LFM2.5-24B-A2B против Ternary Bonsai 2 27B: разница — 2 бита и подключение к облаку

Вот самый короткий честный ответ. LFM2.5-24B-A2B — это текстовая смесь экспертов, которую Liquid AI создала, чтобы она работала внутри агентного цикла на машине без сети, анонсирована 13 октября 2026 года с 24,0 млрд общих и 2,45 млрд активных параметров. Ternary Bonsai 2 27B — это низкобитная переработка Qwen3.8-27B, которую Prism ML выпустила 17 сентября 2026 года под лицензией Apache 2.0, храня каждый вес как один из трёх символов с эффективной разрядностью 1,76 бита и сжимая FP16-модель размером 53,81 ГБ до загрузки в 5,93 ГБ. Обе они достаточно малы, чтобы помещаться локально, и у обеих открытые веса, но они не пытаются выполнять одну и ту же задачу. Модель Liquid обучена вызывать инструменты. Модель Prism — это визуально-языковая модель полной точности в гораздо более дешёвом костюме.

То, что делает эту пару достойной целой страницы, — это то, что каждая из них указывает, где её собственные доказательства слабы, и эти две слабости противоположны друг другу.

Что представляет собой каждый из них — если свести к самому важному

LFM2.5-24B-A2B сохраняет архитектуру LFM2: 40 слоёв, 30 блоков короткой свёртки с двойным гейтированием и 10 слоёв attention с группировкой запросов, 64 эксперта на блок с маршрутизацией top-4, 131 072 токена контекста, словарь на 128 000 токенов, текст на входе и текст на выходе. Пайплайн постобучения Liquid завершается этапом агентного обучения с подкреплением, который выполняется внутри OpenClaw, Hermes Agent, Pi и OpenCode. Производитель прямо рекомендует применять её в связке с retrieval или веб-поиском, а не полагаться на неё в вопросах на знание — и в её собственной таблице запуска строка AA-Omniscience стоит на отметке −24,90, а это тот же совет, только в цифрах.

Ternary Bonsai 2 27B — это та же сеть, что и Qwen3.8-27B, только записанная иначе. В белой книге Prism ML 27,36 млрд параметров разделены на 24,35 млрд в языковом бэкбоне, состоящем из 64 блоков, 2,54 млрд в эмбеддингах и LM-голове и 0,47 млрд в 27-блочной визуальной башне, которая поставляется отдельным 4-битным файлом mmproj размером примерно 0,63 ГБ и загружается только при поступлении изображения. Гибридное внимание базовой модели — 48 слоёв линейного внимания Gated DeltaNet, чередующихся с 16 слоями полного внимания, размер скрытого слоя 5 120, словарь из 248 320 токенов — унаследовано без изменений. То же относится и к контексту в 262 144 токена.

Быстрее всего их разделяет модальность. Ternary Bonsai 2 27B принимает изображения. LFM2.5-24B-A2B — нет, и никакой трюк с квантованием этого не меняет.

Качество, на единственном столе, который есть у любого из них

Prism ML измерила свою сборку в сравнении с полноточной оригинальной версией на наборе из 20 бенчмарков и сообщает, что она сохраняет 98,2% от среднего показателя — 83,9 против 85,4. Это собственный тестовый стенд вендора месячной давности, никем не воспроизведённый. И это — намеренно или нет — ровно тот тип утверждения, который скрывает своё распределение, потому что эти 1,8 пункта распределены неравномерно.

• Математика — 96.57 против 97.06. Практически одинаковый уровень.

• Кодирование — 81,58 против 82,17. Близко, и именно по этой категории идёт спор о методике сжатия.

• Следование инструкциям — 82,66 против 81,25. Сжатая модель впереди, единственная по-настоящему удивительная строка в таблице.

• Знания и рассуждения — 83,95 против 86,66. Падение на 2,7 пункта — и самый крупный отдельный вклад в недостающие 1,8.

• Агентность и вызов инструментов — 77,57 против 79,74, включая τ2-Bench на уровне 80,22 и BFCL v3 на уровне 74,92.

А теперь о проблеме использования той таблицы здесь. Цифры Prism — это результат её сборки против собственной базы полной точности. Цифры Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — получены на другом наборе моделей, на другом харнессе, с другими настройками генерации. Ни один бенчмарк не фигурирует в обеих таблицах.Тот, кто ставит BFCLv3 74.92 рядом с BFCLv4 65.01 и объявляет победителя, сравнил два разных теста и назвал это результатом.

Рантайм — это где эти двое по-настоящему расходятся

Это не заявление вендора, а факт совместимости, который можно проверить за один день.

Prism ML пришлось написать ядра для архитектуры, потому что и упакованный формат, и в основном линейное внимание необычны. Штатный llama.cpp отвергает обе упаковки Prism как неизвестные типы — и, что опаснее, загружает более старый тернарный формат без жалоб и выдаёт связную бессмыслицу, потому что к активациям не применено соответствующее вращение. Если вы запускаете Ternary Bonsai 2 27B на бинарнике, который о нём не знает, вы не получаете ошибку. Вы получаете уверенный, но неверный вывод.

У LFM2.5-24B-A2B противоположный профиль рисков. Liquid перечисляет поддержку с первого дня в llama.cpp для GGUF, а также в MLX, vLLM, SGLang и ONNX, плюс родственные репозитории FP8, ONNX и 4-битного MLX — это обычный релиз. Открытый вопрос здесь — производительность, а не корректность: заявленные производителем цифры — 184 токена в секунду на Apple M5 Max и 114 токенов в секунду на AMD Ryzen AI Max+ 395 — не воспроизведены, а громкое заявление «до 1,7× быстрее, чем следующая по качеству модель» не сопровождается опубликованной базовой линией.

Где здесь 0% наценки на самом деле имеет значение?

Между этими двумя моделями аспект маршрутизации действительно неловкий, и об этом стоит сказать прямо, а не приукрашивать. Ternary Bonsai 2 27B — это модель, которую скачивают: Prism ML распространяет её на Hugging Face под лицензией Apache 2.0, и весь смысл этой техники в том, что вы запускаете её сами. LFM2.5-24B-A2B тоже в первую очередь локальный артефакт, а эндпоинт Liquid Console с $0.10 за миллион входных токенов — $0.05 за кэшированные — и $1.00 за миллион выходных в качестве хостинговой альтернативы. Ни у одной из них основное ценностное предложение — не вызов API с оплатой по факту использования.

Место, где слой маршрутизации оправдывает себя, — рядом с ними, а не вместо них. Базовая модель Ternary Bonsai 2 27B, из которой она сжата, — qwen/qwen3.8-27b, опубликованная Alibaba 13 августа 2026 года, — доступна в нашем каталоге по цене $0.33 за миллион входных токенов и $2.40 за миллион выходных, а значит, ту же задачу можно прогнать на обслуживаемой модели полной точности, пока вы оцениваете локальную сборку объёмом 5.93 ГБ на тех же промптах. Это честное сравнение, которое обходится дёшево, и именно такое не может провести для вас собственная таблица Prism из 20 бенчмарков.

Лицензия, которая не является сноской ни для одной из сторон

Ternary Bonsai 2 27B распространяется под Apache 2.0 — без привязки к выручке и без оговорки об области использования; то же верно и для весов Qwen3.8-27B, из которых он получен. LFM2.5-24B-A2B поставляется под лицензией lfm1.0 от Liquid — это отдельный правовой инструмент с собственными коммерческими условиями. С чисто инженерной точки зрения эти две модели настолько близки, что выбор часто сводится к форме развёртывания — локальный исполнитель против локального визуального ризонера, — но лицензия — единственная вводная, которая не меняется вместе с циклом бенчмарков, и перед тем как строить продукт на любой из них, стоит сверить её со своими собственными показателями выручки.

То, что каждый вендор оставил неизмеренным, и есть то, за чем стоит следить. Prism ML опубликовала процент сохранения, но не поведение модели с 1,76 битами на ваших данных по рабочим нагрузкам, а артефакт сжатия, составляющий 98,2% от среднего, всё ещё может быть неподходящим инструментом для той единственной категории, которая вас интересует — падение на коде, небольшое в совокупности, сильнее всего бьёт в каком-то конкретном месте. Liquid опубликовала агентную таблицу без независимой колонки и вообще без показателей извлечения на длинном контексте для окна в 131K. Оба пробела закрываются релизом бенчмарка, а не постом в блоге, и тот вендор, который выпустит его первым, продвинет спор гораздо дальше, чем это сделали последние 1,8 пункта.

Отслеживайте отключения и деградации моделей в реальном времени в нашем архиве инцидентов и узнайте, какие маршруты переключились без сбоев.