LFM3-1.7B-Base vs MiniCPM5 2B: สองค่าย สองกระดานคะแนน หนึ่งคำตอบที่ตรงไปตรงมา

Liquid AI สร้างLFM3-1.7B-Base รีโพซิทอรีบน Hugging Face เมื่อวันที่ 26 ตุลาคม 2026 และเผยแพร่ประกาศเปิดตัวตระกูล LFM3 ในวันถัดมา — และตาราง benchmark ในประกาศนั้นทำสิ่งที่มีประโยชน์อย่างไม่ธรรมดา: มันวาง LFM3-1.7B ที่ผ่าน post-training ไว้เทียบโดยตรงกับMiniCPM5-2B ซึ่งเป็นโมเดล 2.5B ที่ OpenBMB เรียกขานว่าเป็น state of the art โอเพนซอร์สระดับ 2B นับตั้งแต่ weights ของมันเปิดตัวในเดือนกันยายน บนชุดทดสอบ 27 รายการของ Liquid เอง LFM3-1.7B ชนะ 23 แถว และ MiniCPM5-2B ชนะ 4 แถว อย่างไรก็ตาม checkpoint ในชื่อบทความนี้ไม่ใช่ตัวที่อยู่ในตารางนั้น และมันไม่มีตัวเลข benchmark ใด ๆ เลย ช่องว่างตรงนั้นคือเรื่องราว

มีสามสิ่งที่มักถูกทำให้คลุมเครือในการเปรียบเทียบโมเดลขนาดเล็กทุกครั้ง จึงคุ้มค่าที่จะแยกให้ชัดตั้งแต่ต้น ได้แก่ สิ่งที่ Liquid วัด สิ่งที่ OpenBMB วัด และสิ่งที่ผู้ขายทั้งสองรายไม่ได้เผยแพร่เกี่ยวกับเช็กพอยต์ฐานที่ผู้คนนำไปไฟน์จูนจริง ๆ มีเพียงหมวดที่สามเท่านั้นที่อธิบายถึงการแข่งขันที่เป็นธรรมระหว่างสองชื่อบนหน้านี้

ตารางที่ Liquid เผยแพร่ และโมเดลที่ตารางนี้อธิบายไว้

การ์ดโมเดล LFM3-1.7B มี 27 แถวกระจายอยู่ในเจ็ดหมวดหมู่ ได้แก่ แอเจนต์ การใช้เครื่องมือ การเขียนโค้ดแบบเอเจนต์ การเขียนโค้ด การปฏิบัติตามคำสั่ง ความรู้ และบริบทขนาดยาว โดยมีคอลัมน์สำหรับ LFM2.5-2.6B, MiniCPM5 2B, Gemma 4 E4B, Qwen3.5 4B และ Qwen3.5 9B โมเดลของ Liquid เองชนะทั้งหมดยกเว้นสี่รายการ และช่องว่างในแถวด้านเอเจนต์ไม่ได้สูสีเลย: LiveClaw 45.60 เทียบกับ 30.37, WebArena-Verified 38.42 เทียบกับ 9.11, AutomationBench 41.29 เทียบกับ 4.71, BrowseComp-Plus 37.00 เทียบกับ 16.83 รูปแบบเดียวกันนี้ยังปรากฏในการใช้เครื่องมือ (BFCL V4 71.39 เทียบกับ 62.65, ToolSandbox 80.36 เทียบกับ 68.16) และบริบทขนาดยาว ซึ่ง RULER 128K อ่านได้ 65.56 เทียบกับ 37.96 ของ MiniCPM5-2B

ชัยชนะสี่ครั้งของ MiniCPM5-2B ล้วนอยู่ในด้านความรู้หรือความแข็งแกร่งในการสนทนาหลายรอบ: τ³-bench ที่ 69.44 เทียบกับ 68.01, GPQA Diamond ที่ 65.15 เทียบกับ 63.37, Humanity's Last Exam แบบไม่ใช้เครื่องมือ ที่ 8.20 เทียบกับ 7.17 และความแม่นยำของ AA-Omniscience ที่ 9.13 เทียบกับ 7.07 เหล่านี้เป็นความได้เปรียบเพียงเล็กน้อยบนเบนช์มาร์กซึ่งความต่างเพียงเสี้ยวคะแนนมักเป็นเพียงสัญญาณรบกวน แต่ช่องว่างด้านความสามารถแบบเอเจนต์ไม่เป็นเช่นนั้น

ทุกตัวเลขในย่อหน้านั้นเป็นการรายงานโดยผู้ขายเอง Liquid เป็นผู้รันฮาร์เนสของตัวเอง เลือกชุดการเปรียบเทียบของตัวเอง และไม่ได้เผยแพร่ระเบียบวิธีแบบแยกตามการทดสอบบนการ์ด ณ วันที่ 28 ตุลาคม 2026 เราไม่พบรายการ LFM3 บน Artificial Analysis ดังนั้นจึงไม่มีการทำซ้ำโดยอิสระใด ๆ ที่จะนำมาเทียบเคียงได้ ควรถือว่าตัวเลข 23–4 นั้นเป็นข้อโต้แย้งของ Liquid ไม่ใช่ผลลัพธ์ระดับอุตสาหกรรม

base checkpoint จริง ๆ แล้วคืออะไร

หากตัดขั้นตอนหลังการฝึก (post-training) ออกไป คุณจะได้โมเดลข้อความล้วนขนาด 1.73B ที่มี 24 เลเยอร์: คอนโวลูชันแบบสั้นที่มีเกต 13 ชั้น, เลเยอร์ attention แบบหน้าต่างเลื่อนที่มีหน้าต่างขนาด 256 โทเคน จำนวนห้าเลเยอร์ และเลเยอร์ global-attention จำนวนหกเลเยอร์ ตัวเลขบริบท 256K นั้นเป็นของจริง — ค่า max_position_embeddings ในคอนฟิกที่เผยแพร่ระบุไว้ที่ 262,144 — ไม่ใช่หน้าต่างขนาด 256 โทเคนที่สื่อช่วงแรกสับสนว่าเป็นค่าเดียวกัน คำศัพท์มีขนาด 128,000 โทเคน การ์ดระบุ 16 ภาษา และสัญญาอนุญาตคือ LFM Open License v1.0 ซึ่งสิทธิ์เชิงพาณิชย์จะสิ้นสุดการมีผลกับนิติบุคคลที่มีรายได้ต่อปี 10 ล้านดอลลาร์สหรัฐขึ้นไป

สูตรการฝึกได้รับการบันทึกไว้อย่างละเอียดกว่าการเปิดตัวโมเดลฐานส่วนใหญ่ โดยมีโทเคนรวม 22 ล้านล้านโทเคน โดย 3.5 ล้านล้านโทเคนสุดท้ายใช้กับข้อมูลการฝึกช่วงกลางที่คัดสรร ซึ่งรวมถึงร่องรอยการทำงานแบบเอเจนต์และการเรียกเครื่องมือ พร้อมส่วนขยายบริบท 128K และ 256K ที่ความแม่นยำ 4 บิต มีการระบุว่าเช็กพอยต์ใช้พื้นที่ประมาณ 1 GB ซึ่งเป็นตัวเลขที่สำคัญหากเป้าหมายคือโทรศัพท์หรือแล็ปท็อปแทนที่จะเป็นเซิร์ฟเวอร์

สิ่งที่การ์ดไม่ได้ให้คุณคือการประเมินใด ๆ ของโมเดลฐานเอง คะแนนที่เผยแพร่ของ Liquid เป็นของ LFM3-1.7B หลังจาก SFT, mixed RL, multi-domain on-policy distillation และ agentic RL ไม่มีทางใดจากเอกสารสาธารณะที่จะแยกได้ว่าค่าเฉลี่ย 49.37 นั้นมาจากโทเค็นก่อนการฝึก 22 ล้านล้านโทเค็นมากน้อยเพียงใด และมาจากชุดการฝึกภายหลังมากน้อยเพียงใด นั่นไม่ใช่คำวิจารณ์ที่เจาะจงกับ Liquid — แทบไม่มีใครเผยแพร่การประเมินโมเดลฐาน — แต่มันหมายความว่าชื่อในหัวข้อบทความนี้ไม่มีกระดานคะแนนของตัวเอง

สกอร์บอร์ดตัวนับของ OpenBMB

การ์ดของ MiniCPM5-2B กล่าวอ้างที่แตกต่างออกไปในชุดแกนที่แตกต่างกัน เรดาร์ความสามารถให้คะแนนเก้ามิติและรายงานค่าเฉลี่ยที่ 53.9 เทียบกับ 51.1 สำหรับ Qwen3.5-4B, 42.7 สำหรับ granite-4.2-3B และ 33.2 สำหรับ LFM2.5-2.6B บนกระดานนั้น โมเดลนี้เป็น state of the art ระดับ 2B และแข่งขันได้กับโมเดลระดับ 4B โดยไม่รวม LFM3-1.7B ซึ่งยังไม่มีอยู่ในตอนที่เขียนการ์ด

ตารางคะแนนทั้งสองไม่สามารถนำมาลบกันได้ เพราะใช้การทดสอบต่างกัน ใช้การปรับให้เป็นมาตรฐานต่างกัน และใช้ชุดเปรียบเทียบต่างกัน — และเบนช์มาร์กเดียวที่ทับซ้อนกันอย่าง τ³-bench ก็เป็นจุดที่โมเดลของ OpenBMB ได้เปรียบพอดีในตารางของ Liquid หากคุณนำ 53.9 ไปวางข้าง 49.37 แล้วสรุปว่า MiniCPM5-2B เป็นโมเดลที่แข็งแกร่งกว่า คุณก็ได้เปรียบเทียบค่าเฉลี่ยเก้าแกนจากผู้ขายกับค่าเฉลี่ย 27 การทดสอบจากผู้ขาย และไม่ได้เรียนรู้อะไรเลย

ข้อเท็จจริงด้านฮาร์ดแวร์มีความกำกวมน้อยกว่า MiniCPM5-2B เป็น LlamaForCausalLM มาตรฐานที่มีพารามิเตอร์ทั้งหมด 2,516,756,480 ตัว โดย 1,981,982,720 ตัวไม่ใช่ embedding มี 42 เลเยอร์ ใช้ grouped-query attention ที่ 16 query head และ 2 KV head และมีบริบท 131,072 โทเคนในการกำหนดค่าที่จัดส่ง มันเป็น Apache 2.0 และจัดส่งเป็นบิลด์ GGUF, MLX, GPTQ และ LiteRT พร้อมโมเดล draft สำหรับ speculative decoding และ OpenBMB เปิดตัวคลังข้อมูลฝึกพร้อมกับมัน นั่นคือผลิตภัณฑ์สำเร็จรูปที่มาพร้อมโรงงานในตัว

การเปรียบเทียบฐานต่อฐานเท่านั้นจึงจะเป็นการเปรียบเทียบที่บริสุทธิ์

ทั้งสองตระกูลโมเดลมาพร้อมเช็กพอยต์ที่ผ่านการฝึกมาก่อน ซึ่งทำให้สามารถเปรียบเทียบแบบเทียบกันได้จริงเป็นครั้งแรก MiniCPM5-2B-Base ถูกสร้างขึ้นเมื่อวันที่ 27 สิงหาคม 2026 อยู่ภายใต้สัญญาอนุญาต Apache 2.0 และมีอยู่ด้วยเหตุผลเดียวกับ LFM3-1.7B-Base คือเพื่อนำไปฝึกต่อ (post-trained) ให้เป็นอย่างอื่น การ์ดโมเดลฐานทั้งสองไม่เผยแพร่ตารางการประเมิน ดังนั้นการตัดสินใจจึงต้องอาศัยข้อมูลสเปก สัญญาอนุญาต และระบบนิเวศ แทนที่จะอาศัยคะแนน

การปรับกรอบความเข้าใจนี้สำคัญ เพราะข้อผิดพลาดที่พบบ่อยที่สุดกับคู่นี้คือการดาวน์โหลด Liquid base แล้วป้อนพรอมป์ต์เหมือนเป็นโมเดลแชต จากนั้นสรุปว่ามันแย่กว่า MiniCPM5-2B ซึ่งมันจะเป็นเช่นนั้นจริง LFM3-1.7B-Base เป็นเอาต์พุตระหว่างการเทรนที่มีเทมเพลตแชตและโหมดคิด ไม่ใช่ผู้ช่วย; การ์ดของ Liquid เองก็ระบุให้ใช้ LFM3-1.7B สำหรับแชต การเรียกใช้เครื่องมือ และเอเจนต์ เช็กพอยต์ที่เสร็จสมบูรณ์ของ OpenBMB คือสิ่งที่ควรนำมาเปรียบเทียบกับ LFM3-1.7B และการเปรียบเทียบนั้นมีอยู่ในตารางของ Liquid แล้ว การเปรียบเทียบแบบ base-to-base มีไว้สำหรับผู้ที่ตั้งใจจะเทรนเอง

เอกสารข้อมูลจำเพาะ ทีละมิติ

• พารามิเตอร์ — LFM3-1.7B-Base: 1.73B ใน 24 เลเยอร์ MiniCPM5-2B: 2.52B ทั้งหมด, 1.98B ที่ไม่ใช่ embedding, ใน 42 เลเยอร์

• บริบท — LFM3-1.7B-Base: 256K โทเค็น รวมอินพุตและเอาต์พุต MiniCPM5-2B: 131,072 โทเค็นในคอนฟิกที่จัดส่ง

• สถาปัตยกรรม — LFM3-1.7B-Base: ไฮบริดสามทางที่มีคอนโวลูชันสั้นแบบมีเกต พร้อมด้วยแอตเทนชันแบบหน้าต่างเลื่อนและแบบทั่วโลก โหลดโดยใช้ trust_remote_code MiniCPM5-2B: ตัวถอดรหัส Llama มาตรฐานที่ทำงานบนเครื่องมือที่ไม่ดัดแปลง

• สัญญาอนุญาต — LFM3-1.7B-Base: LFM Open License v1.0 การใช้งานเชิงพาณิชย์มีเงื่อนไขว่าต้องมีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ MiniCPM5-2B: Apache 2.0 ไม่มีเงื่อนไขด้านรายได้

• รูปแบบที่เผยแพร่ — LFM3-1.7B-Base: น้ำหนัก BF16 เท่านั้นบนการ์ด base; โมเดลพี่น้องที่ผ่าน post-training มีบิลด์ GGUF, MLX, ONNX, FP8 และ NVFP4 ส่วน MiniCPM5-2B: BF16, GGUF, MLX, GPTQ และ LiteRT พร้อมเช็กพอยต์ SFT และ mid-training และโมเดลดราฟต์ DSpark

• ขนาดหน่วยความจำ — LFM3-1.7B-Base: ประมาณ 1 GB ที่ 4-bit ตามข้อมูลของ Liquid MiniCPM5-2B: โมเดล dense ขนาด 2.5B ที่ไม่มีการเผยแพร่ขนาดหน่วยความจำแบบ 4-bit บนการ์ด; คาดว่าจะใช้หน่วยความจำในระดับ 2.5B ตามปกติ ไม่ใช่ 1 GB

• ภาษา — LFM3-1.7B-Base: 16 ภาษาที่ระบุชื่อ รวมถึงภาษาอาหรับ ฮินดี ไทย และเวียดนาม MiniCPM5-2B: การ์ดที่เน้นภาษาอังกฤษและภาษาจีน โดยมีข้อมูลที่เผยแพร่เป็นเบื้องหลัง

• ข้อมูลการฝึก — {{1}}LFM3-1.7B-Base{{/1}}: 22T โทเคน มีการอธิบายสูตรแต่ไม่ได้เปิดเผยข้อมูล {{2}}MiniCPM5-2B{{/2}}: ชุดข้อมูล UltraData ถูกเผยแพร่พร้อมกับน้ำหนักโมเดล

สิ่งที่ repositories บอกคุณเกี่ยวกับการปรับใช้

MiniCPM5-2B เป็นโมเดลที่นำไปติดตั้งบนอุปกรณ์ได้ง่ายกว่าในปัจจุบัน สถาปัตยกรรมเป็นแบบมาตรฐาน ดังนั้นการรองรับใน llama.cpp, Ollama และ LM Studio จึงเป็นเพียงเรื่องของการใช้ GGUF ที่เผยแพร่แล้ว มากกว่าจะต้องรอเคอร์เนล Apple Silicon มีบิลด์ MLX, Android มีเส้นทาง LiteRT และโมเดลดราฟต์ DSpark มีอยู่โดยเฉพาะเพื่อทำให้การถอดรหัสเร็วขึ้นบนฮาร์ดแวร์ที่มีข้อจำกัด

LFM3-1.7B-Base เรียกร้องจากรันไทม์มากกว่า โดยต้องใช้โค้ดการสร้างโมเดลแบบกำหนดเอง และเช็กพอยต์ฐานเผยแพร่ใน BF16 เท่านั้น ครอบครัวโดยรอบได้รับการรองรับที่ดีกว่า: Liquid ระบุว่า vLLM, SGLang และ Transformers รองรับ BF16, SGLang รองรับ FP8 และ NVFP4, llama.cpp และ Ollama รองรับ GGUF, MLX สำหรับ Apple Silicon และ ONNX Runtime สำหรับงานข้ามแพลตฟอร์ม ข้อควรระวังคือบิลด์เหล่านั้นเป็นของ LFM3-1.7B ไม่ใช่ของเช็กพอยต์ฐาน พูลรีเควสต์ของ SGLang ที่เพิ่มการรองรับ LFM3 หมายเลข #46858 ยังเปิดอยู่ ณ เวลาที่เขียน ส่วนพูลรีเควสต์ cookbook ที่เกี่ยวข้องได้ถูกรวมแล้ว

หากคำถามคือสัปดาห์นี้ควรเอาโมเดลใดไปไว้เบื้องหลัง endpoint โปรดทราบว่าMiniCPM5-2BและLFM3-1.7B-Baseต่างก็ยังไม่อยู่ในแคตตาล็อกของ OrcaRouter ในตอนนี้ ทั้งสองเป็นข้อเสนอแบบดาวน์โหลดและโฮสต์เองสำหรับตอนนี้ นั่นคือสถานการณ์ที่ชั้นการกำหนดเส้นทางจะคุ้มค่าในภายหลังมากกว่าตอนนี้: คีย์ที่เข้ากันได้กับ OpenAI เพียงคีย์เดียวสำหรับโมเดล 200+ รุ่น, ส่วนต่างราคา 0% โดยส่งต่อราคาตามรายการของผู้ให้บริการ, และ failover อัตโนมัติเมื่อเครื่องที่โฮสต์เองหรือ upstream รายเดียวล่ม คุณไม่จำเป็นต้องมีสิ่งเหล่านั้นเลยเพื่อรันโมเดลขนาด 1 GB บนแล็ปท็อป; คุณต้องมีมันเมื่อโมเดลเล็กกลายเป็นส่วนหนึ่งของเส้นทางการผลิตและมีบางสิ่งต้องคอยรับมือกับความล้มเหลว

สิ่งที่ยังไม่อาจรู้ได้

รายการที่ซื่อตรงนั้นสั้นและเจาะจง เราไม่พบเกณฑ์มาตรฐานอิสระสำหรับโมเดล LFM3 ใด ๆ เลย ดังนั้นทุกข้ออ้างด้านความสามารถเกี่ยวกับตระกูลนี้จึงเป็นของ Liquid เอง ไม่มีการประเมินที่เผยแพร่สำหรับ LFM3-1.7B-Base ดังนั้นจึงไม่มีใครบอกได้ว่า checkpoint ดิบนั้นดีเพียงใดก่อนการฝึกหลังการฝึก (post-training) ไม่มีราคาต่อโทเคนสำหรับ LFM3 บน API แบบโฮสต์ ซึ่งทำให้การเปรียบเทียบต้นทุนกับ MiniCPM5-2B — ซึ่งในการติดตั้งใช้งานส่วนใหญ่ก็โฮสต์เองเช่นกัน — กลายเป็นการคำนวณเรื่องฮาร์ดแวร์และค่าไฟฟ้ามากกว่าการเทียบอัตราค่าบริการ และยังไม่มีหลักฐานใด ๆ ทั้งอิสระหรือไม่ ว่า 256-token sliding window ทำให้โมเดลเสียอะไรไปหรือไม่ในงานบริบทระยะยาวที่เน้นการดึงข้อมูล คะแนน RULER 128K ของ Liquid เองที่ 65.56 ต่ำกว่าคะแนน 87.11 ที่รายงานไว้สำหรับ Qwen3.5 9B อย่างชัดเจน ซึ่งเป็นสัญญาณที่ควรจับตามากกว่าจะเป็นคำตัดสิน

สามคำถามที่ควรหาคำตอบก่อนที่คุณจะดาวน์โหลดตัวใดตัวหนึ่ง

คุณต้องการโมเดล หรือจุดเริ่มต้นกันแน่

หากคุณต้องการบางสิ่งที่ดีตอบคำถามได้ เรียกใช้เครื่องมือได้ และผ่านเดโมในวันจันทร์ไปได้ MiniCPM5-2B คือผลิตภัณฑ์ที่สมบูรณ์พร้อมใช้ ส่วน LFM3-1.7B-Base ไม่ใช่ หากคุณมีคลังข้อมูลเฉพาะโดเมน มีไปป์ไลน์การฝึกหลังการฝึก และมีเหตุผลว่าโมเดลสำเร็จรูปมาตรฐานใช้ไม่ได้ เช็กพอยต์ฐานคือสิ่งที่ควรซื้อ — และโน้ตบุ๊ก TRL ของ Liquid สำหรับ SFT, DPO, GRPO และการฝึกต่อเนื่องให้คำแนะนำมากกว่าที่ผู้ขายส่วนใหญ่มีให้

องค์กรของคุณจะทำรายได้ประจำปีทะลุ 10 ล้านดอลลาร์สหรัฐได้สักวันหนึ่งหรือไม่

LFM Open License v1.0 ให้สิทธิ์เชิงพาณิชย์เฉพาะเมื่อต่ำกว่าเกณฑ์นั้นเท่านั้น หากเกินกว่านั้น ผลงานจะไม่อยู่ภายใต้ข้อตกลงอนุญาตนี้เลย และคุณต้องมีข้อตกลงแยกต่างหากกับ Liquid Apache 2.0 ไม่มีข้อจำกัดแบบหน้าผาเช่นนี้ สำหรับโปรเจกต์งานอดิเรกหรือสตาร์ทอัพระยะเริ่มต้น ความแตกต่างนี้เป็นเพียงทฤษฎี แต่สำหรับบริษัทที่มั่นคงแล้ว มันเป็นตัวตัดสินรายชื่อผู้เข้ารอบก่อนจะเริ่มทดสอบ benchmark ใดๆ

บริบทขนาด 256K คุ้มค่ากับการสร้างสถาปัตยกรรมเฉพาะหรือไม่

LFM3-1.7B-Base มีบริบทเป็นสองเท่าของ MiniCPM5-2B ด้วยจำนวนพารามิเตอร์ที่น้อยกว่า ซึ่งเป็นข้อโต้แย้งทางเทคนิคที่แข็งแกร่งที่สุดที่สนับสนุนมัน ราคาที่ต้องจ่ายคือโมเดลที่ไม่ได้มาตรฐานซึ่งต้องใช้โค้ดระยะไกล ชุดบิลด์สำเร็จรูปบนเช็กพอยต์ฐานที่แคบกว่า และการผสานรวมรันไทม์ที่ยังอยู่ระหว่างการลงตัว หากปริมาณงานของคุณพอดีใน 131K คุณกำลังจ่ายราคานั้นเพื่อพื้นที่เผื่อที่คุณจะไม่ได้ใช้

เลือกอันไหนดี

สำหรับทีมส่วนใหญ่ที่กำลังเปรียบเทียบชื่อทั้งสองนี้ คำตอบคือ MiniCPM5-2B — ไม่ใช่เพราะมันชนะการแข่งขันด้านเบนช์มาร์ก แต่เพราะมันเป็นผลิตภัณฑ์ Apache-2.0 ที่สมบูรณ์พร้อมบิลด์แบบควอนไทซ์ ข้อมูลการฝึกที่เผยแพร่ และไม่มีเพดานด้านลิขสิทธิ์ นี่คือเส้นทางที่มีความเสี่ยงต่ำกว่าในการนำโมเดลขนาด 2.5B ที่มีความสามารถไปติดตั้งบนอุปกรณ์

LFM3-1.7B-Base เป็นเดิมพันที่น่าสนใจกว่าสำหรับกลุ่มผู้ใช้ที่แคบกว่า: ทีมที่ต้องการ checkpoint ขนาด 1.73B พร้อมบริบท 256K, 16 ภาษา และสถาปัตยกรรมที่ไม่ได้มาตรฐานซึ่งพวกเขาสามารถฝึกต่อได้บน GPU ตัวเดียว และยอมรับได้กับสัญญาอนุญาต LFM และระบบนิเวศโมเดลฐานที่บางกว่า Liquid ได้มอบจุดเริ่มต้นที่แท้จริงและสูตรการฝึกที่ละเอียดผิดปกติให้กับกลุ่มผู้ใช้นั้นแล้ว แต่ยังไม่ได้ให้เหตุผลใด ๆ แก่ใครในการเชื่อว่า checkpoint ฐานนี้ดีกว่าตัวที่เสร็จสมบูรณ์แล้วของ OpenBMB และตารางของผู้ขายเองก็ไม่ได้พยายามอ้างว่าเป็นเช่นนั้น

ตัวเลขที่ต้องจับตาดูไม่ใช่การแบ่ง 23–4 แต่คือการประเมินอิสระครั้งแรกของโมเดล LFM3 รุ่นใดก็ตาม — จุดที่กระดานคะแนนของ Liquid เลิกเป็นกระดานคะแนนเพียงหนึ่งเดียว