LFM2.5-2.6B-Base: การเปิดตัวที่เงียบที่สุดของ Liquid AI คือสิ่งที่เหล่านักปรับแต่งโมเดลต้องการจริงๆ

เมื่ออ่านตัวเลขจากเคาน์เตอร์ของ Hugging Face เมื่อวันที่ 5 สิงหาคม 2026 ช่องว่างนั้นเห็นได้ชัดเจนจนมองข้ามไม่ได้: LFM2.5-2.6B โมเดล on-device แบบ agentic ที่ Liquid AI เปิดตัวเมื่อวันที่ 4 สิงหาคม มียอดดาวน์โหลด 47,393 ครั้ง. LFM2.5-2.6B-Base ซึ่งเป็น checkpoint ที่ผ่านการฝึกมาแล้ว ซึ่งน้ำหนักทั้งหมดนั้นสืบทอดมาจาก checkpoint นี้ มียอดอยู่ที่ 151. โดยองค์กรเดียวกัน สถาปัตยกรรมเดียวกัน ในสัปดาห์เดียวกัน อัตราส่วน 314 ต่อ 1.

เช็กพอยต์ฐานไม่ได้รั่วไหลและไม่ได้ถูกซ่อนไว้ มันปรากฏในโพสต์เปิดตัวของ Liquid ในวงเล็บเพียงจุดเดียว — "โมเดลพื้นฐาน (LFM2.5-2.6B-Base) และโมเดลหลังเทรน (LFM2.5-2.6B) พร้อมใช้งานแล้ววันนี้บน Hugging Face" — และนั่นคือทั้งหมดที่เผยแพร่เกี่ยวกับมัน ไม่มีเบนช์มาร์กเป็นของตัวเอง ไม่มีส่วน, ไม่มีการ์ดแยกต่างหาก ทุกอย่างด้านล่างนี้อ่านโดยตรงจากรีพอสิทอรี — การ์ดโมเดล, config.json, LICENSE ไฟล์ และ Hugging Face API — รวมถึงการคำนวณที่เราทำเอง เมื่อตัวเลขใดมาจากการประเมินของ Liquid เอง เราก็บอกอย่างนั้น เพราะสำหรับเช็กพอยต์เฉพาะนี้ ข้อเท็จจริงที่สำคัญที่สุดคือมีเพียงน้อยนิดที่ถูกวัดจริง

เรื่องนั้นสำคัญยิ่งกว่าที่เชิงอรรถบ่งบอกเสียอีก โมเดลที่ผ่านการเทรนเพิ่มเติม (post-trained) คุณสามารถตัดสินได้ด้วยการลองใช้มัน แต่เบสเช็คพอยต์คือข้อเสนอที่ให้คุณทุ่มเวลาสองสัปดาห์กับงบประมาณ GPU ก่อนจะได้เรียนรู้อะไร ดังนั้นเงื่อนไขของข้อเสนอ—ว่ามีอะไรอยู่ในนั้น, อนุญาตให้ใช้เพื่อจุดประสงค์ใด, และได้รับการประเมินในด้านใดบ้าง—จึงเป็นตัวตัดสินใจทั้งหมด

จริงๆ แล้วมีอะไรอยู่ในรีโพซิทอรี

เก้าไฟล์ น้ำหนักหนึ่งชาร์ด ไม่มีโค้ดโมเดล รายการข้อกำหนดของการ์ด ซึ่งยืนยันเทียบกับ config.json:

• พารามิเตอร์รวม 2.69B, bfloat16 ในไฟล์เดียวขนาด 5.39 GB model.safetensors. วางแผนการจัดเก็บและ VRAM จากตัวเลขนั้น ไม่ใช่จาก "2.6B"

• 30 เลเยอร์, ไฮบริด. การ์ดระบุว่ามีบล็อกคอนโวลูชันสั้นแบบ double-gated จำนวน 22 บล็อก และเลเยอร์ GQA attention 8 เลเยอร์ โดย layer_types ซึ่งเป็นอาร์เรย์ใน config.json ยืนยันได้ตรง ๆ ว่า มี 22 รายการของ conv และ 8 รายการของ full_attention โดยเลเยอร์ attention กระจายตัวประมาณทุกบล็อกที่สามหรือสี่ แทนที่จะรวมกลุ่มกัน

• hidden width 2048, intermediate 10752, หัวแอตเทนชัน 32 หัวบนหัวคีย์-แวลู 8 หัว — อัตราส่วน GQA 4 ต่อ 1 — พร้อมกับ embedding ของอินพุตและเอาต์พุตที่ผูกกัน (tied) และค่า rope theta เท่ากับ 10,000,000.

• คำศัพท์ 128,000 โทเคน, และตัวโทเคนไนเซอร์ขนาด 18 MB ที่มาพร้อมกับมัน Liquid เพิ่มคำศัพท์เป็นสองเท่าในเจนเนอเรชันนี้ ซึ่งเป็นต้นทุนที่มีนัยสำคัญที่ 2.6B: ด้วย tied embeddings ตารางคำศัพท์เพียงอย่างเดียวคิดเป็นประมาณ 262M ของงบประมาณพารามิเตอร์ เกือบหนึ่งในสิบของโมเดล

• โทเคนสำหรับการฝึก 34 ล้านล้าน. นั่นคือการปรีเทรนที่ยาวนานผิดปกติสำหรับโมเดลขนาดระดับนี้ และเป็นเหตุผลที่แข็งแกร่งที่สุดเพียงข้อเดียวที่จะพิจารณา checkpoint นี้เลย

• 16 ภาษาที่ประกาศ: อังกฤษ, อาหรับ, จีน, ฝรั่งเศส, เยอรมัน, ฮินดี, อินโดนีเซีย, อิตาลี, ญี่ปุ่น, เกาหลี, โปแลนด์, โปรตุเกส, รัสเซีย, สเปน, ไทย และเวียดนาม

สำหรับผู้ที่วางแผนงานแบบ long-context มีความไม่สอดคล้องกันอยู่หนึ่งประการ: การ์ดโฆษณา ความยาวบริบท 131,072 โทเคน, ในขณะที่ config.json ตั้งค่า max_position_embeddings ไว้ที่ 128,000. ทั้งบล็อกและเอกสารของ Liquid เองต่างก็ระบุ 128K. ความแตกต่าง 3,072 โทเคนจะไม่สำคัญสำหรับคนส่วนใหญ่ แต่ถ้าคุณกำลังเขียนสคริปต์การฝึกที่แพ็คลำดับตามความยาวสูงสุดที่โฆษณาไว้ ให้เชื่อถือไฟล์คอนฟิกมากกว่าการ์ด

สตริงสถาปัตยกรรมคือประเด็นหลักในทางปฏิบัติ: model_type คือ lfm2 และคลาสคือ Lfm2ForCausalLM — คลาสเดียวกับที่ LFM2 เปิดตัวมา LFM2.5 คือการฝึกก่อน (pre-training) เพิ่มเติมและการฝึกหลัง (post-training) ใหม่บนสถาปัตยกรรมเดิม ไม่ใช่สถาปัตยกรรมใหม่ ดังนั้นจึงไม่ต้องมีโค้ดโมเดลแบบกำหนดเองแต่อย่างใด นี่คือเหตุผลที่ llama.cpp, vLLM, MLX, ONNX Runtime, SGLang และ LM Studio รองรับตระกูลนี้ทั้งหมดตั้งแต่วันแรก และเหตุผลที่เส้นทาง fine-tuning ผ่าน Unsloth และ TRL ทำงานได้โดยไม่ต้องมีแพตช์ คุณจำเป็นต้องใช้transformers>=5.0.0.

การ์ดที่คุณได้รับคือการ์ดของอีกรุ่น

เปิด repository ฐาน และ heading แรกคือ "LFM2.5-2.6B" — ซึ่งเป็นชื่อของโมเดลที่ผ่านการ post-train แล้ว ไม่ใช่ตัวที่คุณกำลังดูอยู่ นี่ไม่ใช่การจับผิดเล็กน้อย เพราะทั้งหน้าอ่านเหมือนการ์ด instruct ที่มี paragraph เกี่ยวกับ base model แทรกเข้ามา และ artefact สามอย่างที่หลงเหลืออยู่อาจทำให้คุณเสียเวลาจริง ๆ

• YAML frontmatter ระบุว่า base_mode: LiquidAI/LFM2.5-2.6B-Base.ปัญหาสองอย่างในบรรทัดเดียว: คีย์นี้สะกดผิดจากของ Hugging Face base_model และยังชี้ base repository ไปที่ตัวมันเอง ไม่มีอะไรเสียหาย แต่ลิงก์โมเดลทรีที่คุณคาดหวังจาก lineage ที่ประกาศอย่างถูกต้องจะไม่ถูกสร้างขึ้นจากจุดนี้

• รีพอสิทอรีนี้ถูกแท็กว่า conversational และมาพร้อมกับ chat_template.jinja ดังนั้น Hugging Face จึงแสดงป้าย "Chat template" บน checkpoint ที่ไม่เคยผ่านการ instruction-tuned เทมเพลตนี้มีอยู่เพราะการกำหนดค่า tokenizer ถูกสืบทอดมา ไม่ใช่เพราะ weights รู้วิธีจัดการกับมัน

• ตัวอย่างโค้ดเริ่มต้นด่วนจากนั้นใช้เทมเพลตนั้น. ตัวอย่าง Python บนการ์ดโมเดลฐานเรียก tokenizer.apply_chat_template โดยใช้ {"role": "user"} เป็นข้อความและถามว่า "อะไรคือ C. elegans?" — วิธีคลาสสิกที่ทำให้โมเดลฐานดูพัง. การครอบเช็คพอยต์ที่ผ่านการฝึกมาแบบดิบด้วยรอบแชทจะให้ข้อความที่ล่องลอย ซ้ำ ๆ และต่อเนื่องเอง และง่ายที่จะตีความว่านั่นเป็นโมเดลที่ไม่ดี มากกว่ารูปแบบพรอมป์ที่ผิด. พรอมป์โมเดลนี้ในฐานะตัวเติมข้อความ แบบ few-shot โดยมีลำดับหยุดที่คุณควบคุม.

• ตาราง variants ระบุเฉพาะไลน์ที่ผ่านการ post-train แล้ว — ได้แก่ LFM2.5-2.6B พร้อมบิลด์ GGUF, ONNX และ MLX ไม่มีบิลด์ GGUF หรือ MLX ของ base checkpoint เลย ดังนั้นการ "รันบนเครื่องคืนนี้ใน LM Studio" จึงไม่สามารถทำได้ หากคุณไม่แปลงมันด้วยตัวเอง

Hugging Face ยังรายงานว่าไม่มีผู้ให้บริการ inference รายใดให้บริการ repository นี้ ไม่มี hosted endpoint สำหรับ base checkpoint ที่ใดเลย หากคุณต้องการ logits คุณต้องเช่า GPU

ส่วนเกณฑ์มาตรฐานที่ไม่มีอยู่

ไม่มีการเผยแพร่ตัวเลขการประเมินแม้แต่ตัวเดียวสำหรับ LFM2.5-2.6B-Base ไม่มี MMLU ไม่มี MMLU-Pro ไม่มี GPQA ไม่มี HellaSwag ไม่มี ARC ไม่มีค่าความงงงวย (perplexity) — ไม่มีอะไรเลย บนทั้งสามพื้นผิวของ Liquid (การ์ดโมเดล โพสต์เปิดตัว และเอกสารประกอบ) สำหรับ base checkpoint แล้ว การไม่มีข้อมูลเหล่านี้ถือเป็นการขาดหายไปอย่างเห็นได้ชัด เนื่องจากคะแนนความรู้และการใช้เหตุผลเหล่านั้นคือสิ่งที่ใช้ตัดสินได้ว่าการฝึกก่อน (pre-training) ด้วยโทเค็น 34T ได้ทิ้งสิ่งที่มีค่าแก่การ fine-tuning ไว้หรือไม่

สิ่งที่มีอยู่นั้นเป็นของรุ่นพี่น้องที่ผ่านการฝึกภายหลัง รายงานโดย Liquid และยังไม่มีการทำซ้ำโดยอิสระ ในการประเมินของ Liquid เอง LFM2.5-2.6B ได้คะแนน 51.87 ใน AIME25, 59.17 ใน IFBench, 80.07 ใน Multi-IF, 56.88 ใน BFCLv4, 77.83 ใน ToolSandbox และ 26.89 ใน BrowseComp+ ภายใต้กรอบการทดสอบ OpenClaw โดยเปรียบเทียบกับ gemma-4-E2B-it (5.1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) และ Qwen3.5-9B (9.7B) บทสรุปของ Liquid คือมันเป็นผู้นำในทุกเกณฑ์ชี้วัดการทำตามคำสั่ง และเกือบทุกเกณฑ์ชี้วัดการใช้เครื่องมือ และแผนภูมิของมันเองก็เปิดเผยถึงข้อยกเว้น: Qwen3.5-9B นำหน้าใน AIME25 ที่คะแนน 56.07 และใน BFCLv4 ที่ 60.13 การอ้างสิทธิ์ด้านความเร็วก็เป็นไปตามกฎเดียวกัน — ถอดรหัส 220 โทเค็น/วินาทีบน M5 Max, 113 บน Ryzen AI Max+ 395, ประมาณ 30 บนโทรศัพท์, ใช้หน่วยความจำต่ำกว่า 2.5 GB, และประมาณ 15,000 โทเค็นเอาต์พุต/วินาทีที่การทำงานพร้อมกันสูงบน H100 หนึ่งตัว — ทั้งหมดวัดโดยผู้ผลิต ยังไม่มีใครอื่นตรวจสอบยืนยัน

กับดักคือการสมมติว่าสิ่งเหล่านั้นจะถ่ายโอนมาได้. คะแนนเหล่านั้นเป็นผลผลิตของไปป์ไลน์สี่ขั้นตอนที่ใช้ บน เช็คพอยต์นี้: การปรับแต่งแบบมีผู้สอนสองรอบ, การทำให้ครูเชี่ยวชาญเฉพาะโดเมน, การกลั่นความรู้แบบออนโพลิซีหลายโดเมน, จากนั้นจึงเป็นการเรียนรู้เสริมแรงแบบเอเจนต์ด้วย GRPO ที่รันในกรอบทดสอบจริง. การเรียกใช้เครื่องมือและการทำตามคำสั่งคือพฤติกรรมที่ไปป์ไลน์นั้นปลูกฝังไว้. นำน้ำหนักฐานมาใช้ แล้วคุณจะเริ่มต้นก่อนทุกอย่างนั้น. สิ่งที่คุณสืบทอดคือการฝึกก่อน — ภาษา ความรู้โลก ความสามารถด้านบริบทยาว สถาปัตยกรรมไฮบริดที่มีประสิทธิภาพ — และคุณควรถือว่าคุณไม่ได้สืบทอดสิ่งใดจากตารางคะแนนเชิงเอเจนต์เลย.

การดาวน์โหลด 151 ครั้งไม่ใช่แค่เร็วเท่านั้น — แต่มันผิดแผกไปจากแบบแผนของครอบครัวเอง

Liquid ส่ง base checkpoints เป็นประจำอยู่แล้ว ดังนั้น release นี้จึงไม่ใช่เรื่องผิดปกติในเชิงชนิด แต่สิ่งที่วัดได้คือการละเลย เมื่อเปรียบเทียบ repository base แต่ละตัวของ LFM2.5 กับเวอร์ชัน instruct ของมันในวันเดียวกัน จะเห็นบรรทัดฐานภายในที่ชัดเจน — และมีหนึ่งค่าที่ผิดปกติอย่างเห็นได้ชัด

• LFM2.5-230M — มีการดาวน์โหลด 58,676 ครั้ง เทียบกับ 6,982 ครั้งของรุ่นฐาน: ประมาณ 8 ต่อ 1.

• LFM2.5-350M — 94,526 เทียบกับ 9,397: ประมาณ 10 ต่อ 1.

• LFM2.5-1.2B — 583,914 สำหรับรุ่น Instruct เทียบกับ 17,867 สำหรับรุ่นฐาน: ประมาณ 33 ต่อ 1.

• LFM2.5-8B-A1B — 171,520 ต่อ 3,996: ประมาณ 43 ต่อ 1.

• LFM2.5-2.6B — 47,393 ต่อ 151: ประมาณ 314 ต่อ 1.

บางส่วนนั้นก็เป็นเรื่องของอายุของข้อมูลล้วนๆ; ที่เก็บฐาน (base repository) ถูกสร้างขึ้นเมื่อวันที่ 1 สิงหาคม และโมเดล instruct ได้เปรียบในการเริ่มก่อนสี่วันรวมถึงโพสต์เปิดตัวด้วย แต่เช็คพอยต์ฐานที่เก่ากว่าในตระกูลนี้ตั้งอยู่ระหว่างอัตราส่วน 8 ต่อ 1 ถึง 43 ต่อ 1 ดังนั้นการที่ค่ามากกว่าค่าที่แย่ที่สุดถึงหนึ่งลำดับความสำคัญจึงเป็นความผิดปกติที่แท้จริง ไม่ใช่แค่สิ่งประดิษฐ์จากการปัดเศษของที่เก็บใหม่

ไลก์บอกเรื่องราวที่ละเอียดกว่าที่เห็น ที่เก็บหลักมีไลก์ 28 ครั้ง ต่อการดาวน์โหลด 151 ครั้ง — ประมาณหนึ่งบุ๊กมาร์กต่อการดึงห้าครั้ง โมเดล instruct มีไลก์ 232 ครั้ง ต่อ 47,393 ครั้ง ประมาณหนึ่งต่อ 204 ผู้คนบุ๊กมาร์ก base checkpoint เพื่อกลับมาหามัน ไม่ได้ดาวน์โหลด มี fine-tune จากชุมชนสองตัวและ quantization เจ็ดตัวอยู่ใน model tree แล้ว ซึ่งเป็นลักษณะของขอบเขตการนำไปใช้ที่ล้ำหน้าก่อนที่ปริมาณจะมา

“ปราศจากข้อจำกัด” ไม่ใช่สิ่งที่สัญญาอนุญาตกล่าวไว้

หน้าเปิดตัวของ Liquid อธิบายว่าการปล่อยครั้งนี้เป็นแบบ open-weight: "ดาวน์โหลด ปรับแต่ง และปรับใช้ได้โดยไม่มีข้อจำกัด" ไฟล์ใน repository ระบุบางอย่างที่แคบกว่า และนี่คือส่วนที่ควรอ่านสองครั้งหากคุณกำลังพิจารณาสร้างผลิตภัณฑ์บนน้ำหนักเหล่านี้

ใบอนุญาตคือ LFM Open License v1.0 — ไม่ใช่ Apache-2.0 ไม่ใช่ MIT และไม่ใช่ข้อกำหนดเดียวกันกับโมเดลน้ำหนักเปิดขนาดเล็กส่วนใหญ่ที่คุณอาจกำลังเปรียบเทียบกับมันอยู่ เมื่ออ้างอิงจากไฟล์โดยตรง ส่วนที่ 5 มีชื่อว่า "ข้อจำกัดการใช้เชิงพาณิชย์" และระบุว่า: "สิทธิ์ที่ให้ภายใต้ใบอนุญาตนี้สำหรับการใช้เชิงพาณิชย์มีเงื่อนไขว่าคุณหรือนิติบุคคลของคุณต้องไม่เกินเกณฑ์," ตามด้วย "การใช้เชิงพาณิชย์ใดๆ ของงานหรืองานดัดแปลงโดยนิติบุคคลที่เกินเกณฑ์จะไม่ได้รับอนุญาตภายใต้ข้อตกลงนี้." ส่วนที่ 1 นิยามเกณฑ์ว่า "รายได้ต่อปีตั้งแต่ 10 ล้านดอลลาร์สหรัฐ ($10,000,000) หรือมากกว่า."

ดังนั้นการอ่านเชิงปฏิบัติคือ:

• รายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ — คุณได้รับสิทธิ์ใช้งานที่กว้างขวาง ถาวร และปลอดค่าลิขสิทธิ์ ครอบคลุมการทำสำเนา งานดัดแปลง การเผยแพร่ และการอนุญาตช่วง รวมถึงการใช้ในเชิงพาณิชย์

• ตั้งแต่ $10M ขึ้นไป — การใช้งานเชิงพาณิชย์ไม่ได้รับอนุญาตตามข้อตกลงนี้. ไม่ใช่ "ต้องระบุแหล่งที่มา" ไม่ใช่ "ต้องแจ้งให้ทราบ" คุณต้องติดต่อ Liquid ซึ่งน่าจะเป็นเหตุผลว่าทำไมการ์ดจึงลงท้ายด้วยลิงก์ไปยังทีมขายของพวกเขา

• งานดัดแปลงสืบทอดข้อจำกัดนี้ การที่คุณ fine-tune checkpoint นี้ถือเป็นงานดัดแปลง ดังนั้นโมเดลที่คุณใช้เวลาฝึกหนึ่งไตรมาสจึงได้รับสิทธิ์แบบมีเงื่อนไขด้านรายได้เดียวกัน หากบริษัทของคุณผ่านเกณฑ์ดังกล่าว — หรือถูกบริษัทที่ผ่านเกณฑ์อยู่แล้วเข้าซื้อ — เงื่อนไขที่ผลิตภัณฑ์ของคุณพึ่งพาอยู่จะเปลี่ยนไป

• องค์กรไม่แสวงหาผลกำไรที่เข้าเงื่อนไขได้รับการยกเว้น: เกณฑ์ดังกล่าวไม่ใช้บังคับกับองค์กร 501(c)(3) หรือองค์กรเทียบเท่าในต่างประเทศที่ใช้ผลงานเพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์หรือการวิจัย ภาระผูกพันตามปกติยังคงมีผลใช้บังคับ — ส่งต่อสัญญาอนุญาตต่อไป คงไว้ซึ่งประกาศการแสดงที่มา และทำเครื่องหมายไฟล์ที่คุณแก้ไข

ไม่มีอะไรในนี้ที่ทำให้การเผยแพร่ดูตระหนี่; เกณฑ์ $10M ยกเว้นแทบทุกสตาร์ทอัพและนักวิจัยทุกคน และมันเป็นวิธีที่ชอบด้วยกฎหมายในการเผยแพร่น้ำหนักโมเดล แต่คำว่า "ไร้ข้อจำกัด" เป็นข้อความทางการตลาดที่ขัดแย้งกับสัญญาอนุญาต และความไม่สอดคล้องนี้ส่งผลรุนแรงที่สุดตรงจุดนี้พอดี การปรับแต่งเช็คพอยต์ฐานเป็นวิธีนำโมเดลมาใช้ที่แพงที่สุดและย้อนกลับยากที่สุด นั่นคือจุดที่แย่ที่สุดที่จะไปค้นพบข้อกำหนดเรื่องรายได้

จริงๆ แล้วใครควรจะทำ checkpoint นี้

คำแนะนำของ Liquid เองนั้นแคบอย่างน่าชื่นใจ และควรค่าแก่การทำตาม: การ์ดระบุว่า checkpoint ที่ผ่านการเทรนไว้ล่วงหน้าคือ "แนะนำสำหรับงานที่ต้องมีการ fine-tuning อย่างหนักเท่านั้น เช่น ผู้ช่วยเฉพาะภาษา (เช่น ภาษาญี่ปุ่น) หรือผู้ช่วยเฉพาะด้าน (เช่น ทางการแพทย์) การฝึกอบรมด้วยข้อมูลที่เป็นกรรมสิทธิ์ หรือการทดลองแนวทางหลังการฝึกอบรมแบบใหม่." คำว่า 'เท่านั้น' กำลังทำงานจริง ถ้าคุณต้องการ agent บนอุปกรณ์ที่เรียกใช้เครื่องมือได้ LFM2.5-2.6B แบบ post-trained คือจุดเริ่มต้นที่ดีกว่าอย่างชัดเจน และ base checkpoint จะทำให้คุณเสียเวลาทั้งเดือน.

กรณีที่มันเป็นตัวเลือกที่ถูกต้องจริงๆ:

• ภาษาที่ post-training ให้ความสำคัญไม่เพียงพอ โทเคน 34T จาก 16 ภาษาเป็นรากฐานหลายภาษาที่แข็งแกร่ง และ Liquid พิสูจน์แนวทางนี้ในองค์กรแล้วด้วยโมเดลภาษาญี่ปุ่นในสาย 1.2B การพรีเทรนต่อเนื่องด้วยภาษาของคุณ แล้วจึงปรับจูนด้วยคำสั่งของคุณเอง จะช่วยให้ไม่ต้องต่อสู้กับบุคลิกที่ยึดภาษาอังกฤษเป็นศูนย์กลางซึ่งเกิดจาก post-training

• Vertical ที่อยู่ภายใต้การกำกับดูแลพร้อมข้อมูลเฉพาะองค์กร การใช้พื้นที่ต่ำกว่า 2.5 GB ในขณะอนุมานผล ไม่พึ่งพาคลาวด์ และมีใบอนุญาตที่ยืดหยุ่นเพียงพอภายใต้เกณฑ์รายได้ ถือเป็นการผสมผสานที่หาได้ยากสำหรับการใช้งานด้านการแพทย์ กฎหมาย หรืออุตสาหกรรม ซึ่งข้อมูลไม่สามารถออกจากอุปกรณ์ได้

• งานวิจัยหลังการฝึก. Liquid เผยแพร่สูตรของมัน — SFT, teacher specialisation, MOPD, agentic RL — จากนั้นก็ส่งมอบอินพุตที่ใช้กับสูตรดังกล่าวพร้อมกับเอาต์พุต การที่คุณสามารถรันวิธีการของคุณเองบนน้ำหนักตั้งต้นเดียวกันและเทียบผลต่างกับอิมพลีเมนเทชันอ้างอิงที่แข็งแกร่งได้นั้นเป็นเรื่องที่หาได้ยากและทรงคุณค่า

• เป้าหมายการกลั่น.ไฮบริดขนาด 2.6B ที่ถอดรหัสได้ 220 โทเคนต่อวินาทีบนแล็ปท็อป เป็น student ที่น่าสนใจสำหรับการบีบอัด teacher ที่ใหญ่กว่ามากให้กลายเป็นสิ่งที่สามารถนำไปใช้งานได้

คู่สุดท้ายนั้นคือจุดที่ต้นทุนไปตกอยู่จริง ๆ และมันไม่ใช่ชั่วโมง GPU — แต่มันคือข้อมูล ไปป์ไลน์ของ Liquid ทำงานบนความเชี่ยวชาญเฉพาะของโมเดลครูและการกลั่นความรู้แบบ on-policy ซึ่งหมายความว่า เงื่อนไขเบื้องต้นที่แท้จริงของการจะสร้างผลงานแบบนั้นขึ้นมาใหม่ได้ คือต้องมีข้อมูลปริมาณมหาศาลที่สร้างจากโมเดลที่แข็งแกร่งกว่า บวกกับคู่ preference และการสร้างข้อมูลแบบให้รางวัลที่ตรวจสอบได้ (verifiable-reward rollouts) นี่คืองานที่ต้องใช้หลายโมเดล ก่อนที่จะเป็นงานเทรนนิ่งเสียอีก: คุณต้องเปรียบเทียบโมเดลครูที่เป็นตัวเลือกในโดเมนของคุณก่อน แล้วค่อยสร้างข้อมูลปริมาณมากจากตัวที่ชนะ และนี่คือส่วนของงานที่ผลิตภัณฑ์ของเรามุ่งเป้าโดยตรง — OrcaRouter รวมโมเดลกว่า 200 ตัวไว้เบื้องหลังคีย์ API เดียวโดยไม่คิดมาร์กอัป (0% markup) ดังนั้นสิ่งที่คุณจ่ายสำหรับชุดข้อมูล SFT สังเคราะห์คือราคามาตรฐานของผู้ให้บริการ ไม่ใช่ราคาพรีเมียมที่บวกเพิ่มจากการจัดเส้นทาง (เมื่อผู้ให้บริการรายใดลดราคา ฝั่งเราก็ปรับลดตามในวันเดียวกัน) ระบบ failover อัตโนมัติช่วยให้งานสร้างข้อมูลที่กินเวลายี่สิบชั่วโมงไม่ต้องพังเพราะช่วงเวลาที่ผู้ให้บริการรายหนึ่งมีปัญหา และ routing DSL ช่วยให้คุณกระจายพรอมป์ต์เดียวไปยังโมเดลครูหลายตัว แล้วเลือกเก็บคำตอบที่ดีที่สุด เพื่อให้ชัดเจนว่าเราไม่ได้ให้บริการอะไรบ้าง: LFM2.5-2.6B-Base ไม่ได้อยู่บน OrcaRouter และไม่มีผู้ให้บริการ inference รายใดโฮสต์มัน — คุณต้องรันน้ำหนักโมเดลเหล่านี้ด้วยตัวเอง เรามีประโยชน์สำหรับฝั่งโมเดลครู ไม่ใช่ฝั่งโมเดลนักเรียน

การแบ่งแบบเดียวกันนี้ควรคำนึงถึงไว้ไม่ว่าคุณจะส่งมอบอะไรก็ตาม โพสต์ของ Liquid โต้แย้งว่าเอเจนต์ในเครื่องทำให้การอนุมานไม่มีค่าใช้จ่าย และทำให้ต้นทุนต่อโทเค็นไม่เป็นข้อจำกัด ซึ่งเป็นจริงสำหรับโทเค็นส่วนเพิ่ม ไม่ใช่บิลรวม — คุณได้จ่ายล่วงหน้าในฮาร์ดแวร์แล้ว และโมเดล 2.6B ยังมีเพดานของมัน Liquid กล่าวเช่นนั้นเอง โดยแนะนำไม่ให้ใช้ตระกูลนี้กับงานเอเจนต์ที่เน้นการเขียนโค้ดหรือต้องใช้ความรู้มาก รูปแบบที่ยั่งยืนคือการมีโมเดลท้องถิ่นที่ปรับแต่งแล้วสำหรับจัดการเส้นทางทั่วไปที่มีปริมาณสูงบนอุปกรณ์ และส่งต่องานส่วนน้อยที่ยากไปยังโมเดลระดับแนวหน้าผ่าน API ซึ่งยังคงข้อได้เปรียบด้านความเป็นส่วนตัวและความหน่วงในจุดที่สำคัญ โดยไม่แสร้งว่าพารามิเตอร์ 2.6B จะทำทุกอย่างได้

เส้นทางจากน้ำหนักเหล่านี้ไปสู่สิ่งที่ใช้งานได้

โพสต์เปิดตัวไม่ได้กล่าวถึงเรื่องนี้เลย แต่การ์ดฐานกลับมีสิ่งที่มีประโยชน์ที่สุดในคลังทั้งหมดอยู่อย่างเงียบๆ นั่นคือโน้ตบุ๊ก Colab ที่พร้อมรันได้ 7 ตัว ซึ่งครอบคลุมขั้นตอนไปป์ไลน์ที่ base checkpoint ต้องการทั้งหมด สองตัวในนั้นเป็นการ pre-training ต่อเนื่อง — หนึ่งสำหรับการเติมข้อความ และหนึ่งสำหรับการแปล — ซึ่งเป็นขั้นตอนที่สมเหตุสมผลเมื่อเริ่มจากน้ำหนักของ base เท่านั้น และเป็นขั้นตอนที่ไม่มีใครเขียนสอนไว้ ที่เหลือครอบคลุม supervised fine-tuning ผ่าน Unsloth และ TRL, DPO ผ่าน TRL และ GRPO ผ่านทั้งสองเครื่องมือ Liquid ยังมาพร้อม LEAP Finetune เป็นชุดฝึกโมเดลของตัวเอง หากคุณไม่อยากประกอบเอง

การอ่านเอกสาร fine-tuning ของ Liquid เทียบกับโครงสร้างของโมเดลนี้ ลำดับที่เป็นจริงจะมีลักษณะดังนี้:

• ก่อนอื่น ให้พรอมต์มันเป็นตัวเติมเต็มก่อนที่จะฝึกอะไรทั้งนั้นไม่ต้องสนใจ chat template บนการ์ด ใช้แบบ few-shot ข้อความดิบ และ stop sequences ของคุณเอง นี่คือวิธีที่คุณจะรู้ว่า pre-training ครอบคลุมโดเมนและภาษาของคุณอยู่แล้วหรือไม่ ซึ่งจะตัดสินว่าคุณต้องทำ continued pre-training หรือข้ามไปที่ SFT ได้เลย

• ควรทำ continued pre-training เฉพาะเมื่อคุณกำลังเพิ่มองค์ความรู้หรือภาษาเท่านั้น นี่คือแนวทางที่แพง — ระดับคลังข้อมูล ไม่ใช่ระดับตัวอย่าง — และเป็นเพียงสิ่งเดียวที่โมเดลพี่น้องที่ผ่าน post-training แล้วไม่สามารถมอบให้คุณได้อย่างแท้จริง

• จากนั้นทำ SFT ด้วย LoRA บนตัวอย่าง 500 ถึง 5,000 ตัวอย่างคำแนะนำของ Liquid เองคือคุณภาพและการกระจายตัวสำคัญกว่าปริมาณ และตัวอย่างควรตรงกับอินพุตการผลิตจริง ที่ขนาด 2.6B การรัน LoRA หนึ่งรอบใช้เวลาสั้น: เอกสารระบุว่าการรันขนาด 1.2B ใช้เวลาตั้งแต่ไม่กี่นาทีถึงหลายสิบนาทีบน GPU สมัยใหม่หนึ่งตัว ดังนั้นขนาดนี้จึงยังเป็นรอบที่เสร็จภายในบ่ายวันเดียว

• ตรึงชุดข้อมูลที่กันไว้ก่อนฝึก พูดตรงๆ และควรพูดซ้ำสำหรับ checkpoint นี้โดยเฉพาะ เพราะไม่มี baseline ที่เผยแพร่ให้เทียบได้ — ชุดประเมินของคุณคือตัวเลขเดียวที่ทุกคนมี

• Preference หรือ RL เป็นขั้นตอนสุดท้าย และใช้เฉพาะเมื่อพฤติกรรมเป็นปัญหาเท่านั้น. มีสูตร DPO และ GRPO สำหรับตระกูลนี้ แต่มันคือการปรับแต่งเพิ่มเติมบนโมเดลที่ตอบได้อยู่แล้ว การนำมาใช้ก่อนที่ SFT จะเสร็จสิ้นคือวิธีที่โปรเจกต์ base-checkpoint หยุดชะงัก.

โปรดสังเกตสิ่งที่ไม่อยู่ในรายการนั้น: ไม่มีอะไรในที่นี้ที่ต้องใช้เคอร์เนลแบบกำหนดเอง ตัวฝึกที่แพตช์ หรือไฟล์โมเดลลิง เนื่องจาก LFM2.5 ใช้สถาปัตยกรรม LFM2 ซ้ำ เช็คพอยต์พื้นฐานจึงหยอดลงในสแตกมาตรฐานได้ และต้นทุนทั้งหมดของโปรเจกต์นี้ก็คือคอร์ปัสกับชุดประเมินผลที่คุณสร้างขึ้นมานั่นเอง

อะไรจะเปลี่ยนภาพ

มีสามสิ่งที่ควรจับตามอง ทั้งหมดเป็นเรื่องที่ Liquid แก้ไขได้ไม่ยาก และยังไม่มีสิ่งใดที่แก้ไขแล้วในวันนี้

อย่างแรกคือการประเมินพื้นฐาน ตัวเลข MMLU-Pro หรือ GPQA เพียงค่าเดียวบน checkpoint ที่ผ่าน pre-training จะให้ข้อมูลแก่ผู้ทำ fine-tuning มากกว่า benchmark แบบ agentic ทุกตัวในโพสต์เปิดตัวรวมกัน และความจริงที่ว่าใช้ 34T tokens เข้าไปทำให้การที่ไม่มีข้อมูลนี้ดูน่าสงสัยมากขึ้น ไม่ใช่น้อยลง อย่างที่สองคือการ์ดเอง — ที่เก็บโค้ดพื้นฐานที่ส่วนหัวตั้งชื่อโมเดลคนละตัว quick-start ของมันใช้ chat template กับโมเดลที่ไม่ใช่ chat และ frontmatter ของมันพิมพ์base_modelผิด ซึ่งเป็นสิ่งที่แก้ได้ในสิบนาที และจะทำให้คนไม่สรุปว่า weights เสีย ทั้งที่จริงแล้วคำแนะนำต่างหากที่ผิด อย่างที่สามคือรายงานเทคนิค LFM2.5 ส่วนอ้างอิงชี้ไปที่ arXiv 2511.23404 ซึ่งเป็นLFM2รายงานเทคนิคจากพฤศจิกายน 2025; บทความของรุ่น 2.5 เองยังไม่ได้เผยแพร่ ดังนั้นองค์ประกอบของข้อมูล pre-training ที่อยู่เบื้องหลัง 34T tokens เหล่านั้นจึงไม่ถูกเปิดเผย

จนถึงตอนนั้น สรุปตามตรงคือ นี่คือโมเดลพื้นฐานขนาด 2.6B ที่ถูกกำหนดสเปกไว้อย่างดี ผ่านการฝึกมาอย่างยาวนาน มีโครงสร้างที่มีประสิทธิภาพ พร้อมกลุ่มเป้าหมายที่ชัดเจนอย่างผิดปกติ แต่เผยแพร่ออกมาโดยไม่มีตัวเลขวัดผลและมีใบอนุญาตจำกัดรายได้ และจนถึงตอนนี้แทบไม่มีใครได้หยิบมันออกมาจากกล่องเลย ถ้าคุณอยู่ในกลุ่มที่การ์ดบรรยายไว้ มันคุ้มกับเวลาประมวลผลบน GPU ของคุณ — และคุณจะเป็นหนึ่งในคนกลุ่มแรก ๆ ของโลกที่รู้ว่ามันดีจริง ๆ แค่ไหน

คำถามที่ควรค่าแก่การตอบ

นี่คือ checkpoint เดียวกับที่ใช้ post-train LFM2.5-2.6B หรือว่าเป็นการ pre-training แยกต่างหาก?

บัตรข้อมูลระบุว่า LFM2.5-2.6B-Base "เป็น checkpoint ที่ผ่านการ pretrain ด้วยข้อความเท่านั้น ใช้สร้าง LFM2.5-2.6B ทุกรูปแบบ" ดังนั้นจึงเป็นอินพุตจริงของไปป์ไลน์ที่เผยแพร่ ไม่ใช่เวอร์ชันคู่ขนานหรือเวอร์ชันที่ลดขนาดลง นี่คือสิ่งที่ทำให้มีประโยชน์สำหรับงานวิจัย post-training: วิธีการของคุณและสี่ขั้นตอนของ Liquid เริ่มต้นจากน้ำหนักที่เหมือนกัน การเปรียบเทียบระหว่างทั้งสองจึงมีความหมาย ควรสังเกตว่า base repository ถูกสร้างเมื่อวันที่ 1 สิงหาคม และแก้ไขล่าสุดเมื่อวันที่ 4 สิงหาคม ซึ่งเป็นวันเปิดตัว — ตรวจสอบประวัติ commit ก่อนจะสมมติว่าไฟล์ที่คุณดาวน์โหลดครั้งแรกคือไฟล์ที่เผยแพร่จริง

ฉันสามารถปรับแต่งมันและขายผลลัพธ์ได้หรือไม่?

หากรายได้ต่อปีของนิติบุคคลของคุณต่ำกว่า 10,000,000 ดอลลาร์สหรัฐ ใช่ — สิทธิ์การใช้งาน LFM1.0 ครอบคลุมการใช้เชิงพาณิชย์ของผลงานดัดแปลง โดยมีเงื่อนไขว่าต้องคงข้อความแสดงสิทธิ์และการอ้างอิงไว้อย่างครบถ้วน และทำเครื่องหมายไฟล์ที่มีการแก้ไข หากรายได้เท่ากับหรือสูงกว่าเกณฑ์ดังกล่าว การใช้โมเดลหรือสิ่งใดก็ตามที่ดัดแปลงจากโมเดลในเชิงพาณิชย์จะอยู่นอกเหนือขอบเขตของสัญญาอนุญาต และจำเป็นต้องมีการจัดการแยกต่างหากกับ Liquid เกณฑ์ดังกล่าวผูกกับรายได้ของนิติบุคคลของคุณ ไม่ใช่ตัวโมเดลหรือรายได้ที่โมเดลสร้างขึ้น ดังนั้น โมเดลที่ผ่านการปรับแต่งชุดเดียวกันจึงอาจได้รับอนุญาตให้บริษัทหนึ่งใช้ได้แต่อีกบริษัทหนึ่งใช้ไม่ได้ และบริษัทที่เติบโตจนข้ามเกณฑ์จะไม่คงสิทธิ์ที่เคยได้รับไว้

ทำไมไม่เพียงแค่ fine-tune โมเดล LFM2.5-2.6B ที่ผ่านการ post-training มาแล้วแทนล่ะ?

สำหรับโปรเจกต์ส่วนใหญ่ คุณควรเริ่มจาก base checkpoint และการ์ดของ Liquid ก็ระบุไว้ชัดเจนแบบนั้น เหตุผลที่ต้องเริ่มจาก base checkpoint ก็คือเมื่อ post-training ทำงานต่อต้านคุณมากกว่าจะช่วยคุณ: การ continued pre-training อย่างหนักบนภาษาใหม่หรือคลังข้อมูลเฉพาะทางมักจะทำลายพฤติกรรมที่ถูกปรับแต่งด้วย instruction อยู่แล้ว และรูปแบบการปฏิเสธ ธรรมเนียมการเรียกใช้เครื่องมือ และสไตล์การตอบที่ถูกฝังโดย SFT และ RL นั้นยากจะลบออกและง่ายที่จะขัดแย้งกัน หากคุณกำลังเพิ่มความรู้หรือภาษา ให้เริ่มจาก base หากคุณกำลังปรับพฤติกรรมเพียงเล็กน้อย ให้เริ่มจากโมเดลที่ผ่าน post-training และเก็บงานทั้งสี่ขั้นตอนที่มีคนจ่ายเงินไปแล้ว