MiniCPM5-2B กับ LFM2.5 2.6B Base: โมเดลสำเร็จรูป เทียบกับวัตถุดิบสำหรับสร้างโมเดลของคุณเอง

การเปิดตัวโมเดลขนาดเล็กที่น่าสนใจที่สุดสองรายการในเดือนที่ผ่านมาอยู่ในคลาสน้ำหนักเดียวกัน แต่กลับอยู่ในช่วงชีวิตที่แตกต่างกันอย่างสิ้นเชิง MiniCPM5-2B คือผลงานสำเร็จรูป: โมเดลแบบ Dense ขนาด 2.5B พารามิเตอร์ที่ ModelBest และ OpenBMB เปิดตัวในงาน World Artificial Intelligence Conference เมื่อวันที่ 19 กรกฎาคม โดยน้ำหนักโมเดลแบบเปิด (open weights) ถูกเผยแพร่บน Hugging Face อย่างเงียบ ๆ ในวันที่ 6 และ 7 กันยายน พร้อมไปป์ไลน์หลังการเทรน (post-training) ที่สมบูรณ์ ภายใต้สัญญาอนุญาต Apache-2.0 พร้อมใช้งานได้ทันที ส่วน LFM2.5 2.6B Base คือเช็คพอยต์ที่ผ่านการเทรนล่วงหน้าแบบข้อความเท่านั้นของ Liquid AI — วัตถุดิบดิบที่บริษัทระบุว่า “แนะนำให้ใช้กับงานที่ต้องอาศัยการ fine-tuning อย่างหนักเท่านั้น” โดยไม่มีการปรับแต่งด้วยคำสั่ง (instruction tuning) ไม่มีเทมเพลตแชท และไม่มี benchmark ที่เผยแพร่เลย เพราะโมเดลฐานไม่ได้ถูกนำมาวัดผล; โมเดลที่คุณ fine-tuning ต่อจากมันต่างหากที่ถูกวัดผล การเปรียบเทียบทั้งสองจึงแท้จริงแล้วคือคำถามว่าคุณกำลังเลือกซื้อผลิตภัณฑ์ในชั้นใดของการสร้างโมเดล: โมเดลที่ใช้งานได้คืนนี้ หรือส่วนผสมสำหรับสร้างโมเดลของคุณเอง

การ์ดทั้งสองเขียนว่า "ไม่เหมาะสำหรับการใช้โดยตรง" ในสำเนียงที่ต่างกัน และผู้จำหน่ายใส่ข้อความนั้นไว้ในบรรทัดแรก การ์ดของ MiniCPM5-2B อธิบายทรานส์ฟอร์เมอร์แบบหนาแน่นตามสถาปัตยกรรม Llama ซึ่งมีพารามิเตอร์ทั้งหมด 2,516,756,480 ตัว (ไม่รวม embedding จำนวน 1,981,982,720 ตัว) มี 42 เลเยอร์ ใช้ grouped-query attention หน้าต่างบริบทขนาด 131,072 โทเคนในคอนฟิกที่จัดส่งมา และเรื่องราวหลังการเทรน ซึ่งได้แก่ deep-thinking SFT, RL เฉพาะทาง และ On-Policy Distillation ที่มุ่งเป้าไปที่พฤติกรรมแบบเอเจนต์และการใช้เครื่องมือโดยตรง ส่วนการ์ดของ Liquid สำหรับ LFM2.5 2.6B Base อธิบายโมเดลไฮบริดขนาด 2.69B ซึ่งวาง grouped-query attention แปดเลเยอร์ซ้อนอยู่บนบล็อก dual-gated short-convolution ยี่สิบสองบล็อก ผ่านการเทรนล่วงหน้าด้วยโทเคนประมาณ 34 ล้านล้านตัวครอบคลุม 16 ภาษาที่บริบท 128K แล้วหยุดเพียงเท่านั้น: โมเดลฐานนี้มีไว้เพื่อให้ต่อยอดหรือ fine-tune ไปเป็นอย่างอื่น หนึ่งคือจุดหมายปลายทาง อีกหนึ่งคือเส้นเริ่มต้น

สิ่งที่ Liquid ปล่อยออกมาจริงๆ

LFM2.5 2.6B Base เปิดตัวบน Hugging Face ในช่วงต้นเดือนสิงหาคม โดยเป็นโมเดลพื้นฐานที่ผ่านการฝึก (pre-trained) สำหรับตระกูล LFM2.5-2.6B ของ Liquid การ์ดโมเดล (model card) แสดงตารางตระกูลโมเดล — ตัว base และ LFM2.5-2.6B ที่ผ่านการ post-train ซึ่ง Liquid ปรับแต่งสำหรับงาน agentic ที่มีการเรียกใช้เครื่องมือ (tool calling) — และระบุอย่างชัดเจนว่า base นี้คือ checkpoint แบบข้อความเท่านั้น (text-only) ที่ใช้สร้าง variants ทั้งหมด หน้าที่ของมันคือเพียงเท่านี้: คุณนำสถาปัตยกรรมไฮบริดขนาด 2.69B และพื้นฐานหลายภาษาที่ฝึกด้วย 34 ล้านล้านโทเคนไปทำการ continue pre-training หรือ SFT ต่อในโดเมนของคุณเอง จากนั้นอะไรก็ตามที่คุณเผยแพร่จะรับเงื่อนไขสิทธิ์การใช้งาน (license) ของมันไปด้วย บนการ์ดโมเดลไม่มี benchmark เพราะยังไม่มีอะไรให้วัดผล โมเดลนี้ไม่ผ่าน instruction tuning ดังนั้นเมื่อใช้งานทันที (out of the box) มันจะต่อข้อความแทนที่จะตอบคำถาม โมเดลใช้พื้นที่ประมาณ 2.5GB สำหรับ weights และรองรับโดย Transformers, vLLM, SGLang, MLX และ llama.cpp ซึ่งทำให้มันเป็นตัวเลือกพื้นฐานที่เหมาะสมสำหรับโปรเจกต์ fine-tuning บนโทรศัพท์มือถือและอุปกรณ์ระดับ edge

ข้อควรระวังในทางปฏิบัติสำหรับการเปรียบเทียบครั้งนี้: หากสิ่งที่คุณต้องการคือโมเดลขนาดเล็กที่ใช้งานได้จริงจาก Liquid คู่เทียบที่ยุติธรรมกับ MiniCPM5-2B คือ LFM2.5-2.6B ที่ผ่านการเทรนซ้ำแล้ว ไม่ใช่เวอร์ชัน Base เวอร์ชัน Base คือตัวเลือกที่คุณเลือกเมื่อตั้งใจจะทำการเทรนซ้ำด้วยตัวเอง — ซึ่งนี่คือเหตุผลที่ตาราง benchmark ของ MiniCPM5-2B เองเลือกเปรียบเทียบกับพี่น้องตระกูลเดียวกันที่ผ่านการปรับแต่งด้วย instruction แทนที่จะเทียบกับ checkpoint ดิบตัวนี้

สิ่งที่ OpenBMB เปิดตัว และเหตุใดจึงแตกต่าง

MiniCPM5-2B มาพร้อมในฐานะผลิตภัณฑ์ที่เสร็จสมบูรณ์พร้อมพิมพ์เขียวโรงงานแนบมา ในขณะที่ Liquid ส่งมอบแค่ฐานกับแรงงานให้คุณ OpenBMB ส่งมอบทุกอย่างแบบเปิดทั้งชิ้น: เช็คพอยต์ที่ผ่าน post-train ด้วย RL + OPD ขั้นสุดท้าย, GGUF, MLX, GPTQ, โมเดลฐาน, SFT และโมเดลคู่หูแบบ draft และ — ส่วนที่เปลี่ยนโฉมการเปรียบเทียบ — ตัวคลังข้อมูลฝึกสอนเอง ซึ่งปล่อยภายใต้ Apache-2.0 ในตระกูล UltraData การ์ดโมเดลรายงานค่าเฉลี่ยภายในองค์กรที่ 53.9 จากชุดเปรียบเทียบโมเดลเปิดขนาด 2B-4B ที่ผู้จำหน่ายคัดเลือก โดยมี AIME 2025/2026 ที่ 86.5 และผลการรันโดยผู้จำหน่ายที่ 46.4 บน SWE-bench Verified ซึ่งทั้งหมดยังไม่มีการทำซ้ำโดยอิสระ โมเดลนี้ถูกสร้างมาให้รัน ไม่ใช่ให้ฝึก: จุดขายตอนเปิดตัวคือการปรับใช้ได้ตั้งแต่วันแรกบนตระกูลชิปเก้าตระกูลและ ARM, การเรียกใช้เครื่องมือแบบเนทีฟผ่านการเรียกแบบสไตล์ XML และโหมดตอบสนองแบบไฮบริดระหว่างเร็วกับไตร่ตรองสำหรับการใช้งานเชิงโต้ตอบ

กระดานคะแนนที่ระบุอย่างตรงไปตรงมา

• สิ่งที่คุณจะได้รับ — MiniCPM5-2B: โมเดลแชทที่เสร็จสมบูรณ์และพร้อมให้บริการ พร้อมข้อมูลการฝึกแบบเปิด LFM2.5 2.6B Base: เบสโมเดลที่ผ่านการฝึกไว้ล่วงหน้า ซึ่งคุณสามารถปรับแต่งให้เป็นโมเดลที่สมบูรณ์ได้

พารามิเตอร์ — MiniCPM5-2B: รวม 2.52B / ไม่รวมเอมเบดดิ้ง 1.98B เป็นโมเดล dense สไตล์ Llama. LFM2.5 2.6B Base: 2.69B แบบไฮบริด (8 บล็อกแอตเทนชัน + 22 บล็อกคอนโวลูชันแบบสั้น)

• บริบท — MiniCPM5-2B: 131,072 โทเคนในคอนฟิกที่มาพร้อมเครื่อง ส่วน LFM2.5 2.6B Base: รองรับ 128K โดยธรรมชาติ

• ภาษา — MiniCPM5-2B: การ์ดและข้อมูลที่เน้นภาษาอังกฤษและภาษาจีนเป็นหลัก LFM2.5 2.6B Base: ผ่านการฝึกฝนล่วงหน้าด้วย 16 ภาษา

• เกณฑ์วัดประสิทธิภาพ — MiniCPM5-2B: ชุดทดสอบเต็มรูปแบบจากผู้จำหน่าย (ค่าเฉลี่ยภายใน 53.9; ไม่ได้ทำซ้ำผล) LFM2.5 2.6B Base: ไม่มีการเผยแพร่ผลของตัวฐานเอง ซึ่งเป็นไปตามการออกแบบ

• ใบอนุญาต — MiniCPM5-2B: Apache-2.0 สำหรับน้ำหนักโมเดลและข้อมูลที่เผยแพร่ LFM2.5 2.6B Base: LFM Open License v1.0 ให้ใช้ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ และเพดานดังกล่าวยังใช้ครอบคลุมถึงงานดัดแปลงของคุณด้วย

ตารางคะแนนข้างต้นคือเรื่องเดียวกันในหกแถว: ทั้งสองโมเดลมีขนาดเล็ก อยู่ในคลาส 128K และใกล้เคียงกับ Apache แต่คอลัมน์หนึ่งจบลงด้วยบริการที่กำลังทำงานอยู่ ส่วนอีกคอลัมน์จบลงด้วยการตัดสินใจว่าใครจะเป็นผู้ฝึกอบรม

ใบอนุญาตคือฟีเจอร์

สำหรับนักพัฒนา ช่องว่างด้านไลเซนส์คือแถวที่ดูไม่สวยหรูที่สุดแต่ชี้ขาดที่สุดในรายการนั้น OpenBMB เผยแพร่ MiniCPM5-2B และข้อมูลที่ปล่อยออกมาภายใต้ Apache-2.0: คุณสามารถนำไปให้บริการ ไฟน์จูน หรือต่อยอดเป็นผลิตภัณฑ์เชิงพาณิชย์ได้โดยไม่มีเพดานรายได้ และไม่มีภาระผูกพันที่ส่งต่อมานอกเหนือจากการระบุที่มา ส่วน LFM Open License v1.0 ของ Liquid เป็นไลเซนส์ที่เปิดน้ำหนักโมเดลจริง ๆ แต่มีเงื่อนไขด้านรายได้ — องค์กรที่มีรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐฯ จะได้รับสิทธิ์ใช้งานเชิงพาณิชย์ในวงกว้าง องค์กรที่มีรายได้ถึงหรือเกินเส้นนี้ไม่ได้รับสิทธิดังกล่าว และเพดานนี้จะส่งต่อไปยังทุกสิ่งที่คุณไฟน์จูน ดังนั้นผลิตภัณฑ์ที่สร้างบน LFM2.5 2.6B Base จึงมีเพดานเดียวกันนี้ติดตัวไปด้วยเมื่อบริษัทของคุณเติบโตขึ้น นั่นไม่ได้ทำให้ไลเซนส์ของ Liquid ไม่สมเหตุสมผล แต่มันเป็นเงื่อนไขที่สตาร์ตอัปซึ่งหวังจะเติบโตจนเกินเพดานต้องวางแผนรับมือตั้งแต่วันแรก และนี่คือเหตุผลที่ใหญ่ที่สุดว่าทำไมกรอบคิดแบบ "โมเดลสำเร็จรูป" จึงสำคัญ หากคุณกำลังสร้างสิ่งที่ตั้งใจจะให้เติบโต Apache-2.0 ที่มาพร้อมข้อมูลเปิดคือวัตถุดิบคนละชนิดกับไลเซนส์แบบมีเพดาน

ทางแยกระหว่างสร้างเองหรือซื้อที่กลายเป็นรูปธรรม

จับเรื่องนี้เป็นทางเลือกระหว่างสร้างเองกับการซื้อ แล้วตัวเลือกจะไม่น่าสับสนอีกต่อไป MiniCPM5-2B คือเส้นทางแบบซื้อ: งานหนัก — การโพสต์เทรนโมเดลขนาดเล็กสำหรับงานแบบเอเจนต์และบริบทระยะยาว — เสร็จสิ้นไปแล้ว ใบอนุญาตก็สะอาด และงานที่เหลือของคุณคือการเสิร์ฟและการประเมินผล ต้นทุนคือคุณต้องยอมรับทางเลือกโพสต์เทรนของคนอื่น และตัวเลขเด่นๆ ของมันเพิ่งออกมาได้สัปดาห์เดียว ยังไม่มีใครนอกห้องแล็บตรวจสอบ LFM2.5 2.6B Base คือเส้นทางแบบสร้างเอง: คุณซื้อสถาปัตยกรรมและการปรีเทรนของ Liquid แล้วลงมือโพสต์เทรนด้วยตัวเอง ซึ่งเป็นเหตุผลที่จริงใจเพียงอย่างเดียวที่จะเลือก base แทนที่จะเป็น LFM2.5-2.6B ที่ปรับ instruction แล้วซึ่งเป็นรุ่นพี่น้องที่ Liquid ขายอยู่แล้ว เส้นทางนั้นจะสมเหตุสมผลเมื่อคุณมีโดเมน ภาษา หรือโปรไฟล์พฤติกรรมที่โมเดลสำเร็จรูปทั่วไปไม่ครอบคลุม มันต้องทำงานมากขึ้นอย่างชัดเจน เริ่มต้นจากศูนย์ benchmark ที่ตีพิมพ์ และยังแบกเพดานรายได้ติดตัวไปด้วย ผลตอบแทนคือโมเดลที่ไม่มีใครอื่นมี — และเพราะ OpenBMB เปิดเผยข้อมูลของ MiniCPM5-2B เอง ตอนนี้คุณจึงมีหนทางที่สองที่จะไปถึงจุดนั้น: การ continue-training สูตร Apache-2.0 ที่พิสูจน์แล้ว แทนที่จะเริ่มจาก base เปล่าๆ

ความเป็นจริงของการกำหนดเส้นทางสำหรับทั้งสอง

ไม่มี checkpoint ใดปรากฏในแคตตาล็อกโฮสต์ในตอนนี้ ดังนั้นคำถามเรื่องเลเยอร์จึงเกี่ยวกับโลกรอบ ๆ ตัวมัน มากกว่าการส่งมอบ เมื่อคุณได้ serve MiniCPM5-2B หรือ fine-tune LFM2.5 2.6B Base จนเป็นอะไรบางอย่างของคุณเอง วิธีย้อนกลับได้ในการทดสอบอย่างใดอย่างหนึ่งกับโมเดลโฮสต์ที่คุณใช้อยู่แล้วคือผ่าน API เดียวที่มีการ failover อัตโนมัติ — สแต็กใหม่หรือสแต็กที่แยกออกมาสามารถหยุดชะงักได้โดยไม่ทำให้ระบบ production ล้ม และราคาตามรายการของผู้ให้บริการส่งผ่านโดยไม่บวกเพิ่ม (0% markup) การเปรียบเทียบ A/B จึงมีต้นทุนต่ำ สำหรับการตัดสินใจสร้างเองหรือซื้อเองนั้น แผนที่ตรงไปตรงมาก็เหมือนกับที่เคยเป็นกับโมเดลโอเพนขนาดเล็ก: benchmark ที่สำคัญคือตัวที่คุณรันบนฮาร์ดแวร์และข้อมูลของคุณเอง ไม่ใช่ตัวที่พิมพ์อยู่บนการ์ดใดใบหนึ่ง

คุณกำลังหาซื้อชั้นไหนกันแน่

เลือก MiniCPM5-2B เมื่อคุณต้องการโมเดลสำเร็จรูป Apache-2.0 สำหรับรันบนอุปกรณ์ที่เปิดให้บริการได้ในคืนนี้และไฟน์จูนบนข้อมูลเปิด — โดยยอมรับว่าโมเดลการ์ดอันน่าประทับใจของมันยังไม่ได้รับการตรวจสอบ และต้องให้คุณทำซ้ำด้วยตัวเองก่อนที่มันจะได้รับความไว้วางใจในโปรดักชัน เลือก LFM2.5 2.6B Base เมื่อคุณตั้งใจจะเทรนต่อยอดโมเดลของตัวเองและต้องการสถาปัตยกรรมไฮบริดรวมถึงรากฐาน 16 ภาษาของ Liquid เป็นน้ำหนักตั้งต้น — โดยยอมรับค่าใช้จ่ายในการไฟน์จูน การที่ไม่มี benchmark ที่เผยแพร่เลย และเพดานรายได้ 10 ล้านดอลลาร์ที่จะติดไปกับทุกสิ่งที่คุณส่งออก ทั้งสองไม่ใช่คู่แข่งสำหรับงานเดียวกัน แต่เป็นงานคนละอย่างบนฮาร์ดแวร์เดียวกัน และทางเลือกที่ผิดเพียงอย่างเดียวคือการซื้อตัวหนึ่งในขณะที่คิดว่ากำลังซื้ออีกตัวหนึ่ง