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

เมื่ออ่านตัวเลขบน Hugging Face วันที่ 5 สิงหาคม 2026 จะเห็นช่องว่างที่ชัดเจนมาก: LFM2.5-2.6B ซึ่งเป็นโมเดลออนดีไวซ์แบบเอเจนต์ที่ Liquid AI เปิดตัวเมื่อวันที่ 4 สิงหาคม มียอดดาวน์โหลด 47,393 ครั้ง LFM2.5-2.6B-Base ซึ่งเป็นพรีเทรนด์เช็คพอยต์ที่น้ำหนักทุกตัวเหล่านั้นสืบทอดมา อยู่ที่ 151 องค์กรเดียวกัน สถาปัตยกรรมเดียวกัน สัปดาห์เดียวกัน แต่อัตราส่วนห่างกัน 314 ต่อ 1 หนึ่งสัปดาห์ต่อมา ช่องว่างการเข้าถึงก็ยังชี้ไปในทิศทางเดียวกัน: เมื่อวันที่ 11 สิงหาคม โมเดลที่ผ่านการเทรนหลัง (post-trained) LFM2.5-2.6B ได้รับ API endpoint ที่โฮสต์ไว้ — ให้บริการฟรี — ในขณะที่ LFM2.5-2.6B-Base ยังคงเป็นเช็คพอยต์ที่ไม่มี endpoint ดังกล่าว

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 ยังคงรายงานว่าไม่มีผู้ให้บริการ inference ใดให้บริการพื้นที่เก็บข้อมูล (repository) นี้ และนั่นก็ไม่เปลี่ยนแปลงตั้งแต่เปิดตัว สิ่งที่เปลี่ยนไปคืออีกครึ่งหนึ่งของคู่นี้: เมื่อวันที่ 11 สิงหาคม หลังการเทรน LFM2.5-2.6B ได้รับ endpoint ที่โฮสต์ไว้บน API การจัดเส้นทางโมเดลเชิงพาณิชย์ — รายการดังกล่าวปรากฏในทะเบียนโมเดลสาธารณะของแพลตฟอร์มนั้น โดยให้บริการฟรี ทั้ง prompt และ completion ที่ $0 และเปิดเผย context เต็ม 128K เราตรวจสอบทะเบียนโดยตรง รายการจึงได้รับการยืนยันอย่างอิสระ ราคา $0 เป็นตัวเลขปัจจุบันของแพลตฟอร์มและอาจเปลี่ยนแปลงได้ ไม่มีส่วนใดเกี่ยวข้องกับ base: LFM2.5-2.6B-Base ยังคงไม่มี endpoint ที่โฮสต์ไว้ที่ใดเลย ดังนั้นหากคุณต้องการ logits ของมัน คุณก็ยังต้องเช่า 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

อะไรจะทำให้ภาพเปลี่ยนไป

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