Ling 3.0 Tiny vs LFM2.5-2.6B-Base: ฟรีสองแบบ และมีเพียงหนึ่งเดียวที่ตอบคุณได้ในวันนี้

โมเดลทั้งสองรุ่นนี้ฟรี นั่นแทบจะเป็นสิ่งเดียวที่ทั้งคู่มีเหมือนกัน Ling 3.0 Tiny โมเดล reasoning แบบ mixture-of-experts ขนาด 7.9 พันล้านพารามิเตอร์ของ Ant Group InclusionAI ฟรีเพราะมีคนเปิดเซิร์ฟเวอร์และชี้ API มาที่มัน — คุณวางคีย์ลงในไคลเอนต์แล้วมันตอบย่อหน้าของคุณได้ทันที ไม่ต้องรันการเทรน ไม่ต้องใช้ GPU LFM2.5-2.6B-Base เช็คพอยต์ pre-training ขนาด 2.69 พันล้านพารามิเตอร์ของ Liquid AI ฟรีเพราะมีคนเผยแพร่ไฟล์ weights — นับล่าสุดมีดาวน์โหลด 151 ครั้ง ไม่มีผู้ให้บริการ inference โฮสต์มันไว้ที่ไหนเลย และโมเดลการ์ดที่แนะนำให้ใช้โมเดลเบส "เฉพาะงานที่ต้อง fine-tuning อย่างหนักเท่านั้น" อันหนึ่งคือผลิตภัณฑ์ที่มีมิเตอร์วัดการใช้งาน อีกอันคือวัตถุดิบ การเปรียบเทียบนี้เกี่ยวกับว่าคุณต้องการฟรีแบบไหนกันแน่ เพราะโมเดลทั้งสองไม่เหมาะกับคนคนเดียวกัน ไม่ว่าทั้งคู่จะบอกว่า "$0" มากี่เดือนก็ตาม

ชื่อเหล่านั้นทำให้ความแตกต่างมองข้ามได้ง่าย ทั้งคู่อยู่ในหมวด "โมเดลเล็ก / ขนาดเล็ก" ซึ่งกลายเป็นชั้นที่แออัดที่สุดในวงการ AI ปี 2026 ทั้งคู่เป็นแบบข้อความล้วน ทั้งคู่มีบริบทใหญ่พอสำหรับงานจริง และทั้งคู่จะรันโมเดลที่มีประโยชน์อย่างแท้จริงได้ด้วยงบประมาณที่ไม่สูงนัก แต่ทั้งคู่ถูกสร้างจากปรัชญาที่ต่างกัน เป็นของคนละฝ่าย และเช่าหรือเป็นเจ้าของผ่านช่องทางที่ต่างกันโดยสิ้นเชิง ก่อนที่คุณจะเลือกสักตัว คำถามเดียวที่มีประโยชน์ที่สุดที่ควรถามคือ: คุณต้องการคำตอบ หรือคุณต้องการน้ำหนัก?

Ling 3.0 Tiny, API ฟรี

Ling 3.0 Tiny เปิดตัวเมื่อวันที่ 6 สิงหาคม 2026 ในรูปแบบการเปิดตัวแบบเงียบ ๆ ตามสไตล์คลาสสิก: เป็นรายการ API เชิงพาณิชย์จาก InclusionAI ฝ่ายโมเดลของ Ant Group แทนที่จะเป็นการเปิดตัวบนเวทีหลัก สถาปัตยกรรมเป็นโมเดลแบบ mixture-of-experts ที่มีพารามิเตอร์รวม 7.9B และมีพารามิเตอร์ที่ทำงานอยู่ประมาณ 1.3B ต่อโทเคน — เล็กพอที่จะให้บริการได้ในต้นทุนต่ำ แต่ใหญ่พอที่จะมีความสามารถในการให้เหตุผลจริง รองรับหน้าต่างบริบท 256K โทเคน (รายการเชิงพาณิชย์แสดง 262K) สร้างเอาต์พุตได้สูงสุด 32K โทเคน และมาพร้อมกับสองโหมดที่สลับได้ตามคำขอ: โหมด "Thinking" ที่เปิดใช้งานเป็นค่าเริ่มต้นซึ่งใช้โทเคนเพิ่มเติมในการให้เหตุผล และโหมด "Instant" ที่ตอบกลับโดยตรง รองรับ function calling แบบเนทีฟและ prompt caching ซึ่งมีความสำคัญต่องานด้าน agent

ราคาคือสิ่งที่คำว่า "ฟรี" ต้องได้รับการอธิบายเพิ่มเติม ปัจจุบันโมเดลนี้เรียกใช้งานได้ฟรีจริง ๆ โดยถูกระบุเป็นinclusionai/ling-3.0-tiny:free ด้วยอัตรา $0 ทั้งอินพุตและเอาต์พุต และมีเกตเวย์ที่สองกำลังรันโมเดลนี้เป็นโปรโมชันฟรีภายใต้inclusionai/ling-3.0-tiny-free จนถึงเวลา 8:00 น. PT ของวันที่ 14 สิงหาคม 2026 หลังจากโปรโมชันสิ้นสุดลง อัตราค่าบริการที่ Vercel ระบุไว้จะมีผล: $0.06 ต่อล้านอินพุตโทเคน, $0.18 ต่อล้านเอาต์พุตโทเคน และ $0.01 ต่อล้านโทเคนอินพุตแบบแคช นั่นคือราคาจริง — ประมาณหนึ่งในสามของระดับ GPT-5.6 Luna หลังปรับลดราคา เพื่อให้เห็นภาพ — แต่มันไม่ใช่ "ฟรี" ที่คุณจะพึ่งพาได้หลังกลางเดือนสิงหาคม ใครก็ตามที่สร้างบนสมมติฐานที่ว่า Ling 3.0 Tiny ฟรีถาวรที่ $0 กำลังสร้างบนโปรโมชันที่กำลังจะสิ้นสุดลง

LFM2.5-2.6B-Base น้ำหนักโมเดลฟรี

LFM2.5-2.6B-Base เป็นอีกประเภทหนึ่งที่ฟรีโดยสิ้นเชิง มันคือ checkpoint พื้นฐานที่ผ่านการฝึกมาแล้วซึ่งอยู่เบื้องหลังตระกูล LFM2.5-2.6B ของ Liquid AI เผยแพร่บน Hugging Face เมื่อวันที่ 4 สิงหาคม 2026 — ในสัปดาห์เดียวกับที่ O​penAI ลดราคา GPT-5.6 Luna ลง 80% ซึ่งบอกอะไรบางอย่างได้ว่าทำไมตลาดโดยรวมถึงแออัด โมเดลพื้นฐานนี้มีพารามิเตอร์ 2.69 พันล้านตัวในรูปแบบ bfloat16 และมีสถาปัตยกรรมแบบไฮบริด: บล็อกคอนโวลูชันระยะสั้นแบบ double-gated จำนวน 22 บล็อก บวกกับเลเยอร์ attention แบบ grouped-query จำนวน 8 เลเยอร์ มีคำศัพท์ 128,000 โทเค็นครอบคลุม 16 ภาษา และโทเค็นสำหรับการฝึกก่อนประมาณ 34 ล้านล้านโทเค็น — ซึ่งเป็นการฝึกที่ยาวนานผิดปกติสำหรับโมเดลขนาดนี้

นอกจากนี้ หากวัดจากทุกมาตรวัดที่มีอยู่ มันก็ยังไม่ถูกวัด การเปิดตัวของ Liquid เองมอบตาราง benchmark และยอดดาวน์โหลด 47,000 ครั้งในสัปดาห์แรกให้กับรุ่นพี่ที่ผ่าน post-training อย่าง LFM2.5-2.6B ขณะที่ base checkpoint ได้รับเพียงวงเล็บหนึ่งคู่กับยอดดาวน์โหลด 151 ครั้ง ตัว base ไม่มีการประเมินผลที่เผยแพร่เลย — ไม่มี MMLU ไม่มี GPQA ไม่มี perplexity บนพื้นผิวใดๆ ของ Liquid มันเป็นแบบข้อความเท่านั้น บริบทของมันคือ 128K ตาม config.json ใน repository (การ์ดโมเดลโฆษณาไว้ที่ 131,072 และ config คือสิ่งที่สคริปต์ฝึกใช้จริงในการ pack) และไม่มีผู้ให้บริการ inference ใดโฮสต์มัน ดังนั้นวิธีเดียวที่จะเห็นว่า weights เหล่านี้ทำอะไรได้บ้างคือการ fine-tune และ serve ด้วยตัวเอง — ซึ่งเป็นสิ่งที่การ์ดโมเดลบอกให้คุณทำพอดี มันมาพร้อมกับสัญญาอนุญาต LFM Open License v1.0 ซึ่งจำกัดการใช้เชิงพาณิชย์ไว้ที่รายได้ต่อปีไม่เกิน 10 ล้านดอลลาร์สหรัฐ และข้อจำกัดนั้นส่งต่อไปยังงานลอกเลียนแบบอย่าง fine-tune ของคุณด้วย

กระดานคะแนนที่ซื่อตรง

การแข่งขันครั้งนี้มีสถานการณ์หลักฐานที่เหลื่อมล้ำที่สุดเท่าที่คุณจะเห็นระหว่างรุ่นปี 2026 สองรุ่น Ling 3.0 Tiny มีคะแนนอิสระ: Artificial Analysis ให้คะแนน 23 ในดัชนีความฉลาด (Intelligence Index) อยู่อันดับที่ 6 จาก 56 รุ่นในกลุ่มขนาดเดียวกัน เทียบกับค่ามัธยฐานของกลุ่มที่ 8 — สูงกว่าค่าเฉลี่ยอย่างมากสำหรับรุ่นที่เล็กขนาดนี้ ดัชนีดังกล่าวประกอบด้วยการประเมินเก้ารายการ รวมถึง Terminal-Bench 2.1, GPQA Diamond และ Humanity's Last Exam ซึ่งดำเนินการโดยบุคคลที่สาม ไม่ใช่ถูกเลือกโดยผู้จำหน่าย

LFM2.5-2.6B-Base ไม่มีคะแนนใดๆ เลย ตัวเลขที่คนยกมาอ้างถึงตระกูลโมเดลนี้ในเชิง agentic — ToolSandbox 77.83, IFBench 59.17, Multi-IF 80.07, AIME25 51.87 — เป็นของ LFM2.5-2.6B ที่ผ่านการ post-training แล้ว เป็นตัวเลขที่ผู้พัฒนารายงานเอง และเป็นผลลัพธ์จากกระบวนการ post-training สี่ขั้นตอนที่ไม่มีอยู่ใน base checkpoint หากคุณนำน้ำหนักของ base โมเดลไปใช้ คุณจะได้รับส่วนของ pre-training — ภาษา ความรู้เกี่ยวกับโลก ความสามารถด้านบริบทยาว — และไม่ได้รับส่วนของกระดานคะแนนการทำตามคำแนะนำแม้แต่น้อย ตัวเลขเดียวที่ base โมเดลมีคือ training tokens จำนวน 34T ซึ่งเป็นงบประมาณ ไม่ใช่ผลลัพธ์ ยังไม่มีใครรายงานว่ามันให้ผลตอบแทนอะไรกลับมาบ้าง

หกมิติที่แยกพวกเขาออกจากกัน แต่ละมิติหนึ่งบรรทัด:

• ราคา — Ling 3.0 Tiny $0.06 / $0.18 ต่อ 1M หลังโปรโมชันฟรี (ฟรีจนถึง 14 ส.ค.) เทียบกับ LFM2.5-2.6B-Base ดาวน์โหลดฟรี $0 บวกค่าเทรนของคุณเอง ตลอดไป

• บริบท — 256K โทเคนบน Ling 3.0 Tiny เทียบกับ 128K บน LFM2.5-2.6B-Base (config.json) ซึ่งเป็นช่องว่าง 2 เท่า

• พารามิเตอร์ — ~1.3 พันล้านแอคทีฟ จากทั้งหมด 7.9 พันล้าน MoE เทียบกับ 2.69 พันล้าน dense; ทั้งคู่เป็นโมเดลข้อความเท่านั้น

• คะแนนอิสระ — Ling 3.0 Tiny AA Intelligence Index 23 (#6/56) เทียบกับ LFM2.5-2.6B-Base ที่ไม่มีผลการประเมินที่เผยแพร่เลย.

• โหมด — Ling 3.0 Tiny Thinking/สลับทันที, การเรียกใช้ฟังก์ชัน, การแคชพรอมต์ เทียบกับ LFM2.5-2.6B-Base ที่ไม่มีอะไรเลยจนกว่าคุณจะโพสต์เทรนมัน

• ให้บริการ — Ling 3.0 Tiny เปิดให้บริการบนเอนด์พอยต์เชิงพาณิชย์ของตัวเองในวันนี้ เทียบกับ LFM2.5-2.6B-Base ที่ไม่มีผู้ให้บริการอินเฟอเรนซ์ใดโฮสต์อยู่ที่ไหน

ความไม่สมมาตรคือประเด็นสำคัญ: คุณสามารถนำ Ling 3.0 Tiny ไปเทียบ A/B กับพรอมต์ของคุณเองได้ในบ่ายนี้ด้วยค่าใช้จ่ายเพียงเล็กน้อย และตัวเลขที่ได้กลับมาตรวจสอบได้ ส่วนเช็คพอยต์พื้นฐานคือการเดิมพันกับทักษะการปรับแต่ง (fine-tuning) ของคุณเอง โดยที่ยังไม่มีการตรวจสอบจากภายนอก

ต้นทุนของ "ฟรี": คำตอบแบบมิเตอร์ เทียบกับ มิเตอร์ที่หยุดเดิน

มิเตอร์ของ Ling 3.0 Tiny ไม่เคยหยุดเมื่อโปรโมชันสิ้นสุดลง ทุกโทเค็นที่เข้าและออกจะคิดอัตราตามที่ระบุไว้ตลอดไป ไม่ว่าคุณจะรันด้วยความพร้อมกันเท่าใดก็ตาม ยังมีต้นทุนแฝงอีกด้วย: Artificial Analysis วัดได้ว่าโมเดลสร้างโทเค็นเอาต์พุต 210 ล้านโทเค็นในขณะที่ให้คะแนนคลาสโมเดล 56 ตัว — เทียบกับค่ามัธยฐาน 63 ล้าน — และจัดว่า "verbose มาก" โมเดล reasoning ที่เผาผลาญโทเค็นเอาต์พุตพิเศษไปกับการคิดมีต้นทุนประสิทธิผลต่องานสูงกว่าที่เรตการ์ดระบุ และความ verbose นี้กัดกร่อนความได้เปรียบด้านราคาบางส่วน การกำหนดราคาแบบฟรีวันนี้บวกกับการคิดค่าบริการแบบ verbose ในวันพรุ่งนี้คือการแลกเปลี่ยนทางเศรษฐกิจที่แท้จริง ไม่ใช่ข้อผิดพลาดจากการปัดเศษ

ค่า "ฟรี" ของ base checkpoint เป็นการคิดบัญชีที่แตกต่าง: มันไม่เสียค่าใช้จ่ายในการดาวน์โหลด แต่แล้วทำให้คุณเสียข้อมูล ชุดฝึก และฮาร์ดแวร์ ชุดข้อมูล fine-tuning แบบมีผู้สอนจำนวน 100K ตัวอย่างมีค่าใช้จ่ายในระดับสิบดอลลาร์ในโทเคนเพื่อสร้าง; ชุด 1M ตัวอย่างใกล้เคียงกับหนึ่งร้อย และการ fine-tuning เอง — โมเดล 2.6B เป็นการรันสั้นบน GPU ตัวเดียว — คือชั่วโมงของเวลาเครื่องจักรบวกกับชั่วโมงวิศวกรรมของคุณ เพื่อให้บริการมันคุณต้องมีอุปกรณ์; Liquid รายงานว่าครอบครัวนี้มีความเร็วประมาณ 220 โทเคน/วินาทีในการถอดรหัสบน Apple M5 Max และ 113 บน Ryzen AI Max+ 395 ซึ่งวัดโดยผู้จำหน่ายบนรุ่นพี่น้องที่ผ่านการเทรนหลัง และ base ไม่มีตัวเลขความเร็วของตัวเอง ในทางปฏิบัติหมายความว่าแล็ปท็อปที่คุณมีอยู่แล้วหรือเครื่องใหม่เริ่มต้นที่ประมาณ 1,500 ดอลลาร์

ข้อแตกต่างที่ชี้ขาดคือสิ่งเดียวกับที่บล็อกนี้เคยใช้เปรียบเทียบ LFM2.5-2.6B-Base กับ GPT-5.6 Luna ที่ปรับราคาใหม่: มิเตอร์ตัวหนึ่งไม่เคยหยุด อีกตัวหนึ่งหยุดในวันที่การฝึกสิ้นสุด Ling 3.0 Tiny คิดค่าบริการต่อโทเค็นไม่ว่าคุณจะมีความพร้อมกัน (concurrency) เท่าใด ไปตลอดกาล ส่วนโทเค็นส่วนเพิ่มของ base นั้นฟรีหลังจากการฝึกสิ้นสุด ที่ระดับ concurrency ใดก็ได้ สำหรับเอเจนต์พร้อมกันจำนวนเท่าใดก็ตามที่คุณสามารถป้อนให้มันได้ นั่นคือเงื่อนไขเดียวที่โมเดล 2.6B จะชนะ API แบบคิดตามการใช้งาน (metered API) ในเรื่องต้นทุนได้จริง: เวิร์กโหลดที่มีปริมาณสูง มี concurrency สูง และทำงานตลอดเวลา

ใครควรเลือกอันไหน

เลือก Ling 3.0 Tiny ถ้า…

สัปดาห์นี้คุณต้องมีโมเดลที่ใช้งานได้จริง: โมเดลสำหรับการให้เหตุผลเชิงข้อความที่สามารถเรียกใช้ผ่านเอนด์พอยต์ที่เข้ากันได้กับ OpenAI มีบริบท 256K รองรับการเรียกใช้เครื่องมือ และมีคะแนนอิสระที่คุณสามารถตรวจสอบได้ ช่วงทดลองใช้งานฟรีให้โอกาสจริงในการประเมินโมเดลกับปริมาณงานของคุณเองก่อนที่จะจ่ายเงิน และแม้หลังสิ้นสุดโปรโมชัน อัตรา $0.06 / $0.18 ก็ยังถือว่าแข่งขันได้มากสำหรับโมเดลที่มีคะแนนความฉลาดที่วัดได้สูงกว่าระดับเดียวกัน คุณกำลังเช่าความฉลาดแบบคิดค่าใช้จ่ายตามการใช้งาน และคุณก็สบายใจกับสิ่งนั้น

เลือก LFM2.5-2.6B-Base ถ้า...

คุณกำลังสร้างโมเดลขึ้นมาเอง มากกว่าจะเช่ามาใช้: ภาษาหรือโดเมนที่โมเดลสำเร็จรูปให้บริการไม่ทั่วถึง กลุ่มอุตสาหกรรมที่อยู่ภายใต้กฎระเบียบซึ่งข้อมูลไม่สามารถออกจากอุปกรณ์ได้ งานวิจัยหลังการฝึก หรือโมเดลนักเรียนที่ได้จากการกลั่นความรู้ เวิร์กโหลดของคุณมีการทำงานพร้อมกันสูงพอที่ต้นทุนส่วนเพิ่มเป็นศูนย์จะดีกว่าการจ่ายตามปริมาณการใช้งาน และคุณก็สบายใจที่จะอยู่ภายใต้เพดานรายได้ของใบอนุญาต คุณควรซื่อสัตย์กับตัวเองเกี่ยวกับความเสี่ยง: ไม่มีผลการประเมินที่เผยแพร่ ไม่มีเส้นทางสำหรับการให้บริการ และการปรับแต่งละเอียดที่คุณจะต้องดีบักโดยไม่มีเกณฑ์มาตรฐานให้เล็งเป้า

ไฮบริดที่จริงใจ — และเราเตอร์เข้ากันตรงไหน

วิธีที่มีประโยชน์ที่สุดในการอ่าน pairing นี้ คือการมองว่ามันเป็นสองครึ่งของระบบเดียวกัน ไม่ใช่คู่แข่งสองฝ่าย ข้อกำหนดเบื้องต้นที่แท้จริงของ base checkpoint คือข้อมูล: สูตร post-training ของ Liquid เองทำงานบน teacher specialisation และ on-policy distillation ซึ่งหมายความว่าการจะทำให้ base มีประโยชน์ต้องเริ่มจากงานสร้างข้อมูลจากหลายโมเดล ก่อนที่จะกลายเป็นงานฝึก และนั่นคือจุดที่ API model ที่ราคาถูกแต่มีความสามารถอย่าง Ling 3.0 Tiny — หรือในระดับคุณภาพที่สูงขึ้น ก็คือ text tiers ใดๆ บน OrcaRouter — มาทำหน้าที่เป็น teacher ให้กับ student ท้องถิ่นขนาดเล็ก ใช้ช่วงเวลาฟรีในขณะที่ยังมีอยู่ สร้าง fine-tuning corpus จากนั้นฝึก base ให้กลายเป็นสิ่งที่คุณเป็นเจ้าของ

ในฝั่ง API มีข้อควรระวังอย่างตรงไปตรงมาข้อหนึ่งก่อนที่เราจะพูดถึงผลิตภัณฑ์ของเราเอง: ทั้ง Ling 3.0 Tiny และ LFM2.5-2.6B-Base ไม่ได้อยู่บน OrcaRouter Ling 3.0 Tiny ให้บริการผ่าน endpoint เชิงพาณิชย์ของตัวเอง ส่วน checkpoint ฐานไม่มีใครโฮสต์ไว้ สิ่งที่ OrcaRouter ทำได้อย่างมีประโยชน์คือการรับส่งโมเดลครูและปริมาณการเรียก API ที่เกี่ยวข้อง — Qwen 3.7 Flash ที่ $0.03 / $0.13 ต่อ 1M, Gemini 3.5 Flash-Lite ที่ $0.30 / $2.50 และอีก 200+ รายการภายใต้คีย์เดียวที่ markup 0% ดังนั้นราคารายการของผู้ให้บริการคือสิ่งที่คุณจ่าย และการลดราคาจากผู้ขายจะมีผลในวันเดียวกัน สำหรับการรันสร้างข้อมูลที่ไม่ควรตายกลางคัน การ failover อัตโนมัติข้ามผู้ให้บริการสำคัญกว่าการเลือกโมเดล แต่เราไม่ได้โฮสต์โมเดลทั้งสองที่บทความนี้พูดถึง และเราจะไม่แสร้งทำเป็นอย่างอื่น

คำตัดสิน

นี่ไม่ใช่การแข่งขันระหว่างโมเดลราคาถูกสองตัว หากแต่เป็นทางแยกระหว่างสองวิธีในการใช้เงินของคุณ หากคุณต้องการคำตอบ — คำตอบที่ทรงพลัง ตรวจสอบได้ และเช่าใช้ได้ — Ling 3.0 Tiny พร้อมใช้งานแล้ววันนี้ ฟรีตลอดสัปดาห์หน้า ได้คะแนนประเมินจากองค์กรอิสระว่าเหนือกว่าระดับเดียวกัน และตั้งราคาถูกไว้หลังจบโปรโมชัน หากคุณอยากเป็นเจ้าของโมเดล — แบบออฟไลน์ เป็นส่วนตัว ต้นทุนส่วนเพิ่มเป็นศูนย์ ปรับแต่งจนกลายเป็นสิ่งที่เป็นของคุณเอง — LFM2.5-2.6B-Base คือหนึ่งในเช็คพอยต์ 2.6B เพียงไม่กี่ตัวที่ไม่เคยถูกวัดผลจริง ๆ โดยมีโทเคน 34T จากการเทรนล่วงหน้าอยู่เบื้องหลัง และคุณจะเป็นหนึ่งในคนกลุ่มแรกของโลกที่ได้ค้นพบว่ามันดีแค่ไหน ทั้งคู่ฟรี แต่มันฟรีด้วยสกุลเงินที่ต่างกัน: Ling 3.0 Tiny ทำให้คุณจ่ายตามมิเตอร์ และ LFM2.5-2.6B-Base ทำให้คุณเสียค่าการเทรนหนึ่งรอบ