Kolibri vs LFM2.5 2.6B Base: การติดตั้งใช้งานแบบ Sovereign ขนาด 78B ปะทะเช็คพอยต์ขนาดเท่าโทรศัพท์

วาง Kolibri ไว้ข้าง ๆ LFM2.5 2.6B Baseและการอ่านแบบผิวเผินก็คือเดวิดกับโกไลแอธ: พารามิเตอร์ 78.1 พันล้านเทียบกับ 2.69 พันล้าน, ต้องใช้ GPU สองตัวเป็นขั้นต่ำในการติดตั้งใช้งาน เทียบกับโมเดลที่ Liquid AI บอกว่าทำงานบนโทรศัพท์ได้ การอ่านแบบผิวเผินนั้นผิด และไม่ใช่ในทิศทางที่คุณคาดไว้ ทั้งสองอย่างนี้ไม่ใช่โมเดลที่คุณสามารถชี้ไปที่งานใดงานหนึ่งในวันนี้ได้ Kolibri เปิดตัวโดย Aleph Alpha เมื่อวันที่ 3 ตุลาคม 2026 ในฐานะผู้ช่วยภาษาเยอรมันและอังกฤษที่ผ่านการฝึกครบทุกขั้นตอนแล้ว สามารถเรียกใช้เครื่องมือได้ พร้อมปลั๊กอินสำหรับให้บริการและค่าตั้งค่าการสุ่มที่แนะนำ LFM2.5 2.6B Base ซึ่งเผยแพร่โดย Liquid AI เมื่อต้นเดือนสิงหาคม 2026 เป็นเช็กพอยต์ที่ผ่านการฝึกมาก่อนโดยไม่มีการปรับแต่งตามคำสั่งเลย เปิดตัวมาโดยเฉพาะเพื่อให้ปรับแต่งละเอียด หนึ่งคือผลิตภัณฑ์ที่คุณนำไปติดตั้งใช้งาน อีกหนึ่งคือวัตถุดิบ การเปรียบเทียบคุณภาพของทั้งสองเป็นข้อผิดพลาดเชิงหมวดหมู่ และคำถามที่น่าสนใจคือโครงการของคุณต้องการวัตถุดิบแบบไหนกันแน่

ช่องว่างที่ตัดสินการจัดซื้อจัดหาในโลกจริงส่วนใหญ่ระหว่างสองตัวนี้ไม่ใช่พารามิเตอร์ แต่คือสัญญาอนุญาต Kolibri เผยแพร่ภายใต้ Apache 2.0 ส่วน LFM2.5 2.6B Base เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตที่ทำขึ้นเฉพาะ (การ์ดโมเดลระบุว่า "license: other") และความแตกต่างนี้เองคือสิ่งที่ต้องส่งให้ทีมกฎหมาย plutôt กว่าทีมวิศวกรรม

ความหมายที่แตกต่างกันสองประการของ "open weights"

ทั้งสองโมเดลให้คุณดาวน์โหลดเวตและรันมันได้ สิ่งที่คุณได้รับอนุญาตให้ทำหลังจากนั้นคือจุดที่ทั้งสองแตกต่างกัน

• Kolibri — Apache 2.0 ไม่มีข้อกำหนดแนบท้ายว่าด้วยการใช้งานที่ยอมรับได้ ไม่มีเกณฑ์จำนวนผู้ใช้ ไม่มีข้อกำหนดทางการค้าแยกต่างหาก การ์ดของ Aleph Alpha ระบุเพียงว่าแล็บนี้เป็นผู้ลงนามใน EU GPAI Code of Practice

• LFM2.5 2.6B Base — LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตของ Liquid AI เอง ไม่ใช่สัญญาอนุญาตมาตรฐานของ OSI เป็นสัญญาอนุญาตฉบับเดียวกับที่ใช้กับ LFM2.5 2.6B ที่ผ่านการฝึกหลังการฝึก (post-trained) และสมาชิกอื่น ๆ ในตระกูลเดียวกัน

สำหรับทีมวิจัยแล้ว ทั้งสองแบบก็ใช้ได้ แต่สำหรับองค์กรธุรกิจที่ต้องระบุสถานะสิทธิ์การใช้งานของตนในเอกสารจัดซื้อจัดจ้าง แบบหนึ่งเป็นสิ่งที่รู้กันอยู่แล้วว่าคืออะไร ส่วนอีกแบบเป็นเอกสารที่ต้องมีใครสักคนอ่าน นั่นคือต้นทุนจริง ต้นทุนนี้จ่ายไปก่อนที่จะมีการสร้างโทเคนแม้แต่ตัวเดียว และมองไม่เห็นในตาราง benchmark ใด ๆ

ยังมีความแตกต่างที่สองในหมวดหมู่เดียวกัน และเป็นข้อที่การ์ดของ Liquid AI เองพยายามเน้นย้ำอย่างมาก Base ไม่ใช่ผู้ช่วย มันไม่ผ่านการปรับแต่งตามคำสั่ง (instruction tuning) ซึ่งหมายความว่ามันจะไม่ทำตามพรอมป์ต จะไม่ปฏิเสธที่จะตอบ จะไม่ส่ง tool call และจะไม่คงอยู่ในหัวข้อ — ไม่ใช่เพราะมันอ่อนแอ แต่เพราะมันไม่เคยถูกฝึกให้ทำเช่นนั้น การ์ดระบุอย่างชัดเจนว่าแนะนำให้ใช้เฉพาะกับงานที่ต้อง fine-tuning อย่างหนักเท่านั้น เช่น ผู้ช่วยเฉพาะภาษา或เฉพาะโดเมน การฝึกบนข้อมูลที่เป็นกรรมสิทธิ์ หรือการทดลองแนวทางหลังการฝึกแบบใหม่ ๆ ทุกขั้นตอนถัดจากเช็กพอยต์ฐาน — supervised fine-tuning, teacher specialisation, on-policy distillation, agentic reinforcement learning — ล้วนเป็นปัญหาของผู้ซื้อ Kolibri มาพร้อมกับทั้งหมดนั้นที่ทำเสร็จแล้ว ในสี่ระดับความพยายามในการให้เหตุผล พร้อมตัวแยกวิเคราะห์ tool call สไตล์ Hermes ที่มาพร้อมกับเวต

ขนาดต่าง ๆ ให้อะไรได้จริง

ตัดกรอบออกไป โมเดลทั้งสองก็ถูกปรับให้เหมาะกับข้อจำกัดที่ตรงกันข้าม

• พารามิเตอร์ — รวม 78,103,074,560 โดยมี 3,457,573,120 ที่แอ็กทีฟต่อโทเคนบน Kolibri เทียบกับ 2.69 พันล้านรวมบน LFM2.5 Base ซึ่งใช้สแตกไฮบริดของ 22 บล็อกคอนโวลูชันสั้นแบบดับเบิลเกตและ 8 เลเยอร์แอตเทนชันแบบ grouped-query แทนที่จะเป็นทรานส์ฟอร์เมอร์แบบบล็อกสม่ำเสมอ

• บริบท — 131,072 โทเค็นบน LFM2.5 Base เทียบกับหน้าต่างเนทีฟ 262,144 โทเค็นบน Kolibri และ 1,048,576 ที่ผ่านการตรวจสอบแล้วเกินกว่านั้น

• ข้อมูลการฝึก — 34 ล้านล้านโทเคนบน LFM2.5 Base เทียบกับ 20 ล้านล้านโทเคนบน Kolibri ซึ่งดึงมาจากคลังข้อมูลดิบกว่า 200 ล้านล้านโทเคนหลังการกรองและการขจัดข้อมูลซ้ำ โดย 13.6 เปอร์เซ็นต์เป็นโค้ด

• ภาษา — สิบหกภาษาบน LFM2.5 Base ได้แก่ อาหรับ จีน ญี่ปุ่น เกาหลี ไทย และเวียดนาม เทียบกับเพียงสองภาษาเท่านั้นบน Kolibri คือเยอรมันและอังกฤษ โดยการออกแบบที่ชัดเจน

• หน่วยความจำ — LFM2.5 Base มีบิลด์ GGUF, ONNX และ MLX เผยแพร่พร้อมกัน และถูกสร้างขึ้นสำหรับการติดตั้งใช้งานบน Edge ส่วนน้ำหนัก FP8 ของ Kolibri มีขนาดพื้นที่ประมาณ ~78 GB โดยต้องใช้การ์ด A100 80 GB อย่างน้อยสองใบ, H100 SXM5 สองใบ, H200 หนึ่งใบ, B200 หนึ่งใบ หรือ B300 หนึ่งใบ

อ่านห้าบรรทัดนั้นพร้อมกัน แล้วภาพรวมจะไม่เอนเอียงอีกต่อไป โมเดลของ Liquid AI ครอบคลุมภาษามากกว่าถึงสิบเท่าบนฮาร์ดแวร์ที่เล็กกว่าถึงสามลำดับขนาด โมเดลของ Aleph Alpha ครอบคลุมสองภาษา ด้วยหน้าต่างบริบทที่ยาวกว่าแปดเท่า และมีความลึกของความเชี่ยวชาญเฉพาะทางที่ปรากฏให้เห็นเฉพาะในการประเมินแนวตั้งของมันเองเท่านั้น ไม่มีอันไหนเป็นเวอร์ชันที่แย่กว่าของอีกอัน พวกมันเป็นคำตอบสำหรับคำถามที่ต่างกัน และคำถามเหล่านั้นคือ "สิ่งนี้รันได้โดยไม่ต้องมีเซิร์ฟเวอร์หรือไม่" กับ "สิ่งนี้ใช้เหตุผลไล่ผ่านเอกสารที่ยื่นต่อหน่วยงานกำกับดูแลของเยอรมนีได้หรือไม่"

มีเพียงหนึ่งในนั้นเท่านั้นที่มีคะแนนที่วัดได้ และมันไม่ใช่ Base

นี่คือส่วนที่การจับคู่นั้นซ่อนไว้ Artificial Analysis มีหน้าโมเดลสำหรับ LFM2.5-2.6B อยู่จริง — แต่เป็นของโมเดล post-trained ไม่ใช่ Base หน้านั้นรายงาน Intelligence Index อยู่ที่ 8 จัดอันดับ #9 จาก 49 โมเดลในคลาสเดียวกัน โดยมีบริบท 128,000 โทเคน พารามิเตอร์ 2.7 พันล้าน และ LFM Open License v1.0 มันเป็นคะแนนที่ไม่สูงนักและเป็นคะแนนที่ซื่อตรง: โมเดลนี้ถูกวัด ตั้งราคาในทางปฏิบัติแทบจะเป็นศูนย์ และประเมินตามสิ่งที่มันเป็น — โมเดลให้เหตุผลขนาดเล็ก

Base checkpoint ไม่มีคะแนน และไม่สามารถมีได้ Intelligence Index คำนวณโดยการรันโมเดลกับงานด้านการให้เหตุผลและความรู้; checkpoint ที่ยังไม่ผ่านการ instruction-tuned จะไม่มีพฤติกรรมที่มีความหมายในงานเหล่านั้น Liquid AI ไม่ได้เผยแพร่ตารางการประเมินสำหรับมัน และการไม่มีนั้นเป็นการบ่งบอกเกี่ยวกับอาร์ติแฟกต์ ไม่ใช่ช่องว่างในการเปิดตัว

ตำแหน่งของ Kolibri ก็แตกต่างออกไปอีก และควรค่าแก่การระบุอย่างแม่นยำ เพราะเป็นเรื่องที่เข้าใจผิดได้ง่าย เช่นเดียวกัน ไม่มีหน้าของ Artificial Analysis สำหรับ Kolibri — เราได้ตรวจสอบแล้ว และโมเดลนี้ไม่ปรากฏอยู่ในการเปรียบเทียบนั้นเลย สิ่งที่มีอยู่คือตาราง post-training ของ Aleph Alpha เอง ซึ่ง Kolibri ได้ 75.5 ในค่าเฉลี่ยภาษาอังกฤษ และ 70.8 ในค่าเฉลี่ยภาษาเยอรมันภายใต้ชุดทดสอบของตน เทียบกับ 54.1 และ 46.4 ของ Kolibri Origin รุ่นก่อนหน้าของตัวเอง ตัวเลขเหล่านั้นเป็นตัวเลขที่ผู้ขายเป็นผู้รันบนชุดประเมินที่ผู้ขายสร้างขึ้น และไม่สามารถแปลงเป็น Intelligence Index ได้ ดังนั้น ในบรรดาสองโมเดลในพาดหัวนี้ โมเดลหนึ่งมีคะแนนอิสระสำหรับเวอร์ชันในตระกูลเดียวกัน อีกโมเดลหนึ่งมีตารางจากผู้ขาย และไม่มีอาร์ติแฟกต์ตัวจริงที่ถูกนำมาเปรียบเทียบเลยแม้แต่ตัวเดียวที่มีการวัดอย่างอิสระ

พี่น้องที่เปลี่ยนคำแนะนำ

การตัดสิน LFM2.5 2.6B Base ด้วยตัวมันเองเป็นวิธีที่ผิดในการประเมินการเปิดตัวของ Liquid AI เพราะ Base มีไว้เพื่อรองรับ LFM2.5 2.6B ที่ผ่านการ post-train แล้ว และทั้งสองตัวก็ออกมาพร้อมกัน หากคุณไม่ได้ตั้งใจจะเขียนไปป์ไลน์ fine-tuning ขึ้นมา Base ก็ไม่ใช่โมเดลสำหรับคุณ — ตัวที่ผ่านการ post-train ต่างหากที่เป็น และมันคือตัวที่มีคะแนนสาธารณะและมีราคาที่ประกาศไว้ซึ่งแทบไม่มีค่าใช้จ่ายต่อโทเคนเลยเมื่อคุณโฮสต์มันเอง

นั่นคือความสัมพันธ์แบบเดียวกับที่ Kolibri มีต่อ Kolibri Origin และการเปรียบเทียบนี้ก็คุ้มค่าที่จะทำ เพราะ Aleph Alpha เผยแพร่ไทม์ไลน์ออกมา Origin ฝึก pre-training เสร็จที่ 30.6 พันล้านพารามิเตอร์ และมีพารามิเตอร์ที่ใช้งานจริง 3.27 พันล้าน เมื่อวันที่ 11 มิถุนายน 2026 และไม่เคยเปิดตัวเลย ส่วน Kolibri ฝึกเสร็จเมื่อวันที่ 11 กันยายน 2026 ที่ 78.1 พันล้าน และเปิดตัวเมื่อวันที่ 3 ตุลาคม สองโมเดล สามเดือน หนึ่งในนั้นใช้ภายในเท่านั้น การแยกแบบเดียวกันของ Liquid AI เปิดเผยทั้งสองทาง: Base และ post-trained วางเคียงกัน พร้อมบิลด์แบบควอนไทซ์สำหรับ llama.cpp, ONNX Runtime และ MLX ของ Apple ที่เผยแพร่คู่กับ checkpoint ต้นฉบับ หากแผนของคุณคือการ fine-tune เครื่องมือแวดล้อมนั้นมีค่ามากกว่าตัวเลขในแถว benchmark เพราะมันกำหนดว่าคุณต้องทำงานส่วนไหนด้วยตัวเองมากแค่ไหน

สิ่งที่ต้องปรับใช้ ตามข้อกำหนด

อันนี้ลดทอนลงเหลือเป็นรายการตัดสินใจสั้น ๆ มากกว่าที่จะเป็นผู้ชนะ

• หากโมเดลต้องทำงานโดยไม่มีเซิร์ฟเวอร์ — บนโทรศัพท์ แล็ปท็อป หรืออุปกรณ์ในโรงงาน — LFM2.5 2.6B Base เป็นเพียงตัวเดียวในสองตัวที่ถือเป็นตัวเลือกได้ด้วยซ้ำ และ LFM2.5 2.6B ที่ผ่านการฝึกหลังการฝึกคือตัวที่คุณจะเริ่มต้นด้วยจริง ๆ Kolibri ไม่สามารถรันที่นั่นได้ไม่ว่าจะใช้การควอนไทซ์แบบใดก็ตาม

• หากภาระงานคือการวิเคราะห์เอกสารภาษาเยอรมันหรืออังกฤษภายในขอบเขตของคุณเอง โดยมีข้อจำกัดด้านข้อมูลที่มีกฎกำกับและมีความจำเป็นด้านพฤติกรรมการงดตอบ LFM2.5 Base ก็ไม่ใช่รูปแบบของอาร์ติแฟกต์ที่เหมาะสม และ Kolibri ก็มุ่งเป้ามาที่สิ่งนี้พอดี — โดยมีเงื่อนไขว่าคุณสามารถจัดหาตัวเร่งความเร็ว 80 GB สองตัวได้ และยอมรับจุดยืนด้านสัญญาอนุญาตที่คุณสามารถระบุได้ในบรรทัดเดียว

• หากคุณต้องการมากกว่าภาษาเยอรมันและอังกฤษ ตระกูลของ Liquid AI ครอบคลุมสิบหกภาษาที่ขนาด 2.6B และข้อโต้แย้งเรื่องความครอบคลุมของภาษาจะกลับทิศทางที่ขนาดนั้น

• หากคุณต้องการผู้ช่วยที่นำไปใช้งานจริงได้ภายในไตรมาสนี้ และไม่อยากดำเนินไปป์ไลน์ post-training, Kolibri ผ่าน post-training แล้ว; LFM2.5 Base ยังไม่ผ่าน และโมเดล LFM2.5 ที่ผ่าน post-training เป็นผู้ช่วยที่เล็กกว่า Kolibri มาก ไม่ใช่เวอร์ชันที่ถูกกว่าของ Kolibri

สำหรับทีมที่ปริมาณงานอยู่ตรงกลางจริง ๆ — ไม่กี่พันล้านโทเคนต่อเดือน, คอนเท็กซ์ระดับปานกลาง, ไม่มีความจำเป็นด้านกฎระเบียบที่ต้องเป็นเจ้าของฮาร์ดแวร์เอง — ทั้งสองตัวเลือกนี้ไม่ใช่สิ่งแรกที่ควรหยิบมาใช้ โมเดลขนาดต่ำกว่า 4B นั้นถูกเมื่อโฮสต์เอง แต่จัดเส้นทางใช้งานในสเกลใหญ่ได้ลำบาก เพราะต้นทุนการดำเนินงานของการดีพลอยอาจสูงกว่าค่าโทเคนเสียอีก ส่วนโมเดล 78B ก็มีปัญหาในทางตรงกันข้าม ชั้นที่ถูกจัดเส้นทางจริงคือชั้นที่อยู่ตรงกลาง และชั้นนั้นอยู่บน OrcaRouter ในตอนนี้: Qwen3.5 35B-A3B ที่ราคา 0.057 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเคน และ 0.459 ดอลลาร์สำหรับเอาต์พุต, Qwen3.8-Flash ที่ 0.15 และ 0.47 ดอลลาร์ พร้อมคอนเท็กซ์ 1 ล้านโทเคน หรือโมเดล mixture-of-experts อย่าง Gemma 4 26B-A4B IT ที่ 0.06 และ 0.33 ดอลลาร์ นี่คือราคาตามรายการของผู้ให้บริการที่ส่งผ่านมาโดยไม่บวกเพิ่มต่อโทเคน บนคีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียวพร้อมระบบ failover และนี่คือคำตอบที่ตรงไปตรงมาสำหรับทีมที่ต้องการวัดปริมาณโทเคนจริงของตัวเองก่อนที่จะตัดสินใจลงมือกับโปรเจกต์ fine-tuning หรือจัดซื้อแร็ก

เพื่อให้ชัดเจนเกี่ยวกับสิ่งที่เราไม่ได้มีให้บริการ: ทั้ง Kolibri และ LFM2.5 2.6B Base ต่างก็ไม่สามารถกำหนดเส้นทางบน OrcaRouter ได้ในปัจจุบัน เราได้ตรวจสอบแค็ตตาล็อกสำหรับทั้งสองภายใต้ชื่อผู้จำหน่ายและการสะกดชื่อโมเดลทุกรูปแบบ และไม่มีทั้งคู่อยู่ในนั้น Kolibri เป็นแบบโฮสต์เองเท่านั้น และ LFM2.5 Base เป็นอาร์ติแฟกต์จากการปรับแต่ง (fine-tuning) ที่ไม่เคยมีจุดประสงค์ให้อยู่เบื้องหลัง API

ทางเลือกในหนึ่งบรรทัด

Kolibri เป็นตัวให้เหตุผลภาษาเยอรมัน-อังกฤษขนาด 78 พันล้านพารามิเตอร์ที่เสร็จสมบูรณ์ มีใบอนุญาต และมีเอกสารประกอบ ซึ่งต้องใช้ตัวเร่งความเร็วสองตัวในการรัน LFM2.5 2.6B Base เป็นจุดเริ่มต้นแบบหลายภาษาขนาด 2.69 พันล้านพารามิเตอร์ที่ยังไม่เสร็จสมบูรณ์ ซึ่งต้องใช้ไปป์ไลน์ปรับแต่งละเอียด และพกใส่กระเป๋าได้ อัตราส่วนพารามิเตอร์ระหว่างทั้งสองคือ 29 ต่อ 1 และเป็นตัวเลขที่ให้ข้อมูลน้อยที่สุดในบทความนี้