PAN 2 против LFM2.5-2.6B-Base: два типа чекпоинтов, предназначенных для дообучения

Первое, что бросается в глаза в LFM2.5-2.6B-Base, — это слово Base. Чекпоинт Liquid AI на 2,69 млрд параметров — это не модель, с которой вы ведёте диалог; это предобученная основа, из которой создаются прошедшие постобучение варианты LFM2.5-2.6B, опубликованная для того, чтобы другие могли создавать собственные. PAN 2 — объект того же рода, только в тридцать раз крупнее: диффузионный трансформер на 29 млрд параметров от Institute of Foundation Models при MBZUAI, опубликованный под Apache-2.0 вместе с конфигурациями обучения в репозитории и предназначенный для адаптации, а не просто для использования. Рядом они выглядят абсурдно: одна — языковая модель, которую можно запустить на ноутбуке, другая — видеомодель мира, которой нужны четыре B300s. Но оба — базовые артефакты с прилагаемой лицензией, и для тех, чья реальная работа состоит в том, чтобы взять чекпоинт и заставить его делать то, для чего он не обучался, интересное сравнение вовсе не в возможностях. А в том, что каждый из них даёт вам в работу и во что обходится держать эту штуку, пока вы разбираетесь.

Начните с лицензии, потому что это единственное серьёзное отличие.

Собственный код и веса PAN 2 распространяются по Apache-2.0. Сторонние компоненты — Qwen3.5-9B в качестве текстового энкодера, Wan 2.2 в качестве VAE, Diffusers — используются на их собственных условиях и не распространяются MBZUAI; вы загружаете их у их авторов. Это чистая, скучная и удобная для корпоративных юристов схема, и именно она является главной причиной, по которой компания с процессом проверки вообще может внедрить PAN 2.

LFM2.5-2.6B-Base выпускается по лицензии LFM1.0, которую Hugging Face указывает как другую со ссылкой на файл LICENSE, а не с идентификатором SPDX. Это не критика — лицензия Liquid разрешает коммерческое использование до порога выручки, что является обычной и разумной формой для релиза с открытыми весами — но это иная форма, чем Apache-2.0, и это различие не является деталью, которую вы обнаружите после дообучения. Если у вашей юридической команды есть список предварительно одобренных лицензий, одна из этих двух моделей в нём есть, а вторая требует разговора.

Эта асимметрия противоположна соотношению числа параметров, и над этим стоит задуматься. Крошечная модель — та, что с оговорками; огромную же можно выпускать, ни у кого не спрашивая.

Что на самом деле даёт вам базовый чекпоинт

LFM2.5-2.6B-Base — гибридная архитектура: тридцать слоёв, из которых двадцать два — блоки короткой свёртки с двойным гейтированием, а восемь — групповое внимание запросов (grouped-query attention). Именно эта комбинация и составляет суть линейки LFM: свёрточные блоки дешевы при длинных последовательностях, а блоки внимания обеспечивают запоминание; поэтому модель может поддерживать контекст в 131 072 токена при 2,69 млрд параметров. Обучение прошло на 34 трлн токенов со словарём в 128 000 токенов и охватом шестнадцати языков, включая арабский, японский, корейский, тайский и вьетнамский.

Чего у него нет, так это какого-либо пост-обучения. Ни инструкционного тюнинга, ни заслуживающего упоминания шаблона чата, ни выравнивания по безопасности. Базовая модель предсказывает следующий токен — и это всё, что она делает, что делает её неподходящей для оценки на бенчмарке следования инструкциям и подходящей для оценки того, как быстро LoRA сходится на вашем домене. Liquid публикует пост-обученного собрата отдельно, и наличие сборок GGUF и ONNX этого собрата — самое ясное заявление о намерениях: это семейство предназначено для запуска на устройствах, которыми вы владеете.

PAN 2 даёт вам значительно больше готовой инфраструктуры — и меньше свободы в одном конкретном отношении. В репозитории поставляются конфиги обучения как для предварительного обучения, так и для контролируемого дообучения — config/pretrain_29B_720p.yaml и config/sft_29B_720p.yaml — а документация велит направить их пути к данным на ваши собственные латенты. То есть путь дообучения существует. Но данные, которые он ожидает, — не текст. Это видео-латенты, размеченные в определённом структурированном формате подписей: события по порядку, действия, привязанные к актёрам, движение камеры, в пределах бюджета текстового энкодера в 1 536 токенов. Если вы хотите дообучить PAN 2 на вашей предметной области, ваш первый проект — не запуск обучения. Это конвейер данных, который превращает ваши видеоматериалы в этот формат, и репозиторий даёт вам валидатор, но не аннотатор.

• Вычислительные ресурсы для дообучения — LFM2.5-2.6B-Base: одна GPU, LoRA на рабочей станции, часы, а не недели. PAN 2: трансформер объёмом 67,37 ГБ в BF16 без учёта состояния оптимизатора, плюс замороженный энкодер на 15,87 ГБ и VAE, на видеолатентах. Многоузловая конфигурация, и никто не опубликовал рецепт.

• Данные, которые вы должны предоставить — LFM2.5-2.6B-Base: текст в любом формате, который использует ваша задача. PAN 2: видео плюс структурированные подписи состояния мира в схеме репозитория.

• Что вы получаете на выходе — LFM2.5-2.6B-Base: генератор текста, а после постобучения — ассистент или политика агента. PAN 2: видео длительностью до 20 секунд с разрешением 704×1248 и частотой 24 кадра/с, показывающее последствие действия.

• Лицензия — LFM2.5-2.6B-Base: LFM1.0, другое, прочитайте её. PAN 2: Apache-2.0 на собственные веса.

О единственном бенчмарке, где они почти сходятся

Существует реальное пересечение, и оно достаточно мало, чтобы быть интересным. В карточке модели MiniCPM5-2B от OpenBMB модель LFM2.5-2.6B сравнивается по бенчмаркам с собственной 2B-моделью и рядом других, и одна из строк — длинный контекст. На AA-LCR OpenBMB сообщает 5,3 для LFM2.5-2.6B против 59,0 для MiniCPM5-2B. На NoLiMa — 0,7 против 68,1. На LongBench v2 — 30,3 против 43,7.

Это цифры, заявленные конкурентом и полученные на харнессе конкурента, а у карточки модели, которая их публикует, есть очевидная заинтересованность в таком сравнении. Но масштаб разрыва в двух самых сложных тестах на длинный контекст — не тот случай, который можно списать на выбор харнесса, и это полезная поправка к трактовке «контекста в 131 072 токена» как заявления о возможностях. Контекстное окно — это ёмкость; вспоминание на длинной дистанции — это поведение. У Base-чекпоинта есть первая, а второго, судя по сторонним данным, немного — именно поэтому предполагается дообучение, а не готовый помощник по длинным документам «из коробки».

У PAN 2 нет эквивалентной перекрёстной проверки. Никто за пределами MBZUAI не проводил его бенчмаркинг, и собственные цифры из карточки модели — единственные, что существуют. Это более слабая доказательная позиция, чем у LFM2.5-2.6B-Base, хотя запускать модель в сто раз дороже — напоминание о том, что независимая оценка следует за внедрением, а внедрение — за возможностью вообще запустить эту вещь.

Стоимость удержания каждой контрольной точки

LFM2.5-2.6B-Base насчитывает около 2,7 млрд параметров. В BF16 это порядка 6 ГБ весов — с запасом, а GGUF-сборки дообученной версии этой модели укладываются и в куда меньший объём. Её можно держать постоянно загруженной на той же машине, что и остальной ваш стек, дообучить за ночь и попросту забыть о её существовании.

PAN 2 — это 86,17 ГБ в шестидесяти файлах, и важна не общая сумма, а структура. Трансформер занимает 67,37 ГБ, и каждый inference-воркер хранит полную копию — собственный скрипт инференса из репозитория запускает по одному воркеру на GPU, и каждый берёт каждый N-й промпт, потому что в этом пути нет тензорно-параллельного шардирования. Рецепт для vLLM — это шардированный вариант, и его главное обещание — тринадцать секунд видео 704×1248 примерно за 119 секунд на четырёх B300 с параллелизмом classifier-free guidance на двух рангах и Ulysses-параллелизмом последовательностей на двух. По умолчанию используются восемь H200. Сэмплер на пятьдесят шагов с guidance на каждом шаге означает сто прямых проходов на клип, и именно эта арифметика стоит за каждым выбором конфигурации в рецепте.

Итак, честное сравнение затрат — это не «6 ГБ против 86 ГБ». Оно звучит так: «нулевая предельная стоимость за один инференс против много-GPU-узла на каждые две минуты выходного материала». Дообученная модель на 2,6 млрд параметров, отвечающая на запрос, не стоит ничего измеримого. Дообученная PAN 2, рендерящая двадцатисекундный клип, занимает GPU-узел на три минуты, и вы запустите её сотни раз, прежде чем узнаете, сработало ли дообучение.

Там, где маршрутизатор касается любого из них

Ни одну из этих моделей нельзя обслужить через слой маршрутизации. LFM2.5-2.6B-Base — это базовый чекпоинт без хостируемой конечной точки, на которую стоило бы направлять запросы: это файл, который вы скачиваете. У PAN 2 вообще нет хостируемой конечной точки — ни от MBZUAI, ни от кого-либо ещё. Если в вашем плане фигурирует любая из них, в нём фигурируют GPU.

Причина, по которой всё же стоит упомянуть маршрутизацию, заключается в том, что почти никто не развёртывает базовую модель изолированно. Дообученная LFM2.5 — один из компонентов приложения, которому также нужен универсальный модуль рассуждений, а симуляция PAN 2 — один из этапов конвейера, первый этап которого — языковая модель, пишущая структурированные подписи. Именно этот окружающий слой — то место, где единый API для более 200 моделей стоит иметь: вы держите дообученный чекпоинт на собственном оборудовании, направляете обычные вызовы через OrcaRouter по прайсовой цене провайдера с наценкой 0%, передаваемой напрямую, и получаете автоматическое переключение при сбое, когда у провайдера выдаётся плохой час. Конкретно для конвейера PAN 2 этап подписей — эластичная часть: в отчёте Claude Opus 5.5, GPT-6 Astra, Kimi K3 и Qwen3.8-Flash ранжируются по завершению полного плана, а Qwen3.8-Flash доступен на OrcaRouter, так что вы можете проверить, какой планировщик действительно завершает ваши планы, не разворачивая четыре модели.

OrcaRouter не будет размещать ни один из этих чекпоинтов. Утверждать обратное — это было бы заявление, которое звучит как функция, а ведёт себя как баг.

Что скрывает формулировка базовой модели

Оба этих релиза в строгом смысле незавершены. LFM2.5-2.6B-Base по своему замыслу не имеет инструкционной настройки; в PAN 2 есть раздел ограничений, где сказано, что примерно в двух из трёх смоделированных планов содержится как минимум один шаг, который не выполняется. Ни один из них не является продуктом. Разница в том, что означает «незавершённый» в каждом случае.

Для LFM2.5-2.6B-Base «незавершённость» — это всего лишь этап конвейера, который поставщик уже прошёл дальше: модель после пост-обучения существует, квантованные сборки существуют, а базовый чекпойнт опубликован для тех, кто хочет пойти своим путём. Этот разрыв намеренен и задокументирован.

Для PAN 2 незавершённость — это состояние всего релиза. Веса опубликованы, поддержка во фреймворке появилась 10 ноября, и единственное, что кто-либо публично об этом сказал, — это пост из двух абзацев в собственном аккаунте лаборатории в X в тот же день после обеда. Его ограничения — не дизайнерский выбор, переданный пользователям ниже по потоку; это открытые проблемы, которые команда называет публично. Если вы дообучаете PAN 2, вы наследуете эти проблемы вместе с весами.

Вот это и есть настоящее сравнение, и оно не сводится к рекомендации между двумя моделями, потому что они не взаимозаменяемы. Оно сводится к вопросу о вашем проекте: вы адаптируете проверенный компонент или строите на исследовательском артефакте, режимы отказов которого всё ещё измеряются? LFM2.5-2.6B-Base — это первый. PAN 2 — второй, и лицензия Apache-2.0 — единственная причина, по которой второй вариант вообще возможен.