LBS-27B กับ LFM2.5 24B A2B: คำถามเรื่องพารามิเตอร์ที่ใช้งานอยู่
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 171 tok/s
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 43 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 129 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 1081 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 234 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 1906 tok/s
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 46 tok/s
ตัวเลขที่สำคัญที่สุดใน LFM2.5 24B A2Bไม่ใช่ 24 แต่คือ 2.45 — จำนวนพันล้านพารามิเตอร์ที่โมเดลอ่านจริงในแต่ละโทเค็น นี่คือเหตุผลที่ Liquid AI อ้างได้ว่าให้โทเค็นเอาต์พุต 184 โทเค็นต่อวินาทีบน Apple M5 Max ในขณะที่โมเดลเก็บองค์ความรู้ไว้ 24 พันล้านพารามิเตอร์ และเป็นเหตุผลที่บริษัทวางตำแหน่งมันเป็นเอเจนต์บนอุปกรณ์ แทนที่จะเป็นเครื่องจักรหลักของศูนย์ข้อมูล ตัวเลขเดียวกันนี้หายไปจาก LBS-27B และการที่ไม่มีตัวเลขนี้คือเหตุผลที่การเปรียบเทียบนี้ยังสรุปไม่ได้: หากไม่มีจำนวนพารามิเตอร์ที่ใช้งานจริง ก็ไม่มีทางวางโมเดลของ inclusionAI ไว้บนเส้นโค้งประสิทธิภาพที่ LFM2.5 กำหนดได้
LFM2.5 24B A2B ดาวน์โหลดได้ตั้งแต่ 13 ตุลาคม 2026 พร้อมการ์ดโมเดล แถว benchmark สิบหกแถว และสัญญาอนุญาตที่องค์กรส่วนใหญ่จะต้องอ่านอย่างละเอียด LBS-27B เป็นรีโพซิทอรีที่สร้างขึ้นเมื่อ 26 ตุลาคม 2026 ซึ่งมีไฟล์มาตรฐาน .gitattributes และ README ขนาด 28 ไบต์ที่ประกาศ Apache-2.0 ไม่มี weights ไม่มี config ไม่มีการ์ด ไม่มีประกาศ ดังนั้นสิ่งที่ตามมาจึงเป็นการเปรียบเทียบระหว่างกลยุทธ์ด้านประสิทธิภาพที่ระบุรายละเอียดครบถ้วน กับชื่อที่ยังไม่บอกว่าตนเป็นโมเดลประเภทใด
สิ่งที่ Liquid กำลังปรับให้เหมาะสม
LFM2.5 24B A2B เป็นตัวถอดรหัสแบบ mixture-of-experts ที่มีผู้เชี่ยวชาญ 64 ตัวและการจัดเส้นทางแบบ top-4 มี 40 เลเยอร์ ขนาดชั้นซ่อน 2,048 และคลังคำ 128,000 โทเค็น จำนวนพารามิเตอร์ที่ใช้งานอยู่คือ 2.45 พันล้าน รองรับบริบท 131,072 โทเค็น เพิ่มขึ้นจาก 32K ในรุ่นก่อน และผ่านการพรีเทรนด้วย 33 ล้านล้านโทเค็น ซึ่งประมาณสองเท่าของ 17 ล้านล้านโทเค็นที่ใช้กับ LFM2
การเปลี่ยนแปลงคำศัพท์เป็นรายละเอียดที่ควรสังเกต การขยับจาก 65K เป็น 128K โทเคนมีค่าใช้จ่ายสูง — หมายความว่าต้องฝึก embedding และเอาต์พุตเลเยอร์ใหม่ — และเหตุผลปกติที่ทำเช่นนั้นคือข้อความที่ไม่ใช่ภาษาละติน การ์ดระบุสิบหกภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน อิตาลี ญี่ปุ่น เกาหลี โปรตุเกส สเปน เวียดนาม ไทย อินโดนีเซีย ฮินดี รัสเซีย และโปแลนด์ คำศัพท์ที่ใหญ่ขึ้นทำให้ภาษาเหล่านี้ถูกลงต่อคำ และมักทำได้ดีกว่าในส่วนปลาย
นอกจากนี้ยังเป็นโมเดลที่เน้นการให้เหตุผลเพียงอย่างเดียว ไปป์ไลน์หลังการฝึกของ Liquid ประกอบด้วยการปรับละเอียดแบบมีผู้กำกับ การเชี่ยวชาญเฉพาะทางของครู การกลั่นแบบไม่ใช้เอเจนต์และแบบใช้เอเจนต์ จากนั้นจึงเป็นการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ภายในฮาร์เนส เช่น OpenClaw, Hermes Agent, Pi และ OpenCode โมเดลจะสร้างลูกโซ่ความคิดก่อนตอบ และไม่มีการระบุโหมด "เร็ว โดยไม่คิด" แยกต่างหากไว้ในการ์ดโมเดล
โปรไฟล์ benchmark ที่มีลักษณะพุ่งสูงต่ำอย่างจงใจ
ตัวเลขของ Liquid เอง ซึ่งเราไม่ได้ทำซ้ำขึ้นมา บ่งบอกถึงโมเดลที่ยอดเยี่ยมในสิ่งที่เอเจนต์บนอุปกรณ์ทำได้ และอ่อนด้อยในสิ่งที่คนทำงานด้านความรู้ต้องการ รูปร่างเช่นนั้นไม่ใช่เรื่องบังเอิญ แต่คือการออกแบบ
• การปฏิบัติตามคำสั่ง — IFEval 96.75, IFBench 74.69, Multi-IF 84.38 นี่คือคลัสเตอร์ที่แข็งแกร่งที่สุดบนการ์ด และเป็นคลัสเตอร์ที่สำคัญที่สุดสำหรับเอเจนต์ที่ต้องปฏิบัติตามสคีมาของเครื่องมือ
• การใช้เครื่องมือ — ToolSandbox 80.71, PinchBench 83.18, BFCL v4 65.01, AutomationBench 27.69 อยู่ในเกณฑ์ดี แต่ยังไม่สม่ำเสมอในแต่ละฮาร์เนส
• การท่องเว็บแบบเอเจนติกและการใช้งานคอมพิวเตอร์ — LiveClaw 48.09, WebArena Verified 26.75, tau3-Bench Banking 8.04 ผลลัพธ์ด้านการธนาคารถือเป็นค่าที่ผิดแผกออกไป: คะแนนเพียงหลักเดียวบนชุดงานที่โมเดลเอเจนติกอื่นรับมือได้ดีกว่ามาก สิ่งนี้เตือนใจว่า "agentic" ไม่ใช่ความสามารถเพียงอย่างเดียว
• วิศวกรรมซอฟต์แวร์ — SWE-Bench Verified 51.00 ภายใต้ OpenCode, SciCode 32.71 อยู่ในระดับกลางของกลุ่ม
• คณิตศาสตร์ — MATH-500 96.04 แข็งแกร่งเมื่อเทียบกับขนาด
• ความรู้ — GPQA Diamond 74.42, HLE 7.40, AA-Omniscience −24.90 คะแนน Omniscience ที่ติดลบคือสัญญาณที่ตรงไปตรงมาในที่นี้: บนเบนช์มาร์กที่ลงโทษคำตอบผิดแบบมั่นใจ โมเดลสูญเสียมากกว่าที่ได้รับ จุดยืนของ Liquid เองก็ยอมรับเรื่องนี้ — โมเดลนี้มีไว้ใช้คู่กับการดึงข้อมูล (retrieval) ไม่ใช่ให้เชื่อถือเป็นสารานุกรม
เมื่ออ่านรวมกัน แถวข้อมูลเหล่านั้นบอกว่าโมเดลนี้เป็นผู้ตามคำสั่งและผู้เรียกใช้เครื่องมือที่ทำได้ดี แต่มีฐานความรู้ที่บาง สำหรับเอเจนต์ในเครื่องที่อ่านไฟล์ของคุณและเรียกใช้ API ของคุณ นั่นคือการแลกเปลี่ยนที่เหมาะสม สำหรับผู้ช่วยวิจัย นั่นคือการแลกเปลี่ยนที่ไม่เหมาะสม
คำกล่าวอ้างเรื่องประสิทธิภาพ พร้อมข้อแม้ที่เกี่ยวข้อง
Liquid รายงานว่าได้ 184 โทเคนต่อวินาทีบน Apple M5 Max โดยใช้หน่วยความจำประมาณ 15GB และ 114 โทเคนต่อวินาทีบน Ryzen AI Max+ 395 ตัวเลขเหล่านี้เป็นตัวเลขจากผู้จำหน่ายบนฮาร์ดแวร์เฉพาะ ไม่ใช่การวัดประสิทธิภาพทั่วไป และค่าจะเปลี่ยนไปตามการควอนไทซ์และขนาดแบตช์ ทิศทางยังมีความหมายอยู่: โมเดล 24B ที่มีพารามิเตอร์ทำงาน 2.45B สามารถรันบนแล็ปท็อปได้ในแบบที่โมเดล 24B แบบ dense ทำไม่ได้
สิ่งที่ต้องแลกมาคือแบนด์วิดท์หน่วยความจำ โมเดลแบบ sparse ยังต้องเก็บพารามิเตอร์ทั้ง 24 พันล้านตัวไว้ในหน่วยความจำ — สิ่งที่ประหยัดได้คือการคำนวณต่อโทเคน ไม่ใช่พื้นที่จัดเก็บ นั่นคือเหตุผลที่ตัวเลข 15GB สำคัญพอ ๆ กับ throughput: โดยประมาณแล้วมันคือการควอนไทซ์แบบ 4 บิตของชุดน้ำหนักทั้งหมด และเป็นตัวกำหนดพื้นฮาร์ดแวร์ขั้นต่ำ
ตำแหน่งที่ LBS-27B จะต้องตั้งอยู่
ทุกอย่างเกี่ยวกับแมตช์อัปนี้ขึ้นอยู่กับสองฟิลด์ที่ยังไม่มีอยู่ในรีโพซิทอรี LBS-27B นั่นคือจำนวนผู้เชี่ยวชาญ (expert count) และจำนวนพารามิเตอร์ที่ใช้งาน (active-parameter count)
หาก LBS-27B เป็นแบบ sparse ที่มีพารามิเตอร์ใช้งานจริงประมาณ 2B ถึง 4B มันจะลงมาอยู่ในอาณาเขตของ LFM2.5 โดยตรง — ฐานความรู้ระดับ 27B ที่ใช้พลังประมวลผลระดับโมเดลขนาดเล็ก — และการเปรียบเทียบจะกลายเป็นการแข่งขันตรงๆ เรื่องคุณภาพต่อพารามิเตอร์ที่ใช้งานจริง หากเป็นแบบ dense มันก็เป็นผลิตภัณฑ์ที่แตกต่างออกไปโดยสิ้นเชิง: โมเดลฝั่งเซิร์ฟเวอร์ที่มีพลังประมวลผลคาดเดาได้และมีฟุตพรินต์หน่วยความจำที่ตัดแล็ปท็อปส่วนใหญ่ออกไป หากเป็นแบบ sparse ที่มีจำนวนพารามิเตอร์ใช้งานจริงสูง มันจะอยู่ระหว่างสองแบบนั้นและแข่งขันกันที่คุณภาพมากกว่าประสิทธิภาพ
ไม่มีทางอนุมานได้จากรีโพซิทอรีว่าเป็นอันไหน ชื่อบอกว่า 27B, README บอกว่า Apache-2.0 และโครงสร้างไฟล์ไม่ได้บอกอะไรเพิ่มเติม inclusionAI ยังไม่ได้เผยแพร่การ์ด โพสต์บล็อก หรือบทความวิจัยที่เราไม่พบ
การเปรียบเทียบ เท่าที่จะทำได้
• จำนวนพารามิเตอร์ทั้งหมด — 24.0B สำหรับ LFM2.5 24B A2B; 27B ที่ยังไม่ได้รับการยืนยันสำหรับ LBS-27B
• พารามิเตอร์ที่ใช้งาน — 2.45B สำหรับ LFM2.5; ไม่ทราบสำหรับ LBS-27B และนี่คือค่าที่ไม่ทราบซึ่งเป็นตัวชี้ขาด
• สถาปัตยกรรม — ผู้เชี่ยวชาญ 64 ราย พร้อมการกำหนดเส้นทางแบบ top-4 และ 40 เลเยอร์สำหรับ LFM2.5; ไม่ทราบสำหรับ LBS-27B
• คอนเท็กซ์ — 131,072 โทเค็นสำหรับ LFM2.5; ไม่ทราบสำหรับ LBS-27B
• รูปแบบข้อมูล (Modality) — ข้อความเท่านั้นสำหรับ LFM2.5; ไม่ทราบสำหรับ LBS-27B
• ภาษา — มีสิบหกรายการที่ระบุไว้สำหรับ LFM2.5; ไม่ทราบสำหรับ LBS-27B
• การให้เหตุผล — สำหรับ LFM2.5 ใช้ chain of thought เป็นค่าเริ่มต้น โดยไม่มีโหมดไม่คิดที่ระบุไว้; ไม่ทราบสำหรับ LBS-27B
• สัญญาอนุญาต — สัญญาอนุญาต LFM 1.0 โดยกำหนดให้ต้องมีสัญญาอนุญาตเชิงพาณิชย์เมื่อรายได้ต่อปีเกิน 10 ล้านดอลลาร์ สำหรับ LFM2.5; ประกาศใช้ Apache-2.0 สำหรับ LBS-27B
• การประเมินที่เผยแพร่แล้ว — สิบหกแถวที่ผู้จำหน่ายรายงานสำหรับ LFM2.5; ไม่มีเลยสำหรับ LBS-27B
ใบอนุญาตเป็นประเด็นด้านการจัดซื้อจัดจ้าง ไม่ใช่เพียงหมายเหตุประกอบ
นี่คือมิติหนึ่งที่คลังข้อมูลเปล่าให้ข้อได้เปรียบแก่ LBS-27B อยู่แล้ว สัญญาอนุญาต LFM 1.0 ไม่ใช่โอเพนซอร์สในความหมายของ OSI: บริษัทที่มีรายได้ต่อปีมากกว่า 10 ล้านดอลลาร์สหรัฐฯ จำเป็นต้องมีสัญญาอนุญาตเชิงพาณิชย์แยกต่างหากก่อนนำไปใช้งาน สำหรับนักพัฒนารายบุคคลหรือสตาร์ทอัพที่อยู่ต่ำกว่าเกณฑ์นั้น ไม่ใช่ปัญหา สำหรับบริษัทขนาดกลาง มันคือการตรวจสอบทางกฎหมาย การเจรจา และรายการค่าใช้จ่าย
LBS-27B ประกาศใช้ Apache-2.0 ใน README ของตน นั่นเป็นสัญญาอนุญาตแบบผ่อนปรนที่มีการให้สิทธิ์สิทธิบัตรอย่างชัดเจนและไม่มีเกณฑ์รายได้ขั้นต่ำ และหากยังคงอยู่จนถึงการเผยแพร่น้ำหนักโมเดล ก็จะตัดขั้นตอนการจัดซื้อจัดจ้างออกไปได้ทั้งขั้นตอน นี่เป็นข้อได้เปรียบที่เป็นรูปธรรมเพียงข้อเดียวที่ LBS-27B มีอยู่ในขณะนี้ในการเปรียบเทียบนี้ และควรกล่าวไว้อย่างชัดเจนเพราะ它是ของจริง — การประกาศสัญญาอนุญาตตอนสร้างรีโพซิทอรีเป็นหลักฐานที่อ่อน แต่ก็ไม่ใช่ไม่มีอะไรเลย
บนอุปกรณ์เทียบกับ API: สองผลิตภัณฑ์ที่แตกต่างกัน
LFM2.5 24B A2B ถูกสร้างมาเพื่อทำงานในที่ที่ข้อมูลอยู่ จุดขายคือความเป็นส่วนตัวและความหน่วง: โมเดลบนแล็ปท็อปหรือเวิร์กสเตชันที่ไม่เคยส่งคำขอไปยังบุคคลที่สาม พร้อมการเรียกใช้เครื่องมือที่ดีพอจะขับเคลื่อนระบบอัตโนมัติภายในเครื่องได้ ขนาดหน่วยความจำแบบ 4-bit และบริบท 131K ถูกกำหนดขนาดมาเพื่องานนี้
LBS-27B ยังไม่ได้ระบุว่ามีไว้เพื่ออะไร หาก inclusionAI เปิดตัวโมเดลที่ออกแบบมาสำหรับการให้บริการฝั่งเซิร์ฟเวอร์ ข้อโต้แย้งเรื่องการประมวลผลบนอุปกรณ์ก็จะใช้ไม่ได้ และโมเดลทั้งสองจะเป็นส่วนเสริมกันมากกว่าจะเป็นสิ่งทดแทนกัน หากเปิดตัว MoE แบบ small-active พร้อมแนวทางการติดตั้งใช้งานในเครื่อง การเปรียบเทียบก็จะตรงไปตรงมา และความได้เปรียบที่ Liquid นำหน้าอยู่สองรุ่นในด้านเครื่องมือสำหรับการทำงานบนอุปกรณ์ — การรองรับ llama.cpp, MLX, ONNX และ vLLM รวมถึงชุดเครื่องมือเอเจนต์ที่มีเอกสารประกอบ — จะกลายเป็นตัวชี้ขาด
การรองรับในเฟรมเวิร์กเป็นส่วนที่ถูกมองข้ามหรือให้ความสำคัญน้อยเกินไปในเรื่องนี้ โมเดลที่ยังไม่รองรับใน llama.cpp หรือ MLX ตั้งแต่วันแรก ในทางปฏิบัติก็ไม่ถือว่าเป็นโมเดลที่ทำงานบนอุปกรณ์ ไม่ว่าจะมีจำนวนพารามิเตอร์ที่ใช้งานอยู่เท่าใดก็ตาม
ทดสอบโมเดลที่ยังไม่ได้รับการพิสูจน์โดยไม่เดิมพันกับมัน
ทั้ง LBS-27B และ LFM2.5 24B A2B ยังไม่มีบน OrcaRouter ในวันนี้ ดังนั้นจึงยังไม่มี endpoint ที่โฮสต์ไว้สำหรับทั้งสองตัว และเราจะไม่แนะนำเป็นอย่างอื่น เหตุผลที่กล่าวถึงแพลตฟอร์มนี้ตรงนี้คือปัญหาการประเมินที่ตามมา: หากคุณต้องการรู้ว่าโมเดลแบบ small-active ตัวใหม่สามารถแทนที่โมเดลปัจจุบันของคุณได้หรือไม่ คุณต้องรันทั้งสองตัวกับทราฟฟิกของคุณเอง ไม่ใช่บนลีดเดอร์บอร์ด
DSL การกำหนดเส้นทางของ OrcaRouter ช่วยให้คุณส่งคำขอเป็นเปอร์เซ็นต์ไปยังโมเดลตัวเลือก โดยยังคงโมเดลที่ใช้งานอยู่เป็นค่าเริ่มต้น และการสลับเมื่อเกิดข้อขัดข้องอัตโนมัติหมายความว่าโมเดลตัวเลือกที่หมดเวลาหรือเกิดข้อผิดพลาดจะถอยไปใช้โมเดลที่รู้จักแทนที่จะทำให้คำขอล้มเหลว สำหรับกรณีที่ยากซึ่งโมเดลเดียวไม่เพียงพอ การรวมโมเดลช่วยให้กลุ่มโมเดลตอบร่วมกันและส่งคืนผลลัพธ์แบบรวม ซึ่งมีประโยชน์เมื่องานต้องใช้ความรู้จำนวนมากและจุดอ่อนของโมเดลราคาถูกคือสิ่งที่คุณกำลังทดสอบอยู่พอดี แค็ตตาล็อกโมเดลกว่า 200 รุ่นและการไม่บวกกำไร 0% มีความสำคัญน้อยกว่าตรงนี้ เมื่อเทียบกับความสามารถในการเปรียบเทียบบนอินพุตของคุณเองโดยไม่ต้องมีการเชื่อมต่อครั้งที่สอง
นั่นเป็นวิธีหนึ่งในการสร้างหลักฐานที่หน้านี้ยังขาดอยู่ แต่ก็ไม่ใช่สิ่งทดแทนการที่แบบจำลองมีอยู่จริง
ผู้อ่านสามคน สามคำตอบ
หากคุณกำลังสร้างเอเจนต์บนอุปกรณ์และต้องการสิ่งที่รันบนแล็ปท็อปได้ในวันนี้ LFM2.5 24B A2B ถือเป็นตัวเลือกที่จริงจัง: ทำตามคำสั่งได้ดี เรียกใช้เครื่องมือได้ดีบนฮาร์เนสหลายตัว มีบริบท 131K และมีเส้นทางที่ dokument... มีเอกสารระบุไว้สู่รันไทม์โลคอลทั่วไป โปรดตรวจสอบเกณฑ์ใบอนุญาตก่อน และอย่าคาดหวังว่าจะรู้ข้อเท็จจริงโดยไม่มีการดึงข้อมูล
หากคุณกำลังเลือกโมเดล 27B สำหรับฝั่งเซิร์ฟเวอร์ และต้องการสัญญาอนุญาตแบบผ่อนปรน LBS-27B ก็เป็นสิ่งที่ควรจับตามอง เพราะมีการประกาศใช้ Apache-2.0 ไว้แล้ว แต่ยังไม่มีอะไรให้ประเมิน และการประกาศสัญญาอนุญาตไม่ใช่ตัวโมเดล
หากคุณเป็นองค์กรที่มีรายได้มากกว่า $10 ล้านและมีกระบวนการจัดซื้อจัดจ้างที่เข้มงวด ความแตกต่างด้านสัญญาอนุญาตอาจสำคัญกว่าตัวเลข benchmark แถวใด ๆ ในบทความนี้ สัญญาอนุญาตแบบกำหนดเองของ LFM2.5 เป็นต้นทุนที่แท้จริง ขณะที่ Apache-2.0 ของ LBS-27B เป็นข้อได้เปรียบที่แท้จริง โดยมีเงื่อนไขว่าจะยังคงอยู่จนถึงการเปิดตัว
ตัวเลขที่จะเปลี่ยนคำตอบทั้งสามข้อคือจำนวนพารามิเตอร์ที่ใช้งานอยู่ จนกว่าตัวเลขนี้จะมีอยู่จริง จุดยืนที่ซื่อตรงคือโมเดลหนึ่งมีเรื่องราวด้านประสิทธิภาพ ส่วนอีกโมเดลหนึ่งมีรีโพซิทอรี
