Liquid AI d1-3B กับ MiniCPM5-2B ความน่าจะเป็น ร้อยแก้ว ในระดับแล็ปท็อป

โมเดลน้ำหนักเปิดสองตัว ทั้งคู่เล็กพอที่จะรันบนเครื่องที่อยู่ตรงหน้าคุณ และทั้งคู่ไม่ลงรอยกันว่าโมเดลควรส่งอะไรกลับมา Liquid AI d1-3B คือโมเดลตัดสินใจขนาด 3.12B ของ Liquid AI ซึ่งเปิดน้ำหนักเมื่อวันที่ 7 ตุลาคม 2026: มันอ่านสถานะและชุดคำถามที่มีชื่อกำกับ แล้วคืนป้ายกำกับ ความน่าจะเป็นของแต่ละตัวเลือก และความเชื่อมั่น ในการส่งผ่านไปข้างหน้าครั้งเดียว โดยไม่สร้างอะไรเลย MiniCPM5-2B คือโมเดล dense ขนาด 2.52B ของ ModelBest และ OpenBMB ที่เปิดตัวในงาน World Artificial Intelligence Conference เมื่อวันที่ 19 กรกฎาคม และถูกเผยแพร่อย่างเงียบ ๆ สู่ Hugging Face ในต้นเดือนกันยายน 2026 ภายใต้ Apache-2.0 — ผู้ช่วยด้านการให้เหตุผล การเขียนโค้ด และการเรียกใช้เครื่องมือ ที่เขียนคำตอบ เรียกฟังก์ชันใน XML และมียอดดาวน์โหลดกว่า 1 ล้านครั้งแล้ว ตัวที่เล็กกว่ามีหน้าต่างบริบทมากกว่า 4 เท่า และมีสัญญาอนุญาตที่ผ่อนปรนกว่ามาก ส่วนตัวที่ใหญ่กว่าไม่สามารถสร้างโทเคนได้แม้คุณจะต้องการให้ทำ การที่รูปร่างแบบใดในสองแบบนี้จะอยู่ในไปป์ไลน์ของคุณ ขึ้นอยู่ทั้งหมดกับว่าสิ่งที่อยู่ปลายน้ำของการเรียกนั้นต้องการตัวเลขหรือประโยค

การพลิกกลับที่ควรค่าแก่การสังเกตเป็นอันดับแรก

เกือบทุกความคาดหวังเชิงสัญชาตญาณเกี่ยวกับการจับคู่นี้ล้วนกลับด้าน ดังนั้นให้เริ่มจากตรงนั้น

MiniCPM5-2B เป็นโมเดลที่เล็กกว่า และรองรับบริบทที่ยาวกว่า: 131,072 โทเค็น เทียบกับ 32,768 ของ Liquid AI d1-3B นอกจากนี้ยังมีสัญญาอนุญาตที่เปิดกว้างกว่าในสองตัวนี้ — Apache-2.0, ไม่มีข้อจำกัดการเข้าถึง (ungated) โดยมีชุดข้อมูลฝึกอบรมเผยแพร่พร้อมกับน้ำหนักโมเดลในฐานะส่วนหนึ่งของตระกูล UltraData ส่วน Liquid AI d1-3B เผยแพร่ภายใต้สัญญาอนุญาต lfm1.0 ของ Liquid เอง ซึ่งดาวน์โหลดได้และปรับแต่งละเอียดได้ แต่เป็นสัญญาอนุญาตของผู้ขาย มากกว่าจะเป็นสัญญาอนุญาตแบบเปิดกว้างมาตรฐาน

Liquid AI d1-3B เป็นโมเดลที่ใหญ่กว่า — 3.12B เทียบกับ 2.52B โดยรวม แม้ว่าการเปรียบเทียบจะพลิกกลับอีกครั้งเมื่อพิจารณาพารามิเตอร์ที่ไม่ใช่ embedding — และเป็นตัวที่ไม่สามารถเขียนได้ มันมีความสามารถด้านภาพ ส่วน MiniCPM รองรับเฉพาะข้อความ มันถูกฝึกหลังการฝึกมาเพื่อสิ่งเดียวเท่านั้น ส่วน MiniCPM ถูกฝึกหลังการฝึกมาเพื่อหลายสิ่ง และในขณะที่ MiniCPM5-2B มาพร้อมแผนภูมิเปรียบเทียบที่จัดให้มันอยู่บนสุดในระดับขนาดเดียวกัน Liquid AI d1-3B กลับมาพร้อมคะแนนดัชนีเพียงค่าเดียวและชุดตารางความหน่วง

ไม่มีสิ่งใดในนั้นทำให้ตัวหนึ่งดีกว่าอีกตัว มันหมายความว่าทั้งสองถูกออกแบบมาสำหรับงานที่ต่างกัน และสิ่งที่บ่งบอกก็คือรูปร่างของคำตอบที่แต่ละตัวส่งกลับมา

สิ่งที่ส่งกลับมาบนเครือข่าย

MiniCPM5-2Bเป็นโมเดลภาษาสร้างสรรค์ มันให้เหตุผล ตอบเป็นร้อยแก้ว และส่งการเรียกใช้เครื่องมือรูปแบบ XML ที่ตัวแยกวิเคราะห์minicpm5ที่มีมาในตัวของ SGLang แปลงเป็นtool_callsที่เข้ากันได้กับ OpenAI โดยไม่ต้องมีอะแดปเตอร์แบบกำหนดเอง ส่วนกระบวนการหลังการฝึกคือส่วนที่น่าสนใจในเรื่องราวของมัน: การปรับละเอียดแบบมีผู้สอน (supervised fine-tuning) สำหรับการคิดเชิงลึกจำนวน 400 พันล้านโทเคน จากนั้นเป็นการเรียนรู้แบบเสริมกำลังด้วยอัลกอริทึมที่อิงกับ critic ซึ่งยืมมาจาก JustRL II หลังจากนั้นเป็นการกลั่นแบบ on-policy ที่พับโมเดลครู RL เฉพาะทางสิบหกโมเดล — ห้าโมเดลในนั้นเป็นแบบเอเจนต์ — กลับเข้าเป็นเครือข่ายหนาแน่นหนึ่งเดียว การ์ดโมเดลระบุว่า RL รวมกับการกลั่นให้คะแนนเพิ่มขึ้นเฉลี่ย 10.96 คะแนนในงานด้านการให้เหตุผลและงานทั่วไป และ 6.96 ในงานแบบเอเจนต์ และรายงานค่าเฉลี่ย 53.9 จากชุดเปรียบเทียบของตัวเอง ซึ่งสูงกว่าโมเดลที่ใหญ่ที่สุดที่รวมอยู่ในชุดนั้น ตัวเลขเหล่านี้เป็นของ ModelBest ซึ่งผลิตขึ้นภายใน ยังไม่มีการเผยแพร่ผลการทำซ้ำโดยอิสระ

Liquid AI d1-3B คืนค่ากลับมาเป็นโครงสร้าง คำถามแบบnoul จะได้คำตอบกลับมาเป็น P(yes) ระหว่าง 0 กับ 1 คำถามแบบchoice จะได้คำตอบกลับมาเป็นป้ายกำกับ ค่าความมั่นใจ และความน่าจะเป็นของแต่ละตัวเลือก คำถามแบบscore จะได้คำตอบกลับมาเป็นระดับที่คาดหวังบนสเกลเรียงลำดับสองถึงสิบ พร้อมการแจกแจงและคำอธิบายสัญลักษณ์ ออบเจ็กต์ usage รายงานว่า output_tokens: 0 และมีตัวเข้าถึง probabilities แบบดิบ หากคุณต้องการเวกเตอร์ที่ยังไม่ผ่านการปรุงแต่ง การฝึกหลังการเทรนของโมเดลนี้เป็นงานอีกประเภทหนึ่งโดยสิ้นเชิง: เฉลี่ยเช็กพอยต์สองตัวเข้าด้วยกัน ไฟน์จูนหลายซีดบนส่วนผสมข้อมูลที่ต่างกัน รวมเข้าด้วยกัน แล้วทุ่มความพยายามไปกับการฝึกกับอินพุตยาว สลับลำดับตัวเลือกคำตอบ และถอดทางลัดออกจากข้อมูลฝึก — เพราะโมเดลตัดสินใจที่เรียนรู้ว่า "ตัวเลือก B มักจะถูก" แทนที่จะอ่านสถานะนั้นแย่กว่าไม่มีประโยชน์เสียอีก

อันหนึ่งขอให้โมเดลคิดแล้วจึงพูดบางอย่าง อีกอันหนึ่งถามโมเดลว่ามันเชื่ออะไรอยู่แล้ว

เคียงข้างกัน พร้อมระบุแหล่งที่มา

ตัวเลขทุกตัวด้านล่างนี้เป็นข้อมูลที่ผู้จำหน่ายรายงานเอง ตัวเลขของ MiniCPM5-2B มาจากการ์ดของ ModelBest เองและชุดเปรียบเทียบของตัวเอง ส่วนตัวเลขของ Liquid AI d1-3B มาจากการที่ Liquid รันตัวให้คะแนน Decision Index อย่างเป็นทางการด้วยตนเอง แทนที่จะส่งเข้าสู่กระดานผู้นำสาธารณะ ณ การเปิดตัวโมเดลน้ำหนักเปิด ทั้งสองโมเดลยังไม่ได้รับการทดสอบประสิทธิภาพอย่างอิสระโดยบุคคลที่สาม

• พารามิเตอร์ — Liquid AI d1-3B รวม 3.12B พร้อมตัวเข้ารหัสภาพ SigLIP2 ขนาด 400M และคำศัพท์ 128,000 โทเค็น; MiniCPM5-2B รวม 2,516,756,480, ไม่รวมการฝัง 1,981,982,720, 42 เลเยอร์, 16 หัวคำถามต่อ 2 หัว KV, คำศัพท์ 130,560

• บริบท — 32,768 โทเค็นสำหรับ Liquid AI d1-3B; 131,072 สำหรับ MiniCPM5-2B

• รูปแบบอินพุต — ข้อความและรูปภาพสำหรับ Liquid AI d1-3B; ข้อความเท่านั้นสำหรับ MiniCPM5-2B

• เอาต์พุต — ความน่าจะเป็น, ป้ายกำกับ, ค่าความมั่นใจ และคะแนนแบบเรียงลำดับ โดยมีโทเคนเอาต์พุตเป็นศูนย์ สำหรับ Liquid AI d1-3B; ข้อความที่สร้างขึ้น, การให้เหตุผล และการเรียกเครื่องมือ XML สำหรับ MiniCPM5-2B

• คะแนนเด่น — Liquid AI d1-3B ได้ 48.57 บน Decision Index 0.2.1 เป็นอันดับหนึ่งในบรรดาโมเดลที่ต่ำกว่า 10B ในตารางของผู้ขาย; MiniCPM5-2B มีค่าเฉลี่ย 53.9 จากชุดเปรียบเทียบของตัวเอง ซึ่งเป็นชุดที่แตกต่างและวัดสิ่งต่าง ๆ กัน

• ความเร็ว — 8 มิลลิวินาทีต่อคำถามบน RTX 4090, 26 มิลลิวินาทีบน Jetson AGX Orin 64 GB, 50 มิลลิวินาทีบน Jetson Orin Nano และ 64 สถานะแบบแพ็คต่อรอบที่ 475 ต่อวินาทีสำหรับ Liquid AI d1-3B ความเร็วของ MiniCPM5-2B เป็นฟังก์ชันของจำนวนโทเค็นที่สร้าง ดังนั้นจึงไม่มีตัวเลขเดียวที่จะนำมาเปรียบเทียบได้

• สัญญาอนุญาต — Apache-2.0, ไม่มีข้อจำกัดการเข้าถึง, เผยแพร่ข้อมูลการฝึกแล้ว, สำหรับ MiniCPM5-2B; lfm1.0 ของ Liquid สำหรับ Liquid AI d1-3B.

• หลักฐาน — ยอดดาวน์โหลดบน Hugging Face มากกว่าหนึ่งล้านครั้ง และการควอนไทซ์โดยชุมชนเป็นเวลาหนึ่งเดือนสำหรับ MiniCPM5-2B; ส่วน Liquid AI d1-3B มีอายุเพียงสองวันและยังไม่มีการรันโดยบุคคลที่สาม

งานที่แต่ละคนถนัดจริง ๆ

มีเวิร์กโฟลว์หนึ่งที่ทั้งสองโมเดลทำได้ และความแตกต่างในวิธีการที่ทั้งสองทำเวิร์กโฟลว์นั้นก็คือประเด็นโต้แย้งทั้งหมด

สมมติว่าคุณกำลังคัดแยกตั๋วสนับสนุน หรือตัดสินว่าข้อความที่ค้นคืนมาช่วยตอบคำถามได้หรือไม่ หรือให้คะแนนเอาต์พุตของ LLM เทียบกับ rubric MiniCPM5-2B ทำได้ทั้งสามอย่าง — มันเป็นตัวให้เหตุผลขนาดเล็กที่มีความสามารถ พร้อมการเรียกใช้เครื่องมือและบริบทที่ยาว และคุณจะเรียกใช้มันเหมือนผู้ช่วยอื่น ๆ โดยขอป้ายกำกับ แล้วแยกวิเคราะห์อะไรก็ตามที่ส่งกลับมา บางครั้งมันคืนค่า JSON ที่สะอาด บางครั้งมันคืนค่า JSON ที่มีคำอธิบายห่ออยู่รอบ ๆ บางครั้งมันคืนคำตอบที่ถูกต้องมาในรูปแบบที่ไม่ถูกต้อง และการพลาดนั้นเป็นบั๊กในตัวแยกวิเคราะห์ของคุณ มากกว่าเป็นที่โมเดล

Liquid AI d1-3B ทำอย่างอื่นไม่ได้ ซึ่งนั่นแหละคือประเด็น ในงานสามงานเดียวกัน มันคืนค่าความน่าจะเป็นและป้ายกำกับ โดยไม่มีอะไรต้องแยกวิเคราะห์ การถามสามคำถามบนสถานะเดียวใช้เวลาเป็น 1.3 เท่าของการถามหนึ่งคำถาม และโหมดความล้มเหลวเปลี่ยนจาก "รูปแบบพัง" เป็น "ความมั่นใจถูกสอบเทียบผิด" — ซึ่งอย่างน้อยก็วัดได้ เพราะความมั่นใจอยู่ในคำตอบตรงนั้นเลย

จุดที่ MiniCPM5-2B ชนะขาดคือทุกสิ่งทุกอย่างที่อยู่ปลายน้ำของการตัดสินใจนั้น มันรองรับ 131K โทเคน สถานะจึงเป็นได้ทั้งโครงสร้างไฟล์ของรีโพซิทอรีทั้งอันหรือเอกสารยาว ๆ แทนที่จะเป็นแค่หน้าแรกของเอกสารอย่างใดอย่างหนึ่ง มันเขียนการเรียกเครื่องมือได้โดยกำเนิดในตัว มันเป็นโมเดลที่คุณสร้างเอเจนต์ขนาดเล็กขึ้นมาได้ และมันถูกฝึกต่อยอด (post-train) มาอย่างชัดเจนเพื่องานแบบเอเจนต์ และสัญญาอนุญาต Apache-2.0 ของมันหมายความว่าบทสนทนากับทนายด้านกฎหมายการค้าตามปกติจะไม่เกิดขึ้น

จุดที่ Liquid AI d1-3B ชนะขาดคือขีดจำกัดล่างของความหน่วงและมอดัลลิตี อุปกรณ์ที่ตัดสินใจได้ใน 50 ms โดยไม่มี GPU ไม่ใช่อุปกรณ์ที่รัน MiniCPM5-2B ทั้งสองอยู่ในระดับฮาร์ดแวร์ที่ต่างกันแม้จะมีจำนวนพารามิเตอร์ใกล้เคียงกัน และ 3B มองเห็น — ผู้ขายรายงาน 74.1 จากเบนช์มาร์กภาพสาธารณะ 11 รายการที่ตีความเป็นผลการตัดสินใจ เทียบกับ 73.9 สำหรับโมเดลภาษา-ภาพที่มันถูกสร้างมา และรายงานว่าการเอารูปภาพออกทำให้คำถามชุดเดียวกันร่วงลงเหลือ 45.1 ซึ่งเป็นวิธีที่พวกเขาแสดงให้เห็นว่าคำตอบมาจากพิกเซล การตรวจสอบด้วยสายตาบนสายการผลิตไม่ใช่งานที่ 2B แบบข้อความล้วนจะรับมอบได้เลย

การรันพวกมัน และเลเยอร์ที่ล้อมรอบพวกมัน

ทั้งสองเป็นเรื่องราวการโฮสต์เอง และทั้งคู่ได้ทำงานด้านการปรับใช้เสร็จเรียบร้อยแล้ว Liquid AI d1-3B มาพร้อมกับการสนับสนุน llama.cpp ตั้งแต่วันแรก สแต็ก NVIDIA แบบเต็มรูปแบบตั้งแต่ DGX ถึง Jetson การควอนไทซ์ NVFP4 บิลด์แบบ 8-bit weight-and-activation และการแปลง GGUF ที่เผยแพร่แล้ว MiniCPM5-2B เป็นสถาปัตยกรรม LlamaForCausalLM ธรรมดาที่ไม่ต้องใช้เคอร์เนลแบบกำหนดเอง มีไฟล์ safetensors แบบ BF16 หนึ่งไฟล์ บิลด์ GGUF และ MLX ในตระกูลที่กว้างขึ้น และมีความชอบที่บันทึกไว้สำหรับ SGLang เมื่อคุณต้องการตัวแยกวิเคราะห์การเรียกเครื่องมือ ไม่มีทั้งสองรายการอยู่ในแคตตาล็อกของเรา และบทความนี้ไม่ใช่การอ้างสิทธิ์ความพร้อมใช้งานสำหรับทั้งสอง

ทางเลือกแบบโฮสต์คือ API ของผู้จำหน่ายเองและแพลตฟอร์มของบุคคลที่สาม Liquid ให้บริการโฮสต์ d1 โดยคิดราคาตามโทเคนอินพุตเท่านั้นที่ $0.04 ต่อล้าน โดยรูปภาพถูกคิดเป็นอินพุตที่ 1.5 โทเคนต่อแพตช์ขนาด 32×32 พิกเซล และไม่มีบรรทัดเอาต์พุตเลย; MiniCPM5-2B ไม่มี API จากผู้พัฒนาโดยตรง ซึ่งเป็นเรื่องปกติสำหรับการเปิดตัวแบบ open-weights ภายใต้ Apache-2.0

สิ่งที่ทั้งสองอย่างป้อนเข้าสู่คือปัญหาสถาปัตยกรรมเดียวกัน โมเดลภายในเครื่องขนาด 2B หรือ 3B ที่รับผิดชอบการจำแนกประเภท การจัดเส้นทาง หรือการตรวจสอบ guardrail จะวางอยู่ด้านหน้าของการเรียกแบบ generative ที่คุณไม่ได้โฮสต์เอง และส่วนผสมนั้น — การอนุมานที่คุณเป็นเจ้าของเคียงข้างการอนุมานที่เช่าใช้ — คือสิ่งที่เลเยอร์การจัดเส้นทางถูกสร้างขึ้นมาเพื่อรองรับ ปลายทางเดียวที่ครอบคลุมโมเดลกว่า 200 ตัว ราคาตามรายการของผู้ให้บริการที่ส่งผ่านด้วยมาร์กอัป 0% เพื่อให้การเปลี่ยนแปลงราคาของผู้ขายมีผลทันทีในวันเดียวกัน การสลับไปใช้ระบบสำรองอัตโนมัติเมื่อผู้ให้บริการต้นทางรายใดรายหนึ่งมีประสิทธิภาพลดลง การเป็นเจ้าของโมเดลขนาดเล็กทำให้คำถามเรื่องการจัดเส้นทางยากขึ้น ไม่ใช่ง่ายลง เพราะตอนนี้เส้นแบ่งระหว่างฮาร์ดแวร์ของคุณกับของคนอื่นกลายเป็นการตัดสินใจที่คุณต้องทำในทุกคำขอ

เลือกตามประเภทคำตอบ

ถ้าสิ่งที่คุณต้องการคือป้ายกำกับ ความน่าจะเป็น หรือการให้คะแนน และรู้ชุดตัวเลือกไว้ล่วงหน้าแล้ว Liquid AI d1-3B คือเครื่องมือที่ซื่อตรงกว่า — มันถูกสร้างมาเพื่อคำขอนั้นโดยเฉพาะ และคำตอบจะไม่ออกมาผิดรูปแบบ ยอมรับสัญญาอนุญาตจากผู้ขาย คอนเท็กซ์ 32K และร่องรอยหลักฐานที่เพิ่งมีอายุสองวันเป็นราคาที่ต้องจ่าย

ถ้าสิ่งที่คุณต้องการคือโมเดลขนาดเล็กที่ให้เหตุผลได้ เรียกใช้เครื่องมือได้ รองรับเอกสารยาว ๆ และตอบเป็นข้อความได้ MiniCPM5-2B คือเครื่องที่ความสามารถสูงกว่าอย่างทิ้งห่าง และมาพร้อมกับ Apache-2.0 กับยอดดาวน์โหลดหนึ่งล้านครั้งซึ่งมาจากการทดสอบของผู้อื่นหนุนหลังอยู่

ทีมที่จะได้ประโยชน์สูงสุดจากทั้งสองรุ่นคือทีมที่ใช้งานทั้งคู่: โมเดลการตัดสินใจที่อยู่ด้านหน้า ซึ่งคำตอบเป็นตัวเลขและมิลลิวินาทีมีความสำคัญ และโมเดลเจนเนอเรทีฟขนาดเล็กที่อยู่เบื้องหลัง สำหรับส่วนของงานที่ต้องใช้ภาษา พวกมันไม่ใช่คู่แข่ง พวกมันเป็นตัวกรองและผู้พูด