MiniCPM5-2B-DSpark vs LFM2.5-2.6B-Base: หนึ่งคือส่วนผสมสำหรับการ serving ส่วนอีกหนึ่งคือส่วนผสมสำหรับการ training

การเปิดตัวโมเดลขนาดเล็กที่น่าสนใจที่สุดสองรายการในช่วงปลายฤดูร้อนปี 2026 มีจุดร่วมกันอย่างหนึ่ง นั่นคือ ทั้งคู่ไม่สามารถใช้งานได้ทันทีที่แกะกล่อง และผู้พัฒนาทั้งสองรายก็พูดเช่นนั้นไว้ในประโยคแรก ๆ ของการ์ดโมเดลของตัวเอง MiniCPM5-2B-DSpark คือ draft checkpoint ของ DSpark ที่ OpenBMB โพสต์เงียบ ๆ ขึ้นสู่ Hugging Face เมื่อวันที่ 6 กันยายน 2026 ซึ่งเป็นโมเดลคู่หูขนาด 323.8 ล้านพารามิเตอร์ของ MiniCPM5-2B โมเดลแบบ dense ขนาด 2.52 พันล้านพารามิเตอร์สำหรับการทำงานบนอุปกรณ์ที่ ModelBest ประกาศที่งาน WAIC เมื่อวันที่ 19 กรกฎาคม 2026 — และมันจะไม่ทำอะไรเลยจนกว่าคุณจะโหลดมันไว้ข้าง ๆ โมเดลเป้าหมายนั้นในเอนจิน speculative-decoding LFM2.5-2.6B-Base คือเช็คพอยต์ข้อความที่ผ่านการฝึกไว้ล่วงหน้าของ Liquid AI ซึ่งอยู่บน Hugging Face ตั้งแต่วันที่ 1 สิงหาคม 2026 โดยการ์ดของ Liquid เองเรียกมันว่า "เช็คพอยต์ข้อความที่ฝึกไว้ล่วงหน้าเท่านั้น" และแนะนำให้ใช้เฉพาะงานที่ต้องมีการ fine-tuning อย่างหนักเท่านั้น ตัวหนึ่งเป็นส่วนผสมสำหรับเสิร์ฟโมเดลที่เสร็จแล้วให้เร็วขึ้น ส่วนอีกตัวเป็นส่วนผสมสำหรับฝึกโมเดลของคุณเองตั้งแต่แรก พวกมันอยู่กันคนละชั้น และความผิดพลาดของคนสร้างก็คือการเอื้อมหยิบผิดตัวนั่นเอง

สิ่งที่ทำให้ทั้งสองค่ายนี้สมควรนำมาเปรียบเทียบกันก็คือ พวกเขาต่างพุ่งเป้าไปที่ฮาร์ดแวร์ชุดเดียวกัน และมีความทะเยอทะยานเดียวกันในปี 2026 นั่นคือ AI ที่ทำงานได้จริงบนโทรศัพท์มือถือ แล็ปท็อป และอุปกรณ์เอดจ์ — แต่เริ่มจากคนละปลายของกระบวนการพัฒนา หากคุณต้องการโมเดลบนอุปกรณ์ที่พร้อมใช้งานได้จริง พร้อมตัวเร่งความเร็วฟรี ๆ {{1}}สแตกของ OpenBMB ก็ส่งมอบทั้งชุดให้คุณในรูปแบบโอเพนซอร์ส{{/1}} แต่หากคุณอยากเป็นเจ้าของขั้นตอน post-training ด้วยตัวเอง {{2}}Liquid ก็จะยื่นทั้งรากฐานและแรงงานมาให้คุณ{{/2}} บทความนี้จะตอบคำถามว่าแท้จริงแล้วคุณกำลังเลือกซื้อเลเยอร์ใด

การ์ดสองใบที่ระบุว่า "ไม่ใช้โดยตรง" ในภาษาถิ่นที่แตกต่างกัน

อ่านการ์ดโมเดลทั้งสองใบเคียงข้างกัน แล้วเงื่อนงำก็อยู่ที่ภาษาที่ใช้เล่าถึงการจับคู่ การ์ดของ MiniCPM5-2B-DSpark เขียนขึ้นโดยอ้างอิงถึงโมเดลอีกตัวหนึ่งล้วนๆ: เป้าหมาย, โทเคไนเซอร์ที่ใช้ร่วมกัน, เลเยอร์แบบร่าง, ความยาวที่ยอมรับได้, คำสั่งเปิดใช้ SGLang ที่รับพาธของเป้าหมายและพาธของแบบร่าง แบบร่างตัวนี้ไม่มีอัตลักษณ์เป็นของตัวเอง — มีเลเยอร์ full-attention ห้าชั้น, พารามิเตอร์ 323,776,001 ตัว, ขนาดบล็อกเจ็ด, ถูกฝึกเป็นเวลาหก epoch ด้วยโทเคน 7.05 พันล้านตัวจากคำตอบที่ MiniCPM5-2B สร้างขึ้น และเผยแพร่ภายใต้ Apache-2.0 โดยเปิดใช้ confidence head และ Markov head ของวิธี DSpark (arXiv 2607.05147) จุดประสงค์ของมันคือปริมาณงาน: เสนอได้สูงสุดเจ็ดโทเคน ให้เป้าหมายขนาด 2.52B ตรวจสอบบล็อกในครั้งเดียว แล้วเก็บเฉพาะส่วนที่มันยอมรับ

การ์ด openbmb/MiniCPM5-2B-DSpark ด้านบนคือสิ่งที่เปิดเผยสู่สาธารณะทั้งหมดของการเปิดตัวครั้งนี้ — เป็นอุปกรณ์เสริมสำหรับการให้บริการที่ไม่มีประกาศใดๆ แนบมา ซึ่งรายงานความยาวที่ยอมรับได้ แต่ไม่มีการเร่งความเร็วแบบ end-to-end

การ์ดของ LFM2.5-2.6B-Base เขียนขึ้นโดยอ้างอิงถึงโมเดลที่ยังไม่มีอยู่จริง นั่นคือโมเดลของคุณ โมเดลไฮบริดขนาด 2.69B พารามิเตอร์วางเลเยอร์ grouped-query-attention แปดเลเยอร์ซ้อนบนบล็อก dual-gated short-convolution ยี่สิบสองบล็อก ซึ่งเป็นสถาปัตยกรรมของ Liquid สำหรับการใช้งานบนอุปกรณ์ ฝึกด้วยโทเคนประมาณ 34 ล้านล้านโทเคนจาก 16 ภาษา ด้วยบริบท 128K โมเดลนี้รองรับเฉพาะข้อความ ไม่มีการปรับแต่งด้วยคำสั่ง (instruction tuning) และไม่เผยแพร่ benchmark ใดๆ ของตัวเอง เพราะโมเดลฐานที่ผ่านการฝึกแล้วไม่ถูกนำมาวัดคะแนน สิ่งที่ถูกวัดคือผลิตภัณฑ์ที่ผ่านการ fine-tune ซึ่งพัฒนามาจากโมเดลนี้ หน้าที่ของมันคือการถูกนำไปฝึกต่อ (continued pre-training) หรือปรับด้วย SFT บนข้อมูลของคุณ หลังจากนั้นสิ่งใดก็ตามที่คุณเผยแพร่ออกไปจะสืบทอดเงื่อนไขใบอนุญาตของโมเดลนี้

การ์ด LiquidAI/LFM2.5-2.6B-Base ด้านบนแสดงตารางตระกูลโมเดล — ระหว่างรุ่นฐานกับโมเดลตัวแทน (agentic model) LFM2.5-2.6B ที่ผ่านการฝึกเสริม — และหมายเหตุ "pre-trained text-only checkpoint" ที่นิยามว่ารุ่นฐานเป็นเสมือนวัตถุดิบตั้งต้น

รีโพส ทีละมิติ

• บทบาท — MiniCPM5-2DSpark: เร่งความเร็วให้กับเป้าหมายที่เสร็จสมบูรณ์แล้วซึ่งมีอยู่ LFM2.5-2.6B-Base: โมเดลฐานที่คุณฝึกเพิ่มเติมจนกลายเป็นโมเดลที่เสร็จสมบูรณ์

• พารามิเตอร์ — MiniCPM5-2B-DSpark: ดราฟต์ 324M สำหรับโมเดลเป้าหมายแบบ dense ขนาด 2.52B LFM2.5-2.6B-Base: ไฮบริด 2.69B (แอตเทนชัน + บล็อกคอนโวลูชันระยะสั้น)

• บริบท — MiniCPM5-2B เป้าหมาย: 128K เนทีฟ LFM2.5-2.6B-Base: 128K เนทีฟ

• สิ่งที่คุณต้องเพิ่ม — MiniCPM5-2B-DSpark: เอ็นจินสำหรับให้บริการ (SGLang DSPARK) และโมเดลเป้าหมาย LFM2.5-2.6B-Base: การรัน fine-tuning ชุดประเมินผล และสแตกการอนุมาน

• เกณฑ์วัดประสิทธิภาพ — MiniCPM5-2B-DSpark: มีเฉพาะความยาวการยอมรับของ repo (ค่าเฉลี่ยรวมแบบ greedy 5.52 ต่อขั้น) ไม่มีตัวเลขการเร่งความเร็ว LFM2.5-2.6B-Base: ไม่มีการเผยแพร่สำหรับตัว base เอง

• ใบอนุญาต — MiniCPM5-2B-DSpark: Apache-2.0 ไม่มีข้อผูกมัด LFM2.5-2.6B-Base: LFM Open License v1.0 — ใช้เชิงพาณิชย์ได้ฟรีสูงสุดถึงรายได้ต่อปี 10 ล้านดอลลาร์สหรัฐ และเพดานนี้จะส่งต่อไปยังโมเดลที่คุณปรับแต่งไม่ว่าจะเป็นตัวใดก็ตาม

กระดานคะแนนด้านบนคือชั้นวางวัตถุดิบที่วาดเป็นการ์ด: คอลัมน์หนึ่งเป็นส่วนเสริมสำหรับเสิร์ฟให้กับโมเดลที่เสร็จสมบูรณ์ ส่วนอีกคอลัมน์เป็นพื้นผิวสำหรับฝึกโมเดลที่ยังไม่มีอยู่จริงจนกว่าคุณจะสร้างมันขึ้นมา

ความแตกต่าง 10 ล้านดอลลาร์

สำหรับนักสร้าง ช่องว่างด้านใบอนุญาตคือรายการที่ดูไม่สวยหรูที่สุดแต่ชี้ขาดที่สุดในรายการนั้น ModelBest และ OpenBMB วาง MiniCPM5-2B และดราฟต์ของมันไว้ภายใต้ Apache-2.0: คุณสามารถให้บริการโมเดลเป้าหมาย รันโมเดลดราฟต์ และสร้างผลิตภัณฑ์เชิงพาณิชย์ต่อยอดได้โดยไม่มีเพดานรายได้ และไม่มีภาระที่สืบทอดมานอกเหนือจากการระบุแหล่งที่มา ใบอนุญาต LFM Open License v1.0 ของ Liquid อนุญาตการใช้เชิงพาณิชย์แต่จำกัดเพดาน — ใช้ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ และเพดานนี้ส่งต่อไปยังงานดัดแปลงของคุณ ดังนั้นผลิตภัณฑ์ที่คุณปรับแต่งละเอียดจาก LFM2.5-2.6B-Base จึงมีเพดานเดียวกันนั้น นั่นไม่ได้ทำให้ใบอนุญาตของ Liquid ไม่สมเหตุสมผล แต่มันทำให้มันเป็นเงื่อนไขที่สตาร์ทอัพที่หวังจะเติบโตเกินเพดานต้องวางแผนรับมือตั้งแต่วันแรก หากความทะเยอทะยานด้านรายได้ของโปรเจกต์คุณมีขนาดเล็ก หรือคุณกำลังประเมินเพื่องานวิจัย เพดานนี้ก็ไม่เป็นปัญหา หากคุณกำลังสร้างสิ่งที่ตั้งใจจะให้เติบโต Apache-2.0 คือวัตถุดิบอีกประเภทหนึ่ง

ทางแยกของการสร้างเองเทียบกับการซื้อสำหรับนักพัฒนา

ลองวางกรอบให้เป็นการตัดสินใจแบบ build-versus-buy เกี่ยวกับตัวโมเดลเอง ทางเลือกจะไม่ทำให้สับสนอีกต่อไป MiniCPM5-2B-DSpark คือเส้นทาง "ซื้อ": งานหนัก — การ post-train โมเดลบนอุปกรณ์สำหรับงานแบบ agentic และบริบทยาว — ทำเสร็จเรียบร้อยแล้วใน MiniCPM5-2B และดราฟต์คือเลเยอร์เร่งความเร็วที่ไม่ต้องมีใบอนุญาตเพิ่มเติมวางซ้อนอยู่บนนั้น คุณกำลังซื้อโมเดลที่เสร็จสมบูรณ์และความเร็วที่เพิ่มขึ้น ซึ่งทั้งคู่เป็น Apache-2.0 และงานที่เหลือของคุณคือการ serving และการประเมินผล คำถามที่ยังเปิดอยู่เป็นเชิงปริมาณ: OpenBMB ได้วัดอัตราการยอมรับของดราฟต์ (5.52 โทเค็นต่อขั้นตอนการตรวจสอบที่ greedy) แต่ยังไม่ได้วัดผลตอบแทนตามเวลาจริง (wall-clock) คุณจึงยังต้อง benchmark การติดตั้ง SGLang บนฮาร์ดแวร์ของคุณเองเพื่อที่จะรู้ว่าคุณซื้ออะไรไป

LFM2.5-2.6B-Base คือเส้นทาง "สร้างเอง": คุณกำลังซื้อโครงสร้างพื้นฐานที่ผ่านการ pretraining และทำ post-training เอง ซึ่งเป็นเหตุผลที่ตรงไปตรงมาเพียงอย่างเดียวที่จะเลือก base แทนที่จะเลือก LFM2.5-2.6B ที่ผ่าน post-training แล้วซึ่ง Liquid จำหน่ายอยู่แล้ว เส้นทางนั้นสมเหตุสมผลเมื่อคุณมีโดเมน ภาษา หรือรูปแบบพฤติกรรมที่โมเดลสำเร็จรูปไม่ครอบคลุม — คุณนำสถาปัตยกรรมของ Liquid และรากฐาน 34 ล้านล้านโทเคนมาทำให้เป็นของคุณเอง มันต้องทำงานมากขึ้นอย่างชัดเจน เริ่มต้นโดยไม่มีเกณฑ์มาตรฐานที่เผยแพร่ และยังคงข้อจำกัดด้านรายได้ต่อไป ผลตอบแทนคือโมเดลที่ไม่มีใครอื่นมี

ความจริงของการกำหนดเส้นทาง

ไม่มีเช็คพอยต์ใดปรากฏในแคตตาล็อกบริการโฮสต์ในปัจจุบัน รวมถึงของ OrcaRouter ด้วย — ดราฟต์จัดเป็นอุปกรณ์เสริมสำหรับการเสิร์ฟในเครื่องโดยนิยาม และโมเดลฐานของ Liquid ก็เป็นโปรเจกต์ฟายน์จูนที่โฮสต์เอง นั่นคือจุดที่เลเยอร์จัดเส้นทางยังคงมีประโยชน์ โดยไม่ต้องแสร้งว่าโฮสต์โมเดลใดโมเดลหนึ่ง: เมื่อคุณเสิร์ฟหรือฟายน์จูนโมเดลตัวใดตัวหนึ่งแล้ว เลเยอร์ที่อยู่หน้าปลายทางของคุณเองคือสิ่งที่ทำให้การทดลองใช้โมเดลเหล่านั้นย้อนกลับได้ ชี้พาธทดสอบไปที่บิลด์ SGLang ของ MiniCPM5-2B-plus-draft ในขณะที่โปรดักชันยังคงใช้สิ่งที่คุณเสิร์ฟอยู่ในปัจจุบัน ปล่อยให้ failover อัตโนมัติตรวจจับอาการค้าง และให้ราคารายการของผู้ให้บริการส่งผ่านที่มาร์กอัป 0% สำหรับโมเดลที่โฮสต์แล้วซึ่งคุณใช้เปรียบเทียบ จุดประสงค์ของเลเยอร์ในที่นี้ไม่ใช่การนำส่ง — แต่คือการที่ส่วนประกอบทั้งสองไม่ได้ผูกมัดคุณอย่างถาวร

คุณกำลังเลือกซื้อของอยู่บนชั้นไหน

เลือก MiniCPM5-2B-DSpark (พร้อมกับ target ของมัน) เมื่อคุณต้องการโมเดลบนอุปกรณ์ที่เสร็จสมบูรณ์ภายใต้สัญญาอนุญาต Apache-2.0 ในวันนี้ และดราฟต์ที่อาจทำให้มันเร็วขึ้น — โดยยอมรับว่าคุณต้องวัดความเร็วที่เพิ่มขึ้นของดราฟต์ด้วยตัวเอง เพราะผู้ให้บริการไม่ได้วัดไว้ให้ เลือก LFM2.5-2.6B-Base เมื่อคุณตั้งใจจะ post-train โมเดลของตัวเอง และต้องการสถาปัตยกรรมไฮบริดของ Liquid กับพื้นฐาน 16 ภาษามาเป็นน้ำหนักตั้งต้น — โดยยอมรับค่าใช้จ่ายของ fine-tuning การไม่มี benchmark ที่เผยแพร่แม้แต่รายการเดียว และเพดานรายได้ 10 ล้านดอลลาร์ที่จะติดไปกับสิ่งที่คุณส่งมอบไม่ว่าอะไรก็ตาม ทั้งสองไม่ใช่คู่แข่งสำหรับงานเดียวกัน แต่เป็นงานที่แตกต่างกันสองอย่างบนฮาร์ดแวร์เดียวกัน และทางเลือกที่ผิดเพียงอย่างเดียวคือการซื้อตัวหนึ่งทั้งที่เชื่อว่ากำลังซื้ออีกตัวหนึ่ง