Intern-Decision-0.8B vs LFM2.5 2.6B Base: สองวิธีในการสร้างบางสิ่งด้วยตัวคุณเอง

วาง Intern-Decision-0.8B ไว้ข้าง ๆ LFM2.5 2.6B Base แล้วข้อสังเกตแรกที่ตรงไปตรงมาคือ ไม่มีตัวไหนเลยที่เป็นผลิตภัณฑ์ในความหมายที่ผู้ซื้อโดยทั่วไปหมายถึง Intern-Decision-0.8B คือเช็กพอยต์ที่ InternLM อัปโหลดขึ้น Hugging Face เมื่อวันที่ 26 กันยายน 2026 โดยไม่มีการประกาศใด ๆ เลย — เป็นไฟน์จูนขนาด 852,985,920 พารามิเตอร์ของ Qwen3.5-0.8B ที่ตอบคำถามที่พิมพ์เข้าไปและไม่ส่งข้อความใด ๆ ออกมา เผยแพร่ภายใต้ Apache 2.0 พร้อมลิงก์ GitHub ที่ขึ้น 404 ส่วน LFM2.5 2.6B Base คือเช็กพอยต์ข้อความพรีเทรนด์ขนาด 2.69 พันล้านพารามิเตอร์ของ Liquid AI ที่โพสต์เมื่อวันที่ 1 สิงหาคม 2026 เพื่อเป็นรากฐานสำหรับตระกูล LFM2.5 และการ์ดของมันเองระบุว่า "แนะนำสำหรับงานที่ต้องอาศัยการไฟน์จูนอย่างหนักเท่านั้น" ตัวหนึ่งเสร็จสมบูรณ์และจำกัดขอบเขต อีกตัวยังไม่เสร็จสมบูรณ์และครอบคลุมทั่วไป ทั้งสองถือว่าคุณคือคนที่ต้องลงมือทำงาน และงานนั้นก็ไม่ใช่งานเดียวกัน

ความแตกต่างนั้นคือการเปรียบเทียบทั้งหมด และเป็นเหตุผลว่าทำไมตารางสเปกแบบตรงไปตรงมาจะทำให้เข้าใจผิด คำถามที่ผู้อ่านมีจริง ๆ คือ "ฉันควรดาวน์โหลดอันไหนในบรรดาสิ่งเหล่านี้" และคำตอบนั้นขึ้นอยู่กับว่าสิ่งที่คุณต้องสร้างเป็นชั้นการตัดสินใจหรือความสามารถทางภาษา ซึ่งเป็นโครงการที่แตกต่างกันและมีกรอบเวลาที่แตกต่างกัน

สิ่งที่แต่ละโมเดลมอบให้คุณ

Intern-Decision-0.8B มาพร้อมในฐานะระบบที่ใช้งานได้ รีโพซิทอรีมี inference.py/, ซึ่งเป็น DecisionEngine/ คลาส, สคีมาคำขอที่มีเอกสารกำกับและสคีมาตอบกลับ, และตัวอย่างการใช้งานที่คุณรันได้หลังจากติดตั้งดีเพนเดนซี Python ที่ปักหมุดไว้สี่รายการ คุณส่งสถานะ, คำถามที่มีชื่อหนึ่งถึงสิบหกข้อ โดยแต่ละข้อมีตัวเลือกได้ถึง 62 ตัวเลือก, และสามารถส่งรูปภาพได้สูงสุดแปดรูปหากต้องการ, แล้วคุณจะได้รับกลับมาเป็นการแจกแจงที่คาลิเบรตแล้วพร้อมป้าย argmax ต่อฟิลด์ เอนจินอ่านโลจิทที่ตำแหน่งคงที่ในโครงร่างที่เรนเดอร์ไว้ล่วงหน้า แทนที่จะสร้างสิ่งใด ๆ จึงไม่มีขั้นตอนถอดรหัส ไม่มีโทเคนเอาต์พุต และไม่มี JSON ที่ต้องซ่อมแซม มันทำงานจากไฟล์ประมาณ 1.73 GB

LFM2.5 2.6B Base มอบสิ่งที่ตรงกันข้ามให้คุณ นั่นคือความสามารถดิบที่ไม่มีอินเทอร์เฟซ มันเป็นโมเดลภาษาศาสตร์เชิงสาเหตุแบบข้อความล้วน มี 30 เลเยอร์ จัดเรียงเป็นบล็อก short-convolution แบบ double-gated 22 บล็อก และเลเยอร์ grouped-query-attention 8 เลเยอร์ ได้รับการฝึกฝนล่วงหน้าด้วยโทเค็นประมาณ 34 ล้านล้านโทเค็นครอบคลุม 16 ภาษา มีคำศัพท์ขนาด 128,000 โทเค็น และหน้าต่างบริบทขนาด 131,072 โทเค็น มันไม่มีการปรับแต่งตามคำสั่งเป็นของตัวเอง และไม่มีเกณฑ์มาตรฐานงานอยู่บนการ์ด เพราะเช็คพอยต์ฐานไม่ถูกให้คะแนน — โมเดลที่คุณฝึกจากมันต่างหากที่ถูกให้คะแนน ไปป์ไลน์หลังการฝึกของ Liquid เองคือสิ่งที่เปลี่ยนมันให้กลายเป็น LFM2.5-2.6B แบบ agentic และไปป์ไลน์นั้นคือสิ่งที่คุณถูกขอให้ทำซ้ำ ไม่ว่าบางส่วนหรือทั้งหมด สำหรับโดเมนของคุณเอง

ดังนั้นแกนไม่ใช่ขนาด แต่คือว่าส่วนที่ขาดหายไปเป็นสัญญาการตัดสินใจหรือการรันเทรน

กระดานคะแนน พร้อมข้อแม้ที่แนบมาด้วย

• เวลาจนถึงผลลัพธ์แรก — Intern-Decision-0.8B: ใช้เวลาแค่หนึ่งบ่าย โหลดเช็กพอยต์แล้วเรียก predict()/. LFM2.5 2.6B Base: ใช้เวลานานเท่ากับการรัน continued pre-training หรือ SFT ของคุณ บวกกับงานเตรียมข้อมูล

• พารามิเตอร์ — Intern-Decision-0.8B: 852,985,920 กระจายอยู่ใน language shard ขนาด 1.50 GB, vision shard ขนาด 176 MB และ projector ขนาด 25 MB. LFM2.5 2.6B Base: 2.69B, น้ำหนักประมาณ 2.5 GB.

• รูปแบบอินพุต — Intern-Decision-0.8B: ข้อความพร้อมรูปภาพสูงสุดแปดรูป โดยมีเวตด้านวิชันอยู่ในรีโป LFM2.5 2.6B Base: ข้อความเท่านั้นตามการออกแบบ — งานด้านมัลติโมดัลในตระกูล LFM2.5 อยู่ในตัวแปร VL

• บริบทในทางปฏิบัติ — Intern-Decision-0.8B: 8,192 โทเคน ถูกปฏิเสธแทนที่จะถูกตัดทอน ทั้งที่ในคอนฟิกมี maximum position embedding สูงสุดถึง 262,144 LFM2.5 2.6B Base: 131,072 โทเคนแบบเนทีฟ

• เอาต์พุต — Intern-Decision-0.8B: การแจกแจงความน่าจะเป็นที่คาลิเบรตแล้ว และป้ายกำกับ argmax ต่อฟิลด์ ให้ผลแบบดีเทอร์มิสติก LFM2.5 2.6B Base: ข้อความต่อเนื่อง แบบสุ่มตัวอย่าง

• เกณฑ์มาตรฐาน — Intern-Decision-0.8B: ตารางจากผู้จำหน่ายแบบครบถ้วนครอบคลุมเกณฑ์มาตรฐานเจ็ดรายการ ซึ่งไม่มีใครทำซ้ำได้ LFM2.5 2.6B Base: ไม่มีการเผยแพร่สำหรับตัว base เอง โดยเป็นการออกแบบไว้เช่นนั้น

• สัญญาอนุญาต — Intern-Decision-0.8B: Apache 2.0 พร้อมด้วย LICENSE-QWEN/ ที่เก็บรักษาไว้สำหรับเวทอัปสตรีม LFM2.5 2.6B Base: LFM Open License v1.0.

แถวใบอนุญาตสมควรมีส่วนของตัวเอง

การ์ดทั้งสองใบเขียนว่า "open" และคำสองคำนั้นมีความหมายแตกต่างกันอย่างมีนัยสำคัญ Intern-Decision-0.8B อยู่ภายใต้ Apache 2.0 — ไม่มีเงื่อนไขเรื่องรายได้ ไม่มีข้อจำกัดด้านขอบเขตการใช้งาน และไม่มีข้อตกลงเชิงพาณิชย์แยกต่างหากให้ต้องเจรจา ไฟล์สัญญาอนุญาตใบที่สองในที่เก็บโค้ดคือสัญญาอนุญาต Qwen ที่สืบทอดมา เนื่องจากโมเดลนี้เป็นอนุพันธ์ของ Qwen3.5-0.8B ซึ่งเป็นการจัดการที่ถูกต้องมากกว่าที่จะเป็นข้อจำกัด

LFM2.5 2.6B Base เผยแพร่ภายใต้ LFM Open License v1.0 และข้อ 5 ของสัญญาอนุญาตฉบับนั้นคุ้มค่าที่จะอ่านให้ครบถ้วนก่อนที่แผนเชิงพาณิชย์ใด ๆ จะต้องพึ่งพาสิ่งนี้ สิทธิ์ที่ให้ไว้สำหรับการใช้งานเชิงพาณิชย์มีเงื่อนไขว่าคุณหรือนิติบุคคลของคุณต้องมีรายได้ต่อปีไม่เกินเกณฑ์ที่กำหนดไว้ในสัญญาอนุญาต ซึ่งระบุว่าเป็นรายได้ต่อปี 10 ล้านดอลลาร์สหรัฐหรือมากกว่า หากสูงกว่าเส้นนั้น การใช้งานเชิงพาณิชย์ของงานหรืองานดัดแปลงจะไม่ได้รับอนุญาตภายใต้ข้อตกลงนี้ การใช้งานที่ไม่แสวงหากำไรและการใช้งานเพื่อการวิจัยได้รับการยกเว้นไว้ต่างหาก นั่นเป็นขอบเขตจริงและสามารถบังคับใช้ได้ และเนื่องจากมันผูกติดกับงานดัดแปลงด้วย จึงแผ่ขยายไปถึงทุกสิ่งที่คุณ fine-tune จากโมเดลฐาน — ซึ่งเป็นวัตถุประสงค์การใช้งานทั้งหมดของเช็กพอยต์นี้

มีการตีความแบบตรงไปตรงมาที่นี่ว่า หากคุณกำลังพัฒนาเชิงพาณิชย์ และองค์กรของคุณมีรายได้ต่อปีเกิน 10 ล้านดอลลาร์สหรัฐ LFM2.5 2.6B Base ไม่ใช่สินทรัพย์ประเภทเดียวกับ Intern-Decision-0.8B ไม่ว่าทั้งสองจะทำงานได้ดีเพียงใด หากคุณอยู่ต่ำกว่าเกณฑ์ กำลังวิจัย หรือกำลังปรับแต่งละเอียดเพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์ ความแตกต่างนี้ก็ไม่ส่งผล ไม่ว่าจะทางใด มันเป็นคำถามที่ต้องตอบก่อนการรันเทรน ไม่ใช่หลังจากนั้น

ที่ที่แต่ละอันเป็นดาวน์โหลดที่ถูกต้องจริง ๆ

LFM2.5 2.6B Base เป็นตัวเลือกที่เหมาะสมเมื่อความสามารถที่คุณต้องการยังไม่มีอยู่ในโมเดลที่เสร็จสมบูรณ์แล้ว การ์ดของ Liquid ระบุกรณีการใช้งานที่ตั้งใจไว้อย่างชัดเจน ได้แก่ ผู้ช่วยเฉพาะภาษา เช่น ภาษาญี่ปุ่น ผู้ช่วยเฉพาะโดเมน เช่น ทางการแพทย์ การฝึกด้วยข้อมูลที่เป็นกรรมสิทธิ์ซึ่งคุณไม่สามารถส่งไปยัง API หรือการทดลองแนวทางใหม่ ๆ ในการฝึกหลังการฝึก เหตุผลเบื้องหลังรายการนั้นคือ การฝึกล่วงหน้าด้วยหลายภาษาจำนวน 34 ล้านล้านโทเค็นมีต้นทุนสูงหากต้องทำซ้ำ และแทบไม่มีต้นทุนเลยหากสืบทอดมา — คุณกำลังซื้อจุดเริ่มต้นที่เก่งอยู่แล้วใน 16 ภาษาและบริบท 128K และใช้พลังการประมวลผลของคุณไปกับส่วนที่จำเพาะต่อคุณ

การสนับสนุนระบบนิเวศสำหรับแผนนั้นถือว่าครบถ้วนอย่างผิดปกติสำหรับโมเดลที่ใหม่ขนาดนี้ Liquid มีเอกสารประกอบสำหรับการ pre-training ต่อเนื่อง, SFT, DPO และ GRPO ผ่าน Unsloth และ TRL พร้อมโน้ตบุ๊กสำหรับแต่ละอย่าง และ checkpoint ก็ได้รับการรองรับโดย Transformers, vLLM, SGLang, llama.cpp, MLX และ LM Studio นั่นไม่ใช่คำโฆษณา — มันคือความแตกต่างระหว่าง base model ที่คุณสามารถ fine-tune ได้ภายในสัปดาห์นี้ กับอีกตัวที่คุณต้องใช้เวลาสองสัปดาห์งมต่อเข้ากับเทรนเนอร์

Intern-Decision-0.8B เป็นตัวเลือกที่ถูกต้องเมื่อความสามารถที่คุณต้องการมีอยู่แล้ว และปัญหาอยู่ที่รูปร่างของมัน งานของคุณคือการตัดสินใจแบบมีขอบเขตพร้อมชุดคำตอบ — จัดเส้นทางตั๋วนี้ ให้คะแนนสิ่งนี้ จำแนกบันทึกนี้เทียบกับเกณฑ์การประเมิน — แล้วโมเดลเชิงสร้างก็เป็นวิธีที่ไม่เหมาะสมนักในการได้ป้ายกำกับ ส่วนโมเดลฐานก็ไม่ใช่วิธีที่จะได้ป้ายกำกับเลย สิ่งที่คุณต้องการคือตัวที่คืนค่าการแจกแจง บอกความเชื่อมั่นของมัน และทำแบบนั้นใน 34 มิลลิวินาทีเท่าเดิมทุกครั้ง ความหน่วงของ InternLM บน RTX 4090 อยู่ที่ค่าเฉลี่ย 33.98 ms โดยมี p95 ที่ 37.95 ms และตัวเลขของ 2B เองแสดงค่าเฉลี่ย 33.98 ms — เป็นเครื่องเตือนใจว่าที่ความยาวพรอมต์เหล่านี้ ต้นทุนอยู่ที่การอ่านพรอมต์ ไม่ใช่การรันน้ำหนัก

สิ่งที่คุณกำลังแลกอยู่คือความยืดหยุ่นเพื่อแลกกับสัญญา โมเดลพื้นฐานสามารถกลายเป็นอะไรก็ได้ในที่สุด ถ้าคุณมีข้อมูลและพลังประมวลผล ส่วนหัวตัดสินใจเป็นสิ่งนั้นอยู่แล้ว และมันจะไม่มีวันกลายเป็นสิ่งอื่น ถ้าสคีมาของคุณเปลี่ยนรูปทรงทุกเดือน นั่นคือต้นทุนจริง ถ้าไม่เปลี่ยน มันก็ไม่ใช่ต้นทุนเลย

สิ่งที่ไม่มีใครบอกคุณได้เกี่ยวกับตาราง Intern-Decision

ตัวเลขประสิทธิภาพทุกตัวของ Intern-Decision-0.8B เป็นข้อมูลที่ผู้ขายรายงานเอง และข้อควรระวังในกรณีนี้หนักกว่าปกติ เพราะการเปิดตัวเพิ่งผ่านมาได้หนึ่งสัปดาห์และยังไม่มีเอกสารประกอบใด ๆ เลย ไม่มีเปเปอร์ ไม่มีคอลเลกชันที่รวบรวมทั้งสามขนาด ไม่มีที่เก็บ GitHub ที่ใช้งานได้ และไม่มีการประเมินโดยอิสระ การค้นหาใน Artificial Analysis ไม่ให้ผลลัพธ์ใด ๆ สำหรับโมเดลนี้

InternLM เลือกเกณฑ์มาตรฐานเอง เลือกโมเดลเปรียบเทียบเอง — ชุดที่เต็มไปด้วยโมเดลตัดสินใจ ซึ่งรวมถึง Jev ของ TypeSafe, Laya และ Kev ของ Convai — แล้วเผยแพร่ตารางโดยไม่มีโพสต์เปิดตัว

เมื่อติดป้ายกำกับนั้น รูปร่างยังคงคุ้มค่าที่จะอ่าน Intern-Decision-0.8B ทำคะแนน 97.92 / 80.56 / 52.25 ในสาม split ของ Jevbench, 77.35 บน Typed Decision และ 94.52 บน ToolACE เฉลี่ย 79.38 โปรไฟล์การคาลิเบรตของมันเป็นรายการที่น่าสนใจที่สุด: Brier 0.530 และ expected calibration error 0.066 ซึ่งเป็น ECE ที่ดีกว่าของ Jev ที่ 0.095 แม้ว่า Brier จะแย่กว่า ในแง่ง่ายๆ มันแม่นยำน้อยกว่าแต่ซื่อสัตย์กว่าเกี่ยวกับความแม่นยำของมัน และสำหรับเวิร์กโฟลว์แบบอิงเกณฑ์ การเรียงลำดับนั้นสำคัญกว่าค่าเฉลี่ย คอลัมน์ที่ควรหยุดการดีพลอยคือ WildJailBreak ที่ 64.48 เทียบกับ 96.29 ของ Jev การขาดความทนทานต่อการปฏิเสธที่ใหญ่ขนาดนั้นเป็นคุณสมบัติของ fine-tune และไม่ว่าจะเป็นของฐาน Qwen3.5-0.8B, วัตถุประสงค์การปรับจูนการตัดสินใจ หรือจำนวนพารามิเตอร์ ไม่มีเอกสารระบุไว้ที่ไหนบนการ์ด

การเปรียบเทียบกับ LFM2.5 2.6B Base บนแกนนี้ไม่ใช่คำถามว่า “ใครได้คะแนนสูงกว่า” เพราะตัว base ไม่มีคะแนนให้เทียบ สิ่งที่เกิดขึ้นคือ ตัวเลขของโมเดลหนึ่งไม่ผ่านการตรวจสอบ ขณะที่ตัวเลขของอีกโมเดลหนึ่งไม่มีอยู่จริง และผู้อ่านที่ต้องเลือกหว่างสองตัวนี้กำลังเลือกว่าจะทำงานกับความไม่รู้แบบไหน

ไปป์ไลน์ที่คนส่วนใหญ่ลงเอยด้วยการสร้างจริง ๆ

มีรูปแบบการทำงานหนึ่งที่ใช้ทั้งสองอย่าง และมันคุ้มค่าที่จะตั้งชื่อ เพราะเป็นจุดที่ระบบโปรดักชันส่วนใหญ่มักลงเอย ชั้นตัดสินใจจัดการการเรียกแบบปิด — การคัดแยก การจัดเส้นทาง การให้คะแนนตามเกณฑ์ — ซึ่งชุดคำตอบเป็นที่รู้จัก ความหน่วงสะสมไปทั่วล้านเร็กคอร์ด และโทเคนเอาต์พุตเป็นภาระส่วนเกินล้วนๆ ชั้นภาษาจัดการทุกอย่างที่ต้องใช้ข้อความร้อยเรียง การสังเคราะห์ หรือบริบทที่ยาว: สรุปการส่งต่อ คำอธิบายที่แนบมากับป้ายกำกับ ฉบับร่างที่มนุษย์แก้ไข LFM2.5 2.6B Base เป็นสารตั้งต้นที่เป็นไปได้สำหรับครึ่งหลัง หากคุณมีข้อมูลโดเมนที่คุ้มค่าจะฝึก; หัวตัดสินใจคือรูปร่างตามธรรมชาติของครึ่งแรก

การประกอบทั้งสองเข้าด้วยกันเป็นส่วนที่ยุ่งยาก และเป็นส่วนที่คุ้มค่าที่จะไม่สร้างขึ้นเองด้วยมือ DSL การกำหนดเส้นทางของ OrcaRouter แสดงเส้นทางเป็นโค้ด — YAML ที่มีเงื่อนไข CEL ปรับใช้ได้โดยไม่ต้อง deploy ใหม่ — ดังนั้นไปป์ไลน์ที่ส่งคำขอประเภทหนึ่งไปยังปลายทางสำหรับตัดสินใจ และอีกประเภทหนึ่งไปยังโมเดลภาษา จึงเป็นกฎการกำหนดเส้นทางมากกว่าจะเป็นโหลดบาลานเซอร์ที่คุณต้องดูแลเอง เกตเวย์ครอบคลุมโมเดลกว่า 200 รุ่นภายใต้คีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียว โดยส่งราคาตามที่ผู้ให้บริการระบุผ่านมาที่ส่วนต่างศูนย์ และไม่บวกราคาเพิ่มบนโมเดลที่คุณเลือก เพื่อความชัดเจนเกี่ยวกับขอบเขต: ทั้ง Intern-Decision-0.8B และ LFM2.5 2.6B Base ไม่ใช่ของเรา — ทั้งคู่เป็นเช็กพอยต์ที่คุณดาวน์โหลดและรันในเครื่อง และในทั้งสองกรณีนั้นคือประเด็น เพราะเหตุผลที่เลือกโมเดลขนาด 2 GB ก็คือมันรันในที่ที่ข้อมูลของคุณอยู่แล้ว สิ่งที่เกตเวย์มีไว้สำหรับคือครึ่งหนึ่งของสแตกที่คุณคงต้องเรียกออกไปข้างนอก

หากเลเยอร์การตัดสินใจคือส่วนที่คุณต้องการทดสอบโดยไม่ต้องผูกมัดกับการรันเทรนนิ่งให้กับมัน โมเดลการตัดสินใจแบบโฮสต์ก็คือการทดลองที่ประหยัดกว่า และ TypeSafe's Jev 1.13 คือรุ่นที่ InternLM ใช้เป็นเกณฑ์เปรียบเทียบ — เรียกใช้งานได้แล้ววันนี้ผ่านเอนด์พอยต์ที่เข้ากันได้กับ OpenAI เพียงจุดเดียว ในราคา $0.042 ต่อล้านโทเคนอินพุต โดยคิดค่าเอาต์พุตเป็นศูนย์

งั้นอันไหนล่ะ

เลือก LFM2.5 2.6B Base หากความสามารถนั้นยังไม่มี และคุณมีทั้งข้อมูลเฉพาะโดเมนและความพร้อมที่จะลงมือทำ fine-tuning แล้วตรวจสอบเกณฑ์รายได้ $10M ใน LFM Open License ก่อนที่คุณจะนำไปสร้างต่อในเชิงพาณิชย์ เลือก Intern-Decision-0.8B หากความสามารถนั้นมีอยู่แล้ว คำตอบสามารถแจกแจงได้ครบแล้วในพรอมป์ต์ของคุณ และสิ่งที่คุณต้องการคือวิธีที่รวดเร็ว ให้ผลแน่นอน และสะอาดด้านสิทธิ์การใช้งานในการได้ป้ายกำกับ โดยยอมรับว่าเอกสารของมันขาดหายไป benchmark ของมันยังไม่ผ่านการตรวจสอบ และพฤติกรรมการปฏิเสธต่ออินพุตแบบ adversarial ยังไม่เคยถูกทดสอบโดยใครก็ตามนอกแล็บที่ปรับแต่งมัน ตัวที่สองเป็นเส้นทางที่สั้นกว่าและเป็นความไม่รู้ที่ใหญ่กว่า ตัวแรกเป็นเส้นทางที่ยาวกว่าและมีเอกสารมากกว่า และไม่มีข้อเท็จจริงใดในสองข้อนั้นที่เท่ากับคำว่าดีกว่า