LFM2.5-24B-A2B กับ Granite 4.2 30B: โมเดลแล็ปท็อปแบบสแปร์ส หรือโมเดลเวิร์กสเตชันแบบเดนส์

"Open weights" กำลังทำหน้าที่สองอย่างที่แตกต่างกันใน LFM2.5-24B-A2B และ Granite 4.2 30B. โมเดลของ Liquid AI ซึ่งประกาศเมื่อวันที่ 13 ตุลาคม 2026 เป็นโมเดล mixture-of-experts ขนาด 24 พันล้านพารามิเตอร์ที่เปิดใช้งาน 2.45 พันล้านพารามิเตอร์ต่อโทเคน และเผยแพร่ภายใต้สัญญาอนุญาต lfm1.0 ของผู้พัฒนเอง Granite 4.2 30B ของ IBM ซึ่งเผยแพร่บน Hugging Face เมื่อวันที่ 25 สิงหาคม 2026 เป็นโมเดล reasoning แบบ dense decoder-only — มีพารามิเตอร์ราว 29 พันล้านตัวใน safetensors แบบ BF16 โดยทุกตัวทำงานในทุกโทเคน — และเผยแพร่ภายใต้ Apache 2.0 หนึ่งในสัญญาอนุญาตเหล่านั้นคือการให้สิทธิ์ Apache มาตรฐานที่ไม่มีข้อผูกมัด ส่วนอีกอันหนึ่งไม่ใช่ และความแตกต่างนั้นยังคงอยู่ไม่ว่าคุณจะมีข้อโต้แย้งเรื่อง benchmark ใด ๆ เกี่ยวกับสองตัวนี้

ความแตกต่างข้อที่สองคือเลขคณิตที่ไม่มี eval ใดซ่อนไว้ได้ MoE ที่มีพารามิเตอร์ใช้งานจริง 2.45B นั้นถูกกำหนดขนาดมาให้เหมาะกับเครื่องที่คุณมีอยู่แล้ว ส่วนโมเดล dense 29B ต้องใช้ GPU ที่มีหน่วยความจำมากพอจะบรรจุมันไว้ ซึ่งทำให้การเปรียบเทียบไม่ใช่เรื่อง “ตัวไหนฉลาดกว่า” เท่าไร แต่เป็น “ในบรรดาตัวเลือกเหล่านี้ ตัวไหนที่คุณรันได้จริงบนฮาร์ดแวร์ที่อยู่ตรงหน้าคุณ”

ตำแหน่งที่พารามิเตอร์ไป

LFM2.5-24B-A2B ประกอบด้วย 40 เลเยอร์ แบ่งเป็น 30 บล็อก short-convolution แบบ double-gated และ 10 เลเยอร์ grouped-query attention โดยมี 64 experts ต่อบล็อก และการ routing แบบ top-4 Liquid ฝึกมันด้วย 33 ล้านล้านโทเค็นตามการนับในโพสต์เปิดตัว — หรือ 36 ล้านล้านโทเค็นตามการนับใน model card บน Hugging Face สำหรับการเปิดตัวเดียวกัน ซึ่งเป็นความไม่ตรงกันที่ไม่มีเอกสารใดอธิบายได้ — จากนั้นฝึกกลางทางในสองระยะ และปิดท้ายด้วยไปป์ไลน์หลังการฝึกห้าระยะ ซึ่งจบลงด้วย agentic reinforcement learning ภายใน agent harness จริง โดยมีบริบท 131,072 โทเค็น และคลังคำศัพท์ 128,000 โทเค็น

Granite 4.2 30B เป็นสแต็กเดี่ยวแบบ dense ที่ไม่ต้องมี routing สร้างขึ้นบนเช็คพอยต์ Granite-4.1-30B-Base และฝึกด้วยโหมดการให้เหตุผลสามแบบที่เลือกได้: การคิดแบบเต็มรูปแบบที่ห่อด้วยแท็ก <think> การคิดแบบใช้ความพยายามต่ำ และไม่คิดเลย มันมีบริบทเนทีฟ 128K พร้อมการขยายบริบทยาวที่ระบุไว้ในเอกสารถึง 512K รองรับสิบสองภาษาที่ผ่านการทดสอบ และการ์ดโมเดลของมันแนะนำ temperature 1.0 กับ top_p 0.95 สำหรับทุกงาน

ผลลัพธ์ในทางปฏิบัติคือรูปร่างของทรูพุต ไม่ใช่แค่ทรูพุตเท่านั้น การกำหนดเส้นทางแบบเบาบางหมายความว่า LFM2.5-24B-A2B อ่านไฟล์น้ำหนัก 24B เพื่อคำนวณเป็นปริมาณ 2.45B ต่อโทเค็น — ดีต่อแบนด์วิดท์หน่วยความจำ ไม่ได้แย่ต่อสิ่งใดเป็นพิเศษ แบบหนาแน่นหมายความว่า Granite 4.2 30B ทำงานเต็ม 29B สำหรับทุกโทเค็นที่ปล่อยออกมา หากภาระงานของคุณเป็นลูปเอเจนต์แบบยาวที่มีเทิร์นสั้นจำนวนมาก ความแตกต่างนั้นจะทบต้น

หมายเลขผู้ขาย วางเคียงข้างกัน พร้อมข้อแม้ที่แนบมาด้วย

ยังไม่มีใครนำสองตัวนี้มาเทียบกันโดยตรง ตัวเลขของ IBM มาจากการ์ดโมเดล Granite 4.2; ส่วนของ Liquid มาจากตาราง vLLM ในวันเปิดตัว ซึ่ง Granite ไม่ปรากฏเป็นคอลัมน์ ดังนั้นแถวด้านล่างจึงเป็นข้ออ้างของผู้ขายสองรายที่แยกจากกันซึ่งนำมาวางไว้ข้างกัน ไม่ใช่การเทียบแบบตัวต่อตัว และในสี่เบนช์มาร์กนั้น มีสองรายการใช้ฮาร์เนสที่ทับซ้อนกันแต่ไม่เหมือนกันทั้งหมด

• พารามิเตอร์ — รวม 24.0B โดยเปิดใช้งาน 2.45B เทียบกับ ~29B แบบ dense ที่เปิดใช้งานทั้งหมด ตัวเลขเดียวที่กำหนดฮาร์ดแวร์ของคุณ

• บริบท — 131,072 โทเคน เทียบกับ 128K แบบเนทีฟ และ 512K แบบขยาย โดยประมาณแล้วอยู่ในระดับเดียวกันที่หน้าต่างเนทีฟ; Granite ไปได้ไกลกว่านั้นหากคุณต้องการ

• สัญญาอนุญาต — lfm1.0 เทียบกับ Apache 2.0 Apache 2.0 ไม่มีเงื่อนไขที่อิงกับรายได้ และไม่มีประเด็นเรื่องขอบเขตการใช้งาน ลองอ่านข้อกำหนดของ Liquid แล้วเทียบกับตัวเลขของคุณเอง

• การใช้เครื่องมือแบบเอเจนติก — BFCLv4 65.01 เทียบกับ BFCL v4 61.39ตัวเลขของ Liquid มาจากฮาร์เนสของตัวเอง ส่วนของ IBM มาจากการ์ด 4.2 ใกล้เคียงกันพอที่ฮาร์เนสจะสำคัญกว่าช่องว่างนั้น

• การเขียนโค้ด — SWE-Bench Verified 51.00 เทียบกับ 57.00. Granite นำอยู่ และสอดคล้องกับรูปแบบ: LFM2.5-24B-A2B เป็นตัวเรียกใช้เครื่องมือ ส่วน Granite 4.2 30B เป็นโมเดลให้เหตุผลที่เรียกใช้เครื่องมือได้ด้วย

• การทำตามคำสั่ง — IFEval 96.75 และ IFBench 74.69 เทียบกับ IFBench 77.17ทั้งคู่ล้วนแข็งแกร่ง ผู้ขายทั้งสองรายใช้คู่แถวที่ต่างกัน ดังนั้นให้เปรียบเทียบแถวที่มีร่วมกัน

ในจุดที่การ์ดของ Granite เพิ่มรายละเอียดที่การ์ดของ Liquid ไม่ได้เผยแพร่ ให้ถือเป็นข้อสนับสนุนของฝั่ง reasoner: AIME 2025 อยู่ที่ 89.17, GPQA อยู่ที่ 66.41, LiveCodeBench v6 อยู่ที่ 75.77, MMLU-Pro อยู่ที่ 77.60, SciCode อยู่ที่ 38.76 และ RULER อยู่ที่ 89.96 สำหรับ 64K และ 81.38 สำหรับ 128K คู่สุดท้ายนี้เป็นหลักฐานเชิงบริบทระยะยาวแบบที่ LFM2.5-24B-A2B ยังไม่มีเลย — Liquid ไม่ได้เผยแพร่ตัวเลข retrieval ที่ความยาวบริบทใด ๆ สำหรับหน้าต่าง 131K ของตน

การถือครองแต่ละชิ้นมีค่าใช้จ่ายสำหรับคุณเท่าไร

Liquid คิดราคาการเข้าถึง API ที่ 0.10 ดอลลาร์ต่อหนึ่งล้านโทเคนอินพุต — 0.05 ดอลลาร์เมื่อแคช — และ 1.00 ดอลลาร์ต่อหนึ่งล้านโทเคนเอาต์พุต บน Console ของตัวเอง พร้อมเครดิตเริ่มต้น 2 ดอลลาร์ แต่เอนด์พอยต์แบบโฮสต์ไม่ใช่ตัวผลิตภัณฑ์จริง ๆ ผลิตภัณฑ์คือไฟล์ 24B-A2B เองต่างหาก และข้ออ้างเรื่องปริมาณงานของผู้ขายล้วนเป็นเรื่องบนอุปกรณ์ทั้งสิ้น: 184 โทเคนต่อวินาทีบน Apple M5 Max และ 114 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395 ทั้งสองเป็นตัวเลขที่ผู้ขายรายงานเองและยังไม่มีใครทำซ้ำได้ และไม่ว่าตัวเลขเหล่านั้นจะจริงหรือไม่ ข้อโต้แย้งเชิงสถาปัตยกรรมก็ยังคงใช้ได้: MoE ที่แอ็กทีฟ 2.45B รันบนหน่วยความจำแบบรวมในแบบที่โมเดล dense 29B ทำไม่ได้

IBM ไม่ได้เผยแพร่ราคาต่อโทเคนบนโมเดลการ์ด — Granite 4.2 30B ถูกวางตำแหน่งเป็นเช็กพอยต์ที่โฮสต์เอง แจกจ่ายเป็น BF16 พร้อมควอนไทเซชัน FP8, NVFP4/MXFP4 และ GGUF ต้นทุนรวมคือ GPU ที่คุณต้องซื้อหรือเช่าเพื่อเก็บน้ำหนัก dense ประมาณ 29B และ dense 30B ใน FP8 ต้องใช้หน่วยความจำมากกว่ามากเมื่อเทียบกับ MoE แบบควอนไทซ์ที่มีแอ็กทีฟ 2.45B เมื่อคิดตามโทเคนที่ให้บริการ โมเดลแบบ sparse มีต้นทุนดำเนินงานต่ำกว่า ส่วนในแง่การเริ่มต้นแบบเย็นและความหน่วงกรณีแย่ที่สุด โมเดลแบบ dense ไม่มี routing ที่ต้องวอร์มアップ สิ่งที่คุณสนใจในสองเรื่องนี้ขึ้นอยู่ทั้งหมดกับว่าปลายทางเปิดตลอดเวลาหรือไม่

หากคุณต้องการทดลองใช้ตัวใดตัวหนึ่งโดยไม่ต้องผูกมัดกับตัวใดตัวหนึ่ง ทั้งสองเส้นทางมีอยู่ให้เลือกใช้ Granite 4.2 30B สามารถโฮสต์เองได้ภายใต้ Apache 2.0 โดยไม่มีเพดานรายได้ และฝั่งที่ให้บริการของทุกตัวเลขข้างต้น — qwen/qwen3.6-35b-a3b และ google/gemma-4-26b-a4b-it ซึ่งรวมอยู่ในนั้น — อยู่ในแค็ตตาล็อกของเราภายใต้คีย์เดียว โดยคิด มาร์กอัป 0% จากราคาตามรายการของผู้ให้บริการแต่ละราย ดังนั้นการเปลี่ยนแปลงราคาของผู้ขายจะไปถึงปลายทางในวันเดียวกับที่ประกาศ แทนที่จะเป็นรอบบิลถัดไป

เลือกอันไหนดี

เลือก LFM2.5-24B-A2B หากเครื่องเป็นข้อจำกัดและเวิร์กโหลดคือการเรียกใช้เครื่องมือ มันชนะในจุดที่วัดงานที่มีลักษณะเป็นฮาร์เนส มันเก็บคอนเท็กซ์ 131K ไว้ในฟุตพรินต์ที่แล็ปท็อปพกได้ และ Liquid ฝึกมันกับสแคฟโฟลด์เอเจนต์จริงแทนชุดทดสอบแบบคงที่ ซึ่งเป็นรายละเอียดที่สำคัญกับเราเตอร์มากกว่ากับรีซันเนอร์ เมื่อเลือกแล้วให้ยอมรับสองเรื่อง: สัญญาอนุญาต lfm1.0 ไม่ใช่ Apache 2.0 และยังไม่มีใครนอก Liquid ที่ให้คะแนนเช็กพอยต์นี้เลย

เลือก Granite 4.2 30B หากคุณมีฮาร์ดแวร์ ต้องการโมเดลที่คิดก่อนลงมือทำ หรือต้องการให้ใบอนุญาตเป็นแบบที่ทีมกฎหมายของคุณรู้จักอยู่แล้ว มันเป็นผู้นำด้านการเขียนโค้ด เป็นเพียงตัวเดียวในสองตัวที่มีตัวเลขการดึงข้อมูลบริบทยาวที่เผยแพร่ และส่วนขยาย 512K ของมันเป็นเอกสารจริง ไม่ใช่แค่การตลาด ตัวเลขด้านเอเจนติกของมันน้อยกว่า — 61.39 บน BFCL v4 เทียบกับ 65.01 ของ Liquid — ซึ่งตรงกันข้ามโดยสิ้นเชิงกับที่จำนวนพารามิเตอร์น่าจะบ่งบอก และเป็นเครื่องเตือนใจว่าความหนาแน่นซื้อความสามารถในการให้เหตุผล ไม่ได้ซื้อวินัยในการใช้เครื่องมือโดยอัตโนมัติ

บทสรุปที่ตรงไปตรงมาคือสองตัวนี้ไม่ใช่สิ่งทดแทนกัน LFM2.5-24B-A2B ถูกสร้างมาเพื่อเป็นโมเดลที่รันลูปบนอุปกรณ์ที่ไม่มีการเชื่อมต่อคลาวด์ Granite 4.2 30B ถูกสร้างมาเพื่อเป็นโมเดลที่คิดหนักกับปัญหาและมีสิทธิ์ที่จะพิสูจน์ว่าสามารถส่งมอบได้ หากคุณมีทั้งสองตัว คำถามด้าน routing ก็คือตัวไหนจะได้รับคำขอ — และนั่นคือการตัดสินใจที่ชั้น routing มีอยู่เพื่อทำ ไม่ใช่ตาราง benchmark

ติดตามการขัดข้องและการเสื่อมประสิทธิภาพของโมเดลแบบเรียลไทม์ในคลังเหตุการณ์ของเรา และดูว่าเส้นทางใดมีการสลับไปยังระบบสำรองได้อย่างราบรื่น