 24B A2B — серьёзный кандидат: уверенное следование инструкциям, хороший вызов инструментов в нескольких обвязках, контекст 131K и документированный путь в обычные локальные среды выполнения. Сначала проверьте порог лицензии и не ожидайте, что он будет знать факты без извлечения данных.

Если вы выбираете серверную 27B-модель и вам нужна либеральная лицензия, на LBS-27B стоит присмотреться именно потому, что Apache-2.0 уже заявлена. Но оценивать пока нечего, а декларация лицензии — это не модель.

Если вы — предприятие с доходом более 10 млн долларов и строгой процедурой закупок, разница в лицензиях может иметь для вас большее значение, чем любая строка с результатами бенчмарков в этой статье. Кастомная лицензия LFM2.5 — это реальные издержки; Apache-2.0 у LBS-27B — реальное преимущество, но только при условии, что она сохранится до релиза.

Число, которое изменило бы все три ответа, — это количество активных параметров. Пока его нет, честная позиция такова: у одной модели есть история об эффективности, а у другой — репозиторий.