Engineering & Research

LFM2.5-24B-A2B กับ Ternary Bonsai 2 27B: ความแตกต่างคือ 2 บิตและการเชื่อมต่อคลาวด์

ผู้เขียน

Gideon Frost

วันที่เผยแพร่

Oct 14, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

นี่คือคำตอบที่สั้นและตรงไปตรงมาที่สุด LFM2.5-24B-A2B เป็นโมเดลแบบ mixture-of-experts ที่รับข้อความล้วน ซึ่ง Liquid AI สร้างขึ้นให้ทำงานอยู่ภายในลูปของเอเจนต์บนเครื่องที่ไม่มีเครือข่าย เปิดตัวเมื่อวันที่ 13 ตุลาคม 2026 โดยมีพารามิเตอร์รวม 24.0B และพารามิเตอร์ที่ทำงานจริง 2.45B Ternary Bonsai 2 27B เป็นการเขียนใหม่แบบบิตต่ำของ Qwen3.8-27B ที่ Prism ML เปิดตัวเมื่อวันที่ 17 กันยายน 2026 ภายใต้สัญญาอนุญาต Apache 2.0 โดยเก็บน้ำหนักแต่ละค่าเป็นหนึ่งในสามสัญลักษณ์ที่ 1.76 บิตยังผล และย่อโมเดล FP16 ขนาด 53.81 GB ให้เหลือไฟล์ดาวน์โหลด 5.93 GB ทั้งสองโมเดลมีขนาดเล็กพอที่จะเก็บไว้ในเครื่องได้ และทั้งคู่เป็นแบบเปิดน้ำหนัก แต่ไม่ได้พยายามทำงานอย่างเดียวกัน โมเดลของ Liquid ถูกฝึกมาให้เรียกใช้เครื่องมือ ส่วนโมเดลของ Prism เป็นโมเดลภาพ-ภาษาเต็มความละเอียดที่สวมชุดราคาถูกกว่ามาก

สิ่งที่ทำให้การจับคู่นี้คุ้มค่าที่จะเขียนถึงสักหน้าหนึ่งก็คือ แต่ละอย่างต่างบอกให้รู้ว่าหลักฐานของตัวเองบางตรงไหน และจุดอ่อนทั้งสองนั้นตรงกันข้ามกัน

แต่ละอย่างคืออะไร ย่อให้เหลือแค่ส่วนที่สำคัญ

LFM2.5-24B-A2B ยังคงสถาปัตยกรรม LFM2 ไว้: 40 เลเยอร์, 30 บล็อกคอนโวลูชันแบบสั้นที่มีเกตคู่ และ 10 เลเยอร์ attention แบบ grouped-query, ผู้เชี่ยวชาญ 64 คนต่อบล็อกพร้อมการกำหนดเส้นทาง top-4, บริบท 131,072 โทเคน, คำศัพท์ 128,000 โทเคน, ข้อความเข้าและข้อความออก ไปป์ไลน์หลังการฝึกของ Liquid จบลงด้วยขั้นตอนการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ที่รันภายใน OpenClaw, Hermes Agent, Pi และ OpenCode ผู้ขายแนะนำอย่างชัดเจนให้จับคู่กับ retrieval หรือการค้นเว็บแทนที่จะเชื่อถือมันในคำถามด้านความรู้ — และในตารางเปิดตัวของมันเอง แถว AA-Omniscience อยู่ที่ −24.90 ซึ่งเป็นคำแนะนำนั้นในรูปแบบตัวเลข

Ternary Bonsai 2 27B เป็นเครือข่ายเดียวกันกับ Qwen3.8-27B ที่เขียนไว้ต่างกัน ไวท์เปเปอร์ของ Prism ML แบ่งพารามิเตอร์ 27.36B ออกเป็น 24.35B ใน language backbone จำนวน 64 บล็อก, 2.54B ใน embedding และ LM head, และ 0.47B ใน vision tower 27 บล็อกที่จัดส่งเป็นไฟล์ mmproj 4-bit แยกต่างหากขนาดประมาณ 0.63 GB และโหลดเฉพาะเมื่อมีรูปภาพเข้ามาเท่านั้น hybrid attention ของโมเดลฐาน — 48 เลเยอร์ Gated DeltaNet แบบ linear-attention สลับกับ 16 เลเยอร์ full-attention, ขนาด hidden 5,120, คำศัพท์ 248,320 โทเคน — ถูกสืบทอดมาโดยไม่เปลี่ยนแปลง เช่นเดียวกับ context ขนาด 262,144 โทเคน

เส้นแบ่งที่แยกสองตัวนี้ออกจากกันได้เร็วที่สุดคือรูปแบบข้อมูล Ternary Bonsai 2 27B รองรับภาพ LFM2.5-24B-A2B ไม่รองรับ และไม่มีเทคนิคการควอนไทซ์ใดเปลี่ยนแปลงสิ่งนั้นได้

คุณภาพ บนโต๊ะเพียงตัวเดียวที่คนใดคนหนึ่งในสองคนนั้นมี

Prism ML วัดบิลด์ของตัวเองเทียบกับต้นฉบับแบบ full-precision บนชุดเบนช์มาร์ก 20 รายการ และรายงานว่ามันรักษาไว้ได้ 98.2%ของค่าเฉลี่ย — 83.9 เทียบกับ 85.4 นั่นคือฮาร์เนสของผู้ขายเอง อายุหนึ่งเดือน ยังไม่มีใครทำซ้ำได้ และไม่ว่าจงใจหรือไม่ มันก็เป็นคำกล่าวอ้างแบบที่ซ่อนการกระจายตัวของตัวเองไว้พอดี เพราะ 1.8 คะแนนไม่ได้กระจายอย่างสม่ำเสมอ

A generated comparison card titled Where the missing 1.8 points land, listing five rows from Prism ML's 20-benchmark suite: math 96.57 against 97.06, coding 81.58 against 82.17, instruction following 82.66 against 81.25, knowledge and reasoning 83.95 against 86.66, and agentic and tool calling 77.57 against 79.74, above a footer reading All figures Prism ML's own, unreproduced.

• คณิตศาสตร์ — 96.57 เทียบกับ 97.06 แทบไม่ต่างกัน

• การเขียนโค้ด — 81.58 เทียบกับ 82.17 ใกล้เคียง และเป็นหมวดหมู่ที่กำลังมีการโต้แย้งกันเกี่ยวกับเทคนิคการบีบอัด

• การปฏิบัติตามคำสั่ง — 82.66 เทียบกับ 81.25 โมเดลที่ถูกบีบอัดนำอยู่ ซึ่งเป็นบรรทัดเดียวในตารางที่น่าประหลาดใจจริง ๆ

• ความรู้และการให้เหตุผล — 83.95 เทียบกับ 86.66 ลดลง 2.7 จุด และเป็นปัจจัยที่มีส่วนมากที่สุดเพียงหนึ่งเดียวต่อ 1.8 ที่หายไป

• การทำงานแบบเอเจนต์และการเรียกใช้เครื่องมือ — 77.57 เทียบกับ 79.74 ครอบคลุม τ2-Bench ที่ 80.22 และ BFCL v3 ที่ 74.92

ตอนนี้ปัญหาของการใช้ตารางนั้นตรงนี้ ตัวเลขของ Prism คือการ build ของมันเทียบกับ base ความแม่นยำเต็มของตัวเอง ส่วนตัวเลขของ Liquid — AutomationBench 27.69, LiveClaw 48.09, ToolSandbox 80.71, BFCLv4 65.01, IFEval 96.75, IFBench 74.69 — เป็นการเทียบกับชุดโมเดลที่ต่างกัน บนฮาร์เนสที่ต่างกัน และด้วยการตั้งค่าการ generate ที่ต่างกัน ไม่มี benchmark ใดเลยที่ปรากฏในทั้งสองตารางใครก็ตามที่เอา BFCLv3 74.92 มาวางข้าง BFCLv4 65.01 แล้วประกาศหาผู้ชนะ ก็คือการเปรียบเทียบแบบทดสอบสองอันที่ต่างกัน แล้วเรียกมันว่าผลลัพธ์

Runtime คือจุดที่ทั้งสองแยกจากกันอย่างแท้จริง

ส่วนนี้ไม่ใช่คำกล่าวอ้างของผู้ขาย แต่เป็นข้อเท็จจริงด้านความเข้ากันได้ที่คุณพิสูจน์เองได้ในเวลาแค่บ่ายเดียว

Prism ML ต้องเขียนเคอร์เนลสำหรับสถาปัตยกรรมนี้ เพราะทั้งรูปแบบการแพ็กและแอตเทนชันแบบเกือบเชิงเส้นล้วนไม่ปกติ llama.cpp เวอร์ชันมาตรฐานปฏิเสธการแพ็กทั้งสองแบบของ Prism ว่าเป็นชนิดที่ไม่รู้จัก — และที่อันตรายยิ่งกว่า คือมันโหลดรูปแบบ ternary รุ่นเก่าได้โดยไม่บ่น และสร้างข้อความที่ลื่นไหลแต่ไร้สาระ เพราะไม่มีการหมุนที่เข้ากันถูกนำมาใช้กับแอ็กติเวชัน หากคุณรัน Ternary Bonsai 2 27B บนไบนารีที่ไม่รู้จักโมเดลนี้ คุณจะไม่ได้รับข้อผิดพลาด คุณจะได้รับผลลัพธ์ที่ผิดอย่างมั่นใจ

LFM2.5-24B-A2B มีโปรไฟล์ความเสี่ยงตรงกันข้าม Liquid ระบุการสนับสนุนตั้งแต่วันแรกผ่าน llama.cpp สำหรับ GGUF, MLX, vLLM, SGLang และ ONNX รวมถึง FP8, ONNX และ 4-bit MLX ใน repo พี่น้อง — เป็นการเปิดตัวแบบปกติ คำถามที่ยังไม่มีคำตอบคือประสิทธิภาพมากกว่าความถูกต้อง: ตัวเลขของผู้ขายที่ 184 โทเค็นต่อวินาทีบน Apple M5 Max และ 114 บน AMD Ryzen AI Max+ 395 ยังไม่มีการทำซ้ำ และพาดหัว "เร็วกว่าถึง 1.7× เมื่อเทียบกับโมเดลที่ดีที่สุดรองลงมา" ไม่มี baseline ที่เผยแพร่แนบมาด้วย

A headless-browser capture of Prism ML's announcement page for Bonsai 2 27B, dated September 17 2026, titled PrismML Launches Bonsai 2 27B, Its Most Capable Model Yet, showing the opening paragraphs stating the model is based on Qwen3.8 27B, reduces memory footprint by more than 9x to 5.9 GB, and that while the original Ternary Bonsai 27B retained 95% of its full-precision counterpart's aggregate benchmark performance, this generation improves on that.

แล้วการบวกกำไร 0% มันสำคัญจริง ๆ ตรงไหนในกรณีนี้

ระหว่างสองโมเดลนี้ แง่มุมเรื่องการจัดเส้นทางนั้นน่าอึดอัดจริง ๆ และก็คุ้มค่าที่จะพูดตรง ๆ มากกว่าจะแต่งให้ดูดี Ternary Bonsai 2 27B เป็นไฟล์ที่ต้องดาวน์โหลด: Prism ML เผยแพร่บน Hugging Face ภายใต้ Apache 2.0 และจุดสำคัญของเทคนิคทั้งหมดนี้คือคุณรันมันด้วยตัวเอง LFM2.5-24B-A2B ก็เป็นชิ้นงานที่ใช้งานในเครื่องเป็นหลักเช่นกัน โดยมีเอนด์พอยต์ Console ของ Liquid อยู่ที่$0.10 ต่อโทเคนอินพุตหนึ่งล้านโทเคน — $0.05 เมื่อแคช — และ$1.00 ต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน ในฐานะทางเลือกแบบโฮสต์ คุณค่าหลักของทั้งสองโมเดลไม่ได้อยู่ที่การเรียก API แบบคิดค่าตามปริมาณการใช้งาน

จุดที่เลเยอร์จัดเส้นทาง (routing layer) พิสูจน์คุณค่าของตัวเองได้ คือการอยู่ข้าง ๆ พวกมัน ไม่ใช่ทำหน้าที่แทนพวกมัน โมเดลฐานที่ Ternary Bonsai 2 27B ถูกบีบอัดมา — qwen/qwen3.8-27b ซึ่งเผยแพร่โดย Alibaba เมื่อวันที่ 13 สิงหาคม 2026 — ให้บริการอยู่ในแคตตาล็อกของเราในราคา 0.33 ดอลลาร์ต่อล้านโทเคนอินพุต และ 2.40 ดอลลาร์ต่อล้านโทเคนเอาต์พุต ซึ่งหมายความว่างานเดียวกันสามารถรันเทียบกับ โมเดลความแม่นยำเต็มรูปแบบที่ให้บริการอยู่ ได้ ในขณะที่คุณประเมินบิลด์ภายในเครื่องขนาด 5.93 GB ด้วยพรอมป์ต์ชุดเดียวกัน นั่นคือการเปรียบเทียบที่เป็นธรรมซึ่งทำได้ในราคาถูก และเป็นสิ่งที่ตาราง 20 เบนช์มาร์กของ Prism เองไม่สามารถทำให้คุณได้

A generated two-column scoreboard titled LFM2.5-24B-A2B vs Ternary Bonsai 2 27B, the scoreboard. The left column reads total parameters 24.0B, active per token 2.45B, context 131,072 tokens, input text only, licence lfm1.0 and trained with agentic reinforcement learning. The right column reads total parameters 27.36B, bits per weight 1.76 packed, context 262,144 tokens, input text and image, licence Apache 2.0 and a 5.93 GB download against 53.81 GB FP16, above a footer reading Prism ML's 98.2% retention figure is its own unreproduced measurement; the two models have never been benchmarked against each other.

ใบอนุญาต ซึ่งไม่ใช่เชิงอรรถของฝ่ายใดเลย

Ternary Bonsai 2 27B อยู่ภายใต้ Apache 2.0 โดยไม่มีเงื่อนไขกระตุ้นตามรายได้และไม่มีข้อกำหนดขอบเขตการใช้งาน เช่นเดียวกันกับน้ำหนัก Qwen3.8-27B ที่มันพัฒนามาจาก LFM2.5-24B-A2B เผยแพร่ภายใต้สัญญาอนุญาต lfm1.0 ของ Liquid ซึ่งเป็นตราสารคนละแบบที่มีข้อกำหนดเชิงพาณิชย์ของตัวเอง หากมองในเชิงวิศวกรรมล้วน ๆ สองโมเดลนี้ใกล้เคียงกันมากพอจนการเลือกมักขึ้นอยู่กับรูปแบบการนำไปติดตั้งใช้งาน — ตัวดำเนินการภายในเครื่อง กับตัวให้เหตุผลเชิงภาพภายในเครื่อง — แต่สัญญาอนุญาตเป็นปัจจัยนำเข้าเพียงอย่างเดียวที่ไม่เปลี่ยนไปตามรอบของ benchmark และควรค่าแก่การตรวจสอบเทียบกับตัวเลขรายได้ของคุณเองก่อนที่คุณจะสร้างผลิตภัณฑ์บนโมเดลใดโมเดลหนึ่งในสองนี้

สิ่งที่ผู้ขายแต่ละรายไม่ได้วัดคือสิ่งที่ควรจับตามอง Prism ML เผยแพร่เปอร์เซ็นต์การคงอยู่ แต่ไม่ได้เผยแพร่พฤติกรรมแยกตามเวิร์กโหลดของโมเดล 1.76 บิตบนข้อมูลของคุณ และอาร์ติแฟกต์การบีบอัดที่ได้ 98.2% ของค่าเฉลี่ยก็ยังอาจเป็นเครื่องมือที่ผิดสำหรับหมวดหมู่เดียวที่คุณสนใจ — การลดลงด้านการเขียนโค้ด ซึ่งเล็กเมื่อมองภาพรวม กลับกระทบหนักที่สุดในจุดใดจุดหนึ่งโดยเฉพาะ Liquid เผยแพร่ตารางแบบเอเจนต์ที่ไม่มีคอลัมน์อิสระ และไม่มีตัวเลขการดึงข้อมูลบริบทยาวเลยสำหรับหน้าต่าง 131K ช่องว่างทั้งสองจะปิดลงได้ด้วยการเปิดตัวเบนช์มาร์ก ไม่ใช่บล็อกโพสต์ และผู้ขายรายใดก็ตามที่ปล่อยออกมาก่อนจะผลักดันข้อถกเถียงไปได้ไกลกว่าที่ 1.8 จุดล่าสุดทำได้มาก

ติดตามการขัดข้องและการเสื่อมประสิทธิภาพของโมเดลแบบเรียลไทม์ในคลังเหตุการณ์ของเรา และดูว่าเส้นทางใดมีการสลับไปยังระบบสำรองได้อย่างราบรื่น

LFM2.5-24B-A2B กับ Ternary Bonsai 2 27B: ความแตกต่างคือ 2 บิตและการเชื่อมต่อคลาวด์

แต่ละอย่างคืออะไร ย่อให้เหลือแค่ส่วนที่สำคัญ

คุณภาพ บนโต๊ะเพียงตัวเดียวที่คนใดคนหนึ่งในสองคนนั้นมี

Runtime คือจุดที่ทั้งสองแยกจากกันอย่างแท้จริง

แล้วการบวกกำไร 0% มันสำคัญจริง ๆ ตรงไหนในกรณีนี้

ใบอนุญาต ซึ่งไม่ใช่เชิงอรรถของฝ่ายใดเลย

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล