Beam 1.0 vs LFM2.5 2.6B Base: สับสเตรตที่ยังไม่เสร็จสมบูรณ์กับยักษ์ที่เสร็จสมบูรณ์แล้ว

โมเดลที่ยังไม่ได้รับการสอนให้ตอบคำถามกำลังถูกนำมาเปรียบเทียบกับโมเดลที่ได้รับการสอนให้วางแผน LFM2.5 2.6B Baseเป็นเช็กพอยต์พรีเทรนขนาด 2.698 พันล้านพารามิเตอร์ของ Liquid AI เผยแพร่เมื่อวันที่ 4 สิงหาคม 2026 ภายใต้ LFM Open License v1.0 และระบุไว้อย่างชัดเจนว่าเป็นฐานสำหรับการปรับแต่งละเอียด — มันรองรับข้อความเท่านั้น ประกอบด้วย 30 เลเยอร์ที่ผสมผสานการสังวัตนาการแบบไฮบริดและ grouped-query attention และยังไม่ผ่านการฝึกหลังการพรีเทรน Reflection Beam 1.0เป็นโมเดล sparse mixture-of-experts ที่มีพารามิเตอร์รวม 501.3 พันล้านตัว และมีพารามิเตอร์ที่ทำงานอยู่ 23.4 พันล้านตัว ผ่านการฝึกหลังการพรีเทรนด้วยขั้นตอนแบบมีผู้สอนและแบบเสริมกำลัง และเผยแพร่เป็นเวตที่ดาวน์โหลดได้เมื่อวันที่ 16 ตุลาคม 2026 ภายใต้ Apache 2.0 ต่อจากการประกาศเมื่อวันที่ 5 ตุลาคม 2026 ช่องว่างด้านขนาดอยู่ที่ 185 ต่อ 1 แต่ช่องว่างที่ตัดสินการเปรียบเทียบนี้จริง ๆ ไม่ใช่ขนาด — มันคือข้อเท็จจริงที่ว่าตัวหนึ่งเป็นวัตถุดิบดิบที่คุณตั้งการรันฝึกไว้ ส่วนอีกตัวเป็นผลิตภัณฑ์ที่คุณให้บริการ

ทั้งสองอยู่บน Hugging Face ทั้งสองดาวน์โหลดได้ในวันนี้ ทั้งสองคาดหวังให้คุณนำฮาร์ดแวร์มาเอง นั่นคือส่วนที่ทับซ้อนกันทั้งหมด และการนำมาอ่านเทียบกันเป็นวิธีที่มีประโยชน์ในการเห็นว่าระบบนิเวศ open-weights ติดป้ายสองสิ่งที่จัดไว้ใต้แท็กเดียวกันนั้นแตกต่างกันเพียงใด

สองฉบับที่เผยแพร่ ซึ่งบรรยายตามที่ผู้จัดพิมพ์ของแต่ละฉบับบรรยาย

LFM2.5 2.6B Baseมีชื่อเต็มว่า LFM2.5-2.6B-Base การ์ดของโมเดลระบุว่ามีพารามิเตอร์รวม 2.698 พันล้านตัว จำนวน 30 เลเยอร์ ในจำนวนนี้ 22 เลเยอร์เป็นบล็อก double-gated short convolution และแปดเลเยอร์เป็น grouped-query attention มีงบประมาณการฝึก 34 ล้านล้านโทเค็น คำศัพท์ 128,000 โทเค็น และความยาวคอนเท็กซ์ 131,072 โทเค็น รองรับ 16 ภาษา มันเป็นหนึ่งในคู่โมเดล: Liquid AI ยังเผยแพร่ LFM2.5-2.6B ซึ่งผ่านการฝึกต่อสำหรับงานเอเจนต์ และนี่คือเช็คพอยต์ดิบที่ทุกรุ่นย่อยในตระกูลนี้สืบทอดมา คำอธิบายบนการ์ดสำหรับโมเดลฐานระบุว่ามันเป็นเช็คพอยต์ข้อความล้วนที่ผ่านการฝึกมาก่อน ซึ่งใช้สร้างรุ่นย่อยอื่นทั้งหมด ปัจจุบันมีอนุพันธ์ที่ผ่านการปรับละเอียดแล้ว 16 รุ่นอยู่ภายใต้โมเดลนี้บน Hub

Beam 1.0 เป็นการจัดวางแบบตรงกันข้าม Reflection มาพร้อมพารามิเตอร์รวม 501.3B โดยมี 23.4B ที่แอ็กทีฟต่อโทเคน ครอบคลุม 52 เลเยอร์ — สามเลเยอร์เป็นแบบ dense และอีก 49 เลเยอร์เป็นแบบ mixture-of-experts โดยมีผู้เชี่ยวชาญ 256 ตัว และกำหนดเส้นทางครั้งละแปดตัวในคอนฟิกนี้ หน้าต่างบริบทมีขนาด 1,000,000 โทเคน มอดาลิตีเป็นข้อความเท่านั้น และการ์ดระบุไว้เช่นนั้นอย่างตรงไปตรงมา ตัวโมเดลมีสามความแม่นยำ ได้แก่ BF16, FP8 และ NVFP4 พร้อมดราฟเตอร์ DFlash2 ขนาด 2B สำหรับ speculative decoding เทมเพลตแชตของมันใช้รูปแบบ Harmony ที่ดัดแปลงแล้ว โดยมีช่อง analysis และ final รวมถึงการตั้งค่า reasoning-effort ที่มีหกระดับซึ่งตั้งชื่อไว้ รีโพซิทอรีสี่แห่งของมันเผยแพร่ในวันเดียวกัน คือวันที่ 16 ตุลาคม 2026 และ Artificial Analysis บันทึกการเปิดตัวไว้บนหน้ารุ่นของตนว่าเป็นวันที่ 16 ตุลาคม 2026

อ่านสองย่อหน้านั้นอีกครั้ง แล้วรูปร่างของสิ่งนี้ก็ปรากฏขึ้น Liquid AI เผยแพร่คอมโพเนนต์หนึ่งชิ้น Reflection เผยแพร่ระบบที่เสร็จสมบูรณ์พร้อมรูปแบบการส่งข้อมูลและปุ่มปรับระดับความพยายาม ทั้งคู่ถูกเรียกว่า “open” และคำนี้กำลังทำหน้าที่สองอย่างที่แตกต่างกัน

ใบอนุญาตคือจุดที่ทั้งสองแตกต่างกันมากที่สุด

นี่คือการเปรียบเทียบที่คุณไม่สามารถได้จากการนับจำนวนพารามิเตอร์ และมันคือสิ่งที่มีผลในทางปฏิบัติมากที่สุด

Beam 1.0 ใช้สัญญาอนุญาต Apache 2.0 ซึ่งเป็นไลเซนส์แบบผ่อนปรนมาตรฐานที่ไม่มีเพดานจำนวนผู้ใช้ ไม่มีเกณฑ์ผู้ใช้งานรายเดือน และไม่มีแพ็กเกจเชิงพาณิชย์แยกต่างหาก ดาวน์โหลดไป ไฟน์จูน แจกจ่ายงานดัดแปลง และขายผลลัพธ์ได้เลย การ์ดนี้ยังมาพร้อม Responsible Use Guide และรายงานทางเทคนิคด้านความปลอดภัยแยกต่างหาก ซึ่งเป็นเอกสารนโยบายมากกว่าข้อจำกัดของไลเซนส์ — เอกสารเหล่านี้กำกับดูแลการใช้งานที่ยอมรับได้ ไม่ได้กำกับน้ำหนักโมเดล

LFM2.5 2.6B Base ไม่ใช่เช่นนั้น Hub ติดแท็กมันว่า license:other และระบุชื่อสัญญาอนุญาตว่า LFM Open License v1.0 ความแตกต่างในทางปฏิบัติไม่ใช่ว่าอันหนึ่งอนุญาตแบบเสรีและอีกอันไม่ใช่ — สัญญาอนุญาตของ Liquid AI ถูกเขียนขึ้นเพื่อการใช้งานแบบเปิด — แต่คือสัญญาอนุญาตทั้งสองต้องอ่านให้แตกต่างกัน และมีเพียงอันเดียวเท่านั้นที่สรุปได้ในหนึ่งประโยค หากแผนของคุณเกี่ยวข้องกับการเผยแพร่ต่องานดัดแปลงในเชิงพาณิชย์ ฝั่ง Apache 2.0 ของหน้านี้ไม่ต้องวิเคราะห์ใด ๆ ส่วนฝั่ง LFM ต้องให้คุณอ่านสัญญาอนุญาต เพราะสัญญาอนุญาตแบบกำหนดเองนั้นโดยนิยามแล้วคือเอกสารที่ใครบางคนตั้งใจเขียนขึ้น

ความไม่สมมาตรนั้นกลับทิศทางกันในแกนอีกแกนหนึ่ง เช็กพอยต์ของ Liquid AI เป็นโมเดลข้อความแบบ dense ที่มี 2.698 พันล้านพารามิเตอร์ ซึ่งหมายความว่าคำถามเรื่องสัญญาอนุญาตนั้นผูกอยู่กับสิ่งที่คุณวางบน GPU สำหรับผู้บริโภคเพียงตัวเดียวหรืออุปกรณ์ Edge ได้ การอนุญาตภายใต้ Apache 2.0 ของ Reflection ผูกอยู่กับโมเดลขนาด 501 พันล้านพารามิเตอร์ ซึ่งน้ำหนักแบบ bfloat16 ของมันมีขนาดราวหนึ่งเทระไบต์ และเวอร์ชันสี่บิตของมันยังระบุไว้ที่ 255B สัญญาอนุญาตแบบเปิดกว้างบนโมเดลที่คุณโฮสต์ไม่ได้เป็นอิสระคนละแบบกับสัญญาอนุญาตแบบกำหนดเองบนโมเดลที่คุณโฮสต์ได้

สิ่งที่โมเดลฐานทำได้และทำไม่ได้

บทความเกี่ยวกับเช็กพอยต์ฐานต้องพูดให้ตรง ๆ แบบนี้ เพราะนี่เป็นวิธีที่พบบ่อยที่สุดที่ผู้คนใช้ผลาญเวลาทั้งบ่ายไป LFM2.5 2.6B Base ยังไม่ได้รับการปรับแต่งให้ทำตามคำสั่ง มันจะต่อข้อความของคุณให้ มันจะไม่ตอบคำถามของคุณ ไม่ทำตามรูปแบบของคุณ ไม่เรียกใช้เครื่องมือของคุณ หรือหยุดเมื่อคุณต้องการให้มันหยุด มันเป็นจุดเริ่มต้นที่พฤติกรรมของมันจะเป็นอะไรก็ตามที่คุณฝึกให้มันเป็น และ Liquid AI ระบุไว้เช่นนั้นในคำอธิบายโมเดล แทนที่จะปล่อยให้ผู้ใช้ไปค้นพบเอง

นั่นไม่ใช่ข้อบกพร่อง และไม่ใช่เวอร์ชันย่อส่วนของ Beam 1.0 การรันพรีเทรนที่ใช้โทเคน 34 ล้านล้านโทเคน และสถาปัตยกรรมไฮบริด 30 เลเยอร์คือตัวผลิตภัณฑ์ การไม่มี alignment ต่างหากคือประเด็น เพราะ alignment ขึ้นอยู่กับงานแต่ละงาน และแล็บที่ปล่อยโมเดลฐานออกมากำลังจงใจมอบการตัดสินใจนั้นให้กับผู้ที่เป็นเจ้าของงาน โมเดลอนุพันธ์ 16 ตัวบน Hub คือหน้าตาของแนวทางนี้ในทางปฏิบัติ

ผลที่ตามมาสำหรับการประเมินคือไม่มีตาราง benchmark ให้เปรียบเทียบ การ์ดของ Beam 1.0 มีตารางเต็มรูปแบบ — SWE-bench Verified 81.6% บน BF16, Terminal Bench v2.1 80.1, GPQA Diamond 90.6, AIME 2026 97.7, LiveCodeBench 88.3, MCP Atlas 80.8, IFBench 79.6 ทั้งหมดเป็นข้อมูลที่ผู้ขายรายงาน และไม่มีผู้ใดที่สามทำซ้ำได้ — เพราะมันเป็นโมเดลที่ผ่านการฝึกหลังการฝึก (post-trained) ซึ่งสร้างมาสำหรับงานที่มีชื่อเรียกเฉพาะ และนั่นคือหลักฐานที่ผู้ซื้อต้องการ LFM2.5 2.6B Base ไม่มีเลย โดยการออกแบบ ไม่มีอะไรให้ให้คะแนน: คุณภาพของ checkpoint ขึ้นอยู่กับว่าการ fine-tune ของคุณทำให้มันเป็นอย่างไร และจุดเปรียบเทียบที่ซื่อสัตย์คือการรันฝึก ไม่ใช่แถวใน leaderboard

เงินไปไหน

ทั้งสองรุ่นนี้ไม่มีอยู่ในแค็ตตาล็อกของ OrcaRouter สิ่งที่เราให้บริการในฐานะเราเตอร์คือโลกของโมเดลที่ให้บริการซึ่งอยู่รายรอบทั้งสองรุ่นนี้: โมเดลมากกว่า 200 รุ่นภายใต้คีย์เดียวที่เข้ากันได้กับ OpenAI ส่งต่อราคาตามรายการของผู้ให้บริการโดยบวกเพิ่ม 0%, พร้อมการสลับสำรองอัตโนมัติข้ามผู้ให้บริการ เพื่อให้เส้นทางที่คุณภาพลดลงถูกจัดเส้นทางใหม่แทนที่จะล้มเหลว นั่นเป็นสิ่งที่ควรกล่าวถึงตรงนี้ด้วยเหตุผลเฉพาะ เพราะโมเดลสองรุ่นในหน้านี้อยู่คนละสุดของคำถามด้านการจัดซื้อเดียวกัน

LFM2.5 2.6B Base ดาวน์โหลดฟรี แต่การใช้งานมีค่าใช้จ่ายมหาศาล ในความหมายที่ว่าต้นทุนคือการรันเทรนหนึ่งครั้งกับอุปกรณ์หนึ่งเครื่อง Beam 1.0 ดาวน์โหลดฟรี แต่การใช้งานมีค่าใช้จ่ายมหาศาล ในความหมายที่ว่าต้นทุนคือการให้บริการ MoE ขนาด 501B และ ณ เวลาที่เขียนนี้ Reflection ไม่ได้เผยแพร่อัตราค่า API Artificial Analysis บันทึกช่องข้อมูลราคาบนหน้าเพจของ Beam ว่าไม่พร้อมใช้งาน และระบุว่าไม่มี API ที่เปิดให้สาธารณะใช้งาน สิบสองวันหลังการประกาศ โมเดลที่มีตาราง benchmark พารามิเตอร์ 501 พันล้านตัวก็ยังไม่มีตัวเลขใดบนนั้นที่ทีมการเงินจะนำไปใช้ได้

สำหรับผู้อ่านที่ความต้องการจริงคือการทำอินเฟอเรนซ์ในสัปดาห์นี้ บนเวิร์กโหลดที่โมเดลทั้งสองไม่ได้ถูกออกแบบมาเพื่อรองรับ — ไม่ว่าจะเป็นเครื่องมือสรุปความ ตัวแยกประเภท หรืออินเทอร์เฟซแชท — การตัดสินใจไม่ได้อยู่ระหว่างสองตัวนี้ แต่อยู่ระหว่างการไฟน์ทูนพารามิเตอร์ 2.698 พันล้านตัวด้วยตัวคุณเอง กับการเช่าสิ่งที่จัดแนวและกำหนดราคาไว้แล้ว และตัวเลือกที่สองคือสิ่งที่คุณสามารถวัดได้ก่อนที่คุณจะตัดสินใจ

Which one you are actually looking for

เลือก LFM2.5 2.6B Baseหากปัญหาของคุณเจาะจงแคบกว่าผู้ช่วยทั่วไป เหตุผลที่ควรเลือกเช็กพอยต์ฐานขนาดเล็กคือคุณมีงานเฉพาะ มีข้อมูล และคุณอยากเป็นเจ้าของชิ้นงานมากกว่าจะเช่าเรียกใช้งาน บริบท 131,072 โทเคนถือว่าใจกว้างสำหรับขนาดนี้ การรองรับ 16 ภาษานั้นมีจริง สแต็กคอนโวลูชันแบบไฮบริดถูกเลือกมาเพื่อปริมาณงานบนอุปกรณ์ และสัญญาอนุญาตให้คุณเผยแพร่สิ่งที่คุณสร้างได้ สิ่งที่คุณกำลังลงมือทำคือไปป์ไลน์การปรับละเอียด ฮาร์เนสสำหรับประเมินผล และการตัดสินใจด้านการจัดแนว — ซึ่งไม่มีสิ่งใดที่เช็กพอยต์มอบให้

เลือก Beam 1.0 หากงานของคุณเป็นหนึ่งในงานที่การ์ดของมันระบุชื่อไว้: การเขียนโค้ด การใช้เครื่องมือ การให้เหตุผลระดับรีโพซิทอรี และการทำงานแบบเอเจนต์ในระยะยาว ตารางการประเมินมุ่งตรงไปที่งานเหล่านั้นโดยเฉพาะ คอนเท็กซ์ 1M โทเคนสอดคล้องกับมัน บิลด์ FP8 และ NVFP4 ทำให้เรื่องฮาร์ดแวร์จัดการได้ง่ายกว่าที่ 501B ชี้ไว้ และสัญญาอนุญาต Apache 2.0 เปิดทางให้สร้างงานดัดแปลงเชิงพาณิชย์ได้ สิ่งที่คุณกำลังสมัครใช้นั้นคือโครงสร้างพื้นฐานสำหรับการให้บริการ งบประมาณการให้เหตุผลที่เปิดอยู่ตลอดซึ่งเทมเพลตจะไม่ให้คุณปิด และการประเมินต้นทุนที่คุณต้องสร้างขึ้นเองเพราะผู้ขายยังไม่ได้เผยแพร่ข้อมูลดังกล่าว

สองโมเดลนี้ไม่ได้แข่งขันกัน และการเปรียบเทียบก็คุ้มค่าที่จะทำก็เพราะมันแสดงให้เห็นว่า "น้ำหนักเปิด" (open weights) บอกอะไรได้น้อยเพียงใดด้วยตัวมันเอง ผู้เผยแพร่รายหนึ่งมอบส่วนประกอบหนึ่งชิ้นและงบประมาณการฝึกให้ ส่วนอีกรายมอบระบบที่มีโปรโตคอลการสื่อสารและสัญญาอนุญาตที่คุณคัดลอกไปวางในกระบวนการตรวจสอบทางกฎหมายได้ การอ่านให้ออกว่าคุณได้รับแบบไหนก่อนจะดาวน์โหลดคือเนื้อแท้ของงานนี้

อะไรจะทำให้ภาพเปลี่ยนไป

ราคา API ของ Beam 1.0 ที่เปิดเผยต่อสาธารณะ หรือการดีพลอย FP8 แบบโฮสต์พร้อมตารางอัตราค่าบริการ จะย้ายโมเดลนั้นจากคอลัมน์ "สร้างประมาณการขึ้นมาเอง" ไปสู่คอลัมน์ "เทียบตัวเลขกันตรง ๆ" และมันคือแถวเดียวที่ยังขาดหายไปในเอกสารของโมเดลนี้ การวัดประสิทธิภาพแบบอิสระบนเวตของ Beam — ซึ่งตอนนี้เป็นไปได้แล้ว เนื่องจากเวตเป็นสาธารณะ — จะช่วยให้ตารางผู้จำหน่ายมีผู้ตัดสินคอยตรวจสอบ ซึ่งเป็นสิ่งที่ LFM2.5 2.6B Base ไม่มีทางมีได้ เพราะยังไม่มีอะไรให้วัดคะแนน จนกว่าหนึ่งในสองสิ่งนั้นจะเกิดขึ้น สรุปที่แม่นยำก็คือ ทั้งเช็กพอยต์ฐานขนาด 2.7 พันล้านพารามิเตอร์ และ MoE ที่ผ่านการฝึกหลังการเทรนขนาด 501 พันล้านพารามิเตอร์ ต่างก็ดาวน์โหลดได้ฟรีทั้งคู่ แต่มีค่าใช้จ่ายในการดำเนินงานสูงด้วยสกุลเงินที่แตกต่างกันโดยสิ้นเชิง และไม่มีตัวใดทดแทนอีกตัวได้

การเปรียบเทียบเช่นนี้ก็เป็นจุดที่รูปแบบความล้มเหลวปรากฏให้เห็นเช่นกัน: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในคลาสนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive ซึ่งแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความเชื่อมั่น และแฟล็กข้อโต้แย้งของตนเอง