Guides & Insights

Perceptron Mk1.5 กับ LFM2.5-2.6B-Base: เช่าความสามารถในการรับรู้ หรือเป็นเจ้าของ Checkpoint แล้วทำเองให้เสร็จ

ผู้เขียน

Elias Hawthorne

วันที่เผยแพร่

Sep 26, 2026

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →

เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน

กลับไปยังโพสต์ทั้งหมด

โมเดลทั้งสองนี้มุ่งเป้าไปที่ฮาร์ดแวร์ที่คุณยกขึ้นมาด้วยมือเดียวได้ Perceptron Mk1.5 เป็นโมเดลการรับรู้สำหรับเอเจนต์แบบ embodied ที่ผู้ขายกล่าวว่าจะไปอยู่ในโดรน หุ่นยนต์สี่ขา แว่นอัจฉริยะ และโทรศัพท์ LFM2.5-2.6B-Base เป็นเช็กพอยต์ open-weights ขนาด 2.69B ที่ Liquid AI สร้างขึ้นเพื่อการติดตั้งบนอุปกรณ์โดยเฉพาะ — เล็กพอที่จะรันในหน่วยความจำต่ำกว่า 2.5GB ความทะเยอทะยานเชิงกายภาพร่วมกันนี้เป็นสิ่งเดียวที่ทั้งสองมีเหมือนกัน และมันเป็นกับดักสำหรับใครก็ตามที่นำทั้งสองมาเปรียบเทียบบนสเปกชีต Perceptron Mk1.5 เป็นผลิตภัณฑ์สำเร็จรูปที่คุณเช่าแบบคิดตามโทเคน: รับข้อความ รูปภาพ วิดีโอ และเสียงเข้า และส่งออกข้อความพร้อมเรขาคณิตที่เครื่องอ่านได้ เปิดให้ใช้งานจริงตั้งแต่วันที่ 25 กันยายน 2026 LFM2.5-2.6B-Base เป็นโมเดลฐานดิบที่ผ่านการ pretrain แล้ว โดยไม่มีการปรับจูนตามคำสั่ง ไม่มีเทมเพลตแชต และไม่มีการอ้างผลเบนช์มาร์ก — เป็นเช็กพอยต์ที่ปล่อยออกมาให้ผู้อื่นนำไปทำจนสมบูรณ์ ตัวหนึ่งตอบคำถามได้แล้วในวันนี้ ส่วนอีกตัวเป็นวัตถุดิบสำหรับโมเดลที่จะตอบได้ในอนาคต

การเปรียบเทียบจะได้ผลก็ต่อเมื่อคุณระบุชื่อของขั้น

การนำ API ที่ให้บริการแล้วมาเทียบกับเช็กพอยต์พื้นฐานไม่ใช่การเทียบกันแบบตัวต่อตัว และการแสร้งว่าเป็นเช่นนั้นจะสร้างตารางที่ไร้สาระ ซึ่งฝ่ายหนึ่ง "ชนะ" ทุกแถวเพราะถูกทำให้เสร็จโดยผู้ขายของฝ่ายนั้น แต่อีกฝ่ายยังไม่ได้เริ่ม คำถามที่มีประโยชน์คือคุณอยู่ขั้นตอนใดของงาน

Liquid AI เปิดตัวตระกูล LFM2.5 เป็นชุดของเช็คพอยต์ และเวอร์ชัน base เป็นตัวแรก การ์ดของมันระบุพารามิเตอร์ทั้งหมด 2.69B ทั่ว 30 เลเยอร์ — บล็อกคอนโวลูชันแบบสั้นที่มีเกตคู่ 22 บล็อก และบล็อกแอทเทนชันแบบกลุ่มคิวรี 8 บล็อก — ฝึกบนโทเคนประมาณ 34 ล้านล้านโทเคน ด้วยคำศัพท์ 128,000 โทเคน ความยาวบริบท 131,072 โทเคน และรองรับ 16 ภาษา รวมถึงอังกฤษ จีน ญี่ปุ่น เกาหลี และอาหรับ มันเป็นข้อความเท่านั้น เป็นโมเดลภาษเชิงสาเหตุและไม่มีอะไรมากไปกว่านั้น และคำแนะนำของ Liquid เองก็ตรงไปตรงมา: เช็คพอยต์นี้เหมาะสำหรับงานที่ต้องไฟน์ทูนอย่างหนัก เช่น ผู้ช่วยเฉพาะภาษาหรือเฉพาะโดเมน การฝึกบนข้อมูลที่เป็นกรรมสิทธิ์ หรือการทดลองแนวทางการฝึกหลังการฝึกใหม่ๆ สิ่งที่เปลี่ยนมันให้เป็นเอเจนต์ที่เรียกใช้เครื่องมือซึ่งมีคะแนนที่เผยแพร่ของตระกูลนี้ คือไปป์ไลน์การฝึกหลังการฝึกสี่ขั้นตอนของ Liquid ซึ่งเวอร์ชัน base ไม่ได้รวมไว้

Perceptron Mk1.5 อยู่ที่ปลายอีกด้านของเส้นโค้งนั้น Perceptron ได้ทำ post-training แล้ว ตัดสินใจรูปแบบเอาต์พุต และกำหนดราคาผลลัพธ์ไว้ที่ 0.15 ดอลลาร์ต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และ 1.50 ดอลลาร์ต่อเอาต์พุตหนึ่งล้านโทเค็น โดยอินพุตที่แคชไว้ราคา 0.0375 ดอลลาร์ ข้อมูลจำเพาะของมันมีความเฉพาะเจาะจงในแบบที่ข้อมูลจำเพาะของเช็กพอยต์ฐานไม่มี: บริบท 36,864 โทเค็น เอาต์พุตสูงสุด 8,192 โทเค็น อินพุตสี่รูปแบบ และ reasoning_effort ซึ่งเป็นตัวควบคุมที่มีค่าเริ่มต้นเป็น high การเรียกฟังก์ชันบน chat completions และการตอบกลับแบบจำกัดผ่าน JSON Schema และ regex

เหตุผลที่ต้องมองทั้งสองพร้อมกันก็คือ ต้นทุนรวมในการเป็นเจ้าของนั้นวิ่งไปในทิศทางตรงกันข้าม Mk1.5 แพงต่อโทเคนและเริ่มต้นได้ฟรี ส่วน LFM2.5-2.6B-Base นั้นฟรี ณ หน่วยเพิ่มสุดท้าย และแพงในสกุลเงินเดียวที่สำคัญสำหรับเช็กพอยต์ฐาน — เวลาทำงานด้านวิศวกรรมของคุณ

ทีละมิติ โดยรักษาบทบาทให้ถูกต้องชัดเจน

• คืออะไร — Perceptron Mk1.5 เป็น API การรับรู้แบบโฮสต์ที่มีเอาต์พุตเชิงพื้นที่แบบมีโครงสร้าง LFM2.5-2.6B-Base เป็น LM แบบ causal ที่ผ่านการฝึกมาแล้วขนาด 2.69B ที่สามารถดาวน์โหลดได้

• อินพุต — Mk1.5 รับข้อความ รูปภาพ วิดีโอ และเสียง (WAV, MP3, FLAC) ส่วน LFM2.5-2.6B-Base รับข้อความ และรับเฉพาะข้อความเท่านั้น

• เอาต์พุต — Mk1.5 ส่งคืนข้อความพร้อมด้วยจุด กรอบ รูปหลายเหลี่ยม คลิป และ<track> องค์ประกอบที่มีการประทับเวลา (ซึ่งเป็นทางเลือกได้) หรือการตอบกลับที่ถูกจำกัดตาม JSON Schema ส่วนโมเดลฐานจะส่งคืนค่าความน่าจะเป็นของโทเคนสำหรับโทเคนถัดไป และยังไม่มีการปรับแต่งสิ่งใดเพื่อให้สิ่งนั้นมีประโยชน์

• การใช้งานแบบสแตนด์อโลน — Mk1.5 ใช้งานได้ตั้งแต่วันที่คุณได้รับคีย์ ส่วน LFM2.5-2.6B-Base ไม่สามารถตอบคำถามในเชิงผลิตภัณฑ์ได้เลย มันต้องผ่านการ fine-tune และโดยปกติต้องมีเทมเพลตแชต ก่อนที่จะเป็นโมเดลที่คุณพร้อมจะส่งมอบ

• บริบท — 36,864 โทเค็นสำหรับ Mk1.5 เทียบกับ 131,072 สำหรับรุ่นฐาน. เช็กพอยต์บนอุปกรณ์จัดเก็บข้อความได้เกือบสี่เท่าของปริมาณใดก็ตามที่โมเดลการรับรู้ที่ให้บริการจัดเก็บได้

• Footprint — Mk1.5 รันได้ทุกที่ที่ Perceptron รันมัน และงานด้านความหน่วงที่เผยแพร่ของมันใช้ H100 เพียงตัวเดียว โมเดลฐานถูกออกแบบให้รันบนแล็ปท็อป โทรศัพท์ หรือ edge box ได้ในหน่วยความจำต่ำกว่า 2.5GB

• หลักฐาน — ตัวเลขขีดความสามารถของ Mk1.5 ทุกตัวเป็นของ Perceptron เอง และไม่มีดัชนีอิสระใด ๆ สำหรับมัน โมเดลฐานไม่มีการอ้างคะแนน benchmark เลยแม้แต่รายการเดียว: Liquid เผยแพร่คะแนนสำหรับ LFM2.5-2.6B ที่ผ่านการฝึกภายหลังการฝึก (post-trained) ไม่ใช่สำหรับเช็กพอยต์นี้

• สัญญาอนุญาต — Mk1.5 เป็นแบบปิด ให้เช่าแบบคิดค่าบริการต่อโทเคน ส่วน LFM2.5-2.6B-Base เผยแพร่ภายใต้ LFM Open License v1.0 พร้อมเวทที่คุณดาวน์โหลดและเก็บไว้ได้

A generated two-column scoreboard titled 'Perceptron Mk1.5 vs LFM2.5-2.6B-Base - the scoreboard', comparing six dimensions: what it is (finished hosted API vs 2.69B raw base checkpoint); input (text, image, video, audio vs text only); output (text plus structured geometry vs untuned tokens); context (36,864 tokens vs 131,072 tokens); weights (closed, rented per token vs open under the LFM Open License v1.0); and independent score ('none yet' vs 'none for the base'). Footnoted that Mk1.5 figures are vendor-reported and that Liquid publishes no benchmark scores for the base checkpoint.

เส้นทางเวทที่ประเมินต้นทุนอย่างตรงไปตรงมา

A screenshot of the Hugging Face model card for LiquidAI/LFM2.5-2.6B-Base, showing the model title and the card's model-details table listing the pre-trained base checkpoint at 2.6B parameters for fine-tuning alongside the post-trained LFM2.5-2.6B for agentic workloads, with the text that LFM2.5-2.6B-Base is the pre-trained text-only checkpoint used to create all the LFM2.5-2.6B variants.

หากจุดดึงดูดของ LFM2.5-2.6B-Base คือเวตนั้นให้ใช้ฟรี ประโยคที่ซื่อตรงของเรื่องนี้ก็คือ เวตเป็นส่วนที่ถูกที่สุดของโปรเจกต์ การไฟน์จูนบนข้อมูลที่เป็นกรรมสิทธิ์หมายความว่าต้องมีชุดข้อมูล หนึ่งรอบการเทรน แฮร์เนสสำหรับประเมินว่าการไฟน์จูนนั้นได้ผลหรือไม่ และเส้นทางสำหรับเสิร์ฟโมเดล — Transformers, vLLM หรือ SGLang หรือหนึ่งในบิลด์ GGUF, ONNX และ MLX ที่ Liquid เผยแพร่สำหรับการดีพลอยบน CPU, แบบข้ามแพลตฟอร์ม และ Apple Silicon ตามลำดับ ทั้งหมดนี้ไม่มีอะไรแปลกใหม่ และด้วยขนาด 2.69B มันจึงพอดีกับฮาร์ดแวร์ที่การไฟน์จูนขนาด 70B แตะไม่ถึง แต่เช็กพอยต์แบบ base เป็นเพียงจุดเริ่มต้น และความเสี่ยงด้านกำหนดเวลาล้วนตกอยู่ฝั่งของคุณในธุรกรรมนี้

สิ่งที่คุณได้ตอบแทนมาคือการควบคุม โทเคไนเซอร์ 16 ภาษาและบริบท 131K หมายความว่าการไฟน์จูนเฉพาะโดเมนไม่ต้องแย่งพื้นที่กับพรีเทรนนิง ขนาดต่ำกว่า 2.5GB หมายความว่าเป้าหมายการติดตั้งใช้งานคืออุปกรณ์ ไม่ใช่ดาต้าเซ็นเตอร์ ซึ่งนั่นคือจุดมุ่งหมายทั้งหมดของตระกูลนี้ และ LFM Open License ทำให้คุณเก็บผลลัพธ์ไว้ได้ — ผู้เชี่ยวชาญที่ไม่มีคู่แข่งรายใดเช่าใช้จาก API เดียวกับที่คุณทำได้

มีหลักฐานจากบุคคลที่สามอยู่หนึ่งชิ้นที่ควรรู้ก่อนคุณจะเดิมพันกับสายตระกูลนี้ และมีช่องว่างอยู่หนึ่งจุด LFM2.5-2.6B ที่ผ่าน post-training ของ Liquid มีการวัดผลอิสระจริง: Artificial Analysis จัดให้อยู่ที่ Intelligence Index 8 เป็นอันดับ 9 จาก 49 โมเดลในคลาสเดียวกัน ส่วนเช็กพอยต์ฐานไม่มี — ไม่มีหน้าเพจสำหรับมัน ซึ่งเป็นเรื่องปกติสำหรับโมเดลพื้นฐานที่ผ่านการพรีเทรน และควรพูดให้ตรงไปตรงมาแทนที่จะถือเป็นคำตัดสิน สิ่งที่ดัชนีของโมเดลที่ผ่าน post-training บอกคุณคือสิ่งที่ไปป์ไลน์ผลิตออกมาจากจุดตั้งต้นนี้ ณ ปลายล่างของช่วงดัชนี ไม่ใช่สิ่งที่ fine-tune ของคุณจะผลิตออกมา

เส้นทาง API และสิ่งที่ "บนอุปกรณ์" หมายถึงสำหรับโมเดลที่โฮสต์

A screenshot of the Perceptron documentation model card for perceptron-mk1.5, showing the Specifications table (model ID perceptron-mk1.5, context window 36,864 tokens, maximum output 8,192 tokens, input modalities text, images, video, audio, audio formats WAV, MP3 and FLAC, an audio limit of 16,384 audio tokens per item at roughly 21.8 minutes, reasoning via reasoning_effort, function calling on chat completions, and JSON Schema and regex constrained responses) and the Pricing table (input $0.15, output $1.50, cached input $0.0375 per million tokens).

เรื่องราวการนำ Perceptron Mk1.5 ไปใช้งานซับซ้อนกว่าที่รายการเป้าหมายของมันบ่งบอก และควรพูดให้แม่นยำ ประกาศของผู้ขายระบุชื่อโดรน หุ่นยนต์สี่ขา แว่นตาอัจฉริยะ และโทรศัพท์เป็นเป้าหมายการนำไปใช้งาน โมเดลนี้ให้บริการจาก api.perceptron.inc โดยมีการป้องกันด้วย API key และหลักฐานด้านความหน่วงที่ Perceptron เผยแพร่คือค่ามัธยฐานจากการรันสามครั้งบน H100 ตัวเดียว H100 ตัวเดียวไม่ใช่โดรน การตีความที่สมจริงคือ Mk1.5 เป็นชั้นการรับรู้สำหรับหุ่นยนต์ที่มีการเชื่อมต่อเครือข่ายหรือกล่องประมวลผลเสริม ไม่ใช่โมเดลที่รันอยู่ภายในโครงเครื่องบิน — และใครก็ตามที่วางแผนสร้างอุปกรณ์ออฟไลน์โดยอาศัยมัน ควรทดสอบสมมติฐานนั้นก่อนออกแบบฮาร์ดแวร์

สิ่งที่เส้นทาง API ให้มา หากสมมติฐานเรื่องเครือข่ายยังเป็นจริง คือสิ่งที่เช็กพอยต์ฐานให้คุณไม่ได้ไม่ว่าจะจ่ายด้วยราคาเท่าใด นั่นคือพิกัด เอาต์พุต<track>ของ Mk1.5 บรรจุการสังเกตเชิงพื้นที่พร้อมเวลากำกับไว้ด้วย ดังนั้นคลิปหนึ่งคลิปจึงกลับมาในรูปของตำแหน่งวัตถุตามเวลา แทนที่จะเป็นคำบรรยายของฉาก เพิ่มฟิลด์asset_idxซึ่งทำให้คำขอเดียวเข้าถึงภาพหรือวิดีโอหลายรายการแยกจากกันได้ และรูปร่างของคำขอก็ตรงกับลูปควบคุม — เฟรมอ้างอิงเข้าไป เรขาคณิตออกมา ไม่มีขั้นตอนการแยกวิเคราะห์คั่นระหว่างโมเดลกับโค้ดที่สั่งให้อะไรบางอย่างเคลื่อนที่

ค่าใช้จ่ายคือรายการที่ระบุไว้แล้ว: 36,864 โทเค็นของบริบท, เพดานเสียงต่อรายการ 16,384 โทเค็นที่เอกสารของ Perceptron ระบุว่าอยู่ที่ประมาณ 21.8 นาที ที่ประมาณ 750 โทเค็นต่อนาที, reasoning_effortค่าเริ่มต้นคือhigh ที่เรียกเก็บเงินจากคุณสำหรับเส้นทางการให้เหตุผลที่แพงที่สุดในทุกการเรียกที่คุณไม่ได้กำหนดค่า และชุดการอ้างสิทธิ์เกี่ยวกับเกณฑ์มาตรฐานที่ผลิตโดยบริษัทที่ขายโมเดล ตัวเลขการติดตามมือคือสิ่งที่ต้องทดสอบกับฟุตเทจของคุณเอง: 0.9433 บน egocentric hand_box เทียบกับ 0.4467 สำหรับ Gemini 3.1 Pro ในการทดสอบของ Perceptron เอง ถือเป็นส่วนต่างที่มาก และส่วนต่างที่มากในการประเมินของผู้ขายคือสิ่งที่คุ้มค่าที่จะทำซ้ำ

ทั้งสองอย่างไม่มีอยู่ในแคตตาล็อกของเรา และนั่นทำให้การตัดสินใจเปลี่ยนไป

ปัจจุบันทั้ง Perceptron Mk1.5 และ LFM2.5-2.6B-Base ยังไม่ถูก route บน OrcaRouter โดย Mk1.5 ไม่มีเส้นทางเลย การเข้าถึงจึงต้องใช้ API ของผู้ให้บริการเอง — pip install "perceptron>=0.4.0" และ PERCEPTRON_API_KEY — และ Liquid AI ไม่มีโมเดลขนาดใด ๆ ในแคตตาล็อกของเรา ดังนั้นเช็กพอยต์ฐานนี้จึงต้องดาวน์โหลดจาก Hugging Face ของ Liquid แทนที่จะเป็นการเรียกใช้งาน

เรื่องนั้นสำคัญน้อยกว่าที่มันฟังดู เพราะสองสิ่งนี้ไม่ใช่ปลายทางที่ใช้แทนกันได้ และไม่มีข้อโต้แย้งเรื่องราคาใดที่จะทำให้มันเป็นเช่นนั้นได้ สิ่งที่เลเยอร์จัดเส้นทางช่วยเสริมในที่นี้คือส่วนของการตัดสินใจที่ยังเปิดอยู่ ถ้าคุณสร้างบริการด้านการรับรู้ (perception) บน Mk1.5 และผู้เชี่ยวชาญด้านข้อความบน LFM2.5-2.6B-Base ที่ผ่านการปรับแต่งละเอียด คุณกำลังรันการผสานรวมสองชุดและโหมดความล้มเหลวสองแบบ การมีเกตเวย์ที่เข้ากันได้กับ OpenAI วางไว้ข้างหน้าทั้งสอง จะเปลี่ยนเหตุขัดข้องของผู้ให้บริการฝั่งใดฝั่งหนึ่งให้กลายเป็นทางเลือกสำรองแทนที่จะเป็นงานที่ล้มเหลว และกฎการจัดเส้นทางสามารถส่งทราฟฟิกภาพและทราฟฟิกข้อความไปยังโมเดลที่ต่างกันได้โดยที่แอปพลิเคชันไม่รู้ว่าอันไหนคืออันไหน API หนึ่งตัวที่ครอบคลุมโมเดลกว่า 200 รายการ โดยส่งผ่านราคาตามรายการของผู้ให้บริการโดยบวกกำไร 0% คือเวอร์ชันของเรื่องนั้นที่การเปลี่ยนแปลงราคาจากผู้ขายมีผลในวันเดียวกัน แทนที่จะเป็นตอนต่อสัญญาครั้งถัดไปของคุณ — แม้ว่าสำหรับสองสิ่งนี้โดยเฉพาะแล้ว วันนี้ เกตเวย์เป็นเรื่องที่ต้องพิจารณาในการวางแผนมากกว่าจะเป็นทางลัดที่ใช้ได้จริง

สิ่งที่คุณควรทำ และสิ่งที่คุณควรวัด

หากงานของคุณคือ "หาวัตถุนี้ในเฟรมนี้ แล้วบอกว่ามันอยู่ตรงไหน" ให้เช่า Mk1.5 แล้วทดสอบข้ออ้างเรื่องกรอบมือ (hand-box) กับวิดีโอของคุณเองก่อนที่จะมอบเส้นทางการผลิตให้มัน จัดงบเผื่อไว้สำหรับสมมติฐานด้านเครือข่าย ตั้งค่า reasoning_effort อย่างตั้งใจแทนที่จะยอมรับค่า high และมองหน้าต่าง 36,864 โทเคนเป็นข้อจำกัดแบบตายตัวอย่างที่มันเป็น เอาต์พุตแบบมีโครงสร้างคือตัวผลิตภัณฑ์ และถ้าโค้ดปลายทางของคุณสามารถใช้พิกัดได้โดยไม่ต้องมีขั้นตอนการแยกวิเคราะห์ นั่นก็คือการประหยัดอย่างแท้จริงในจุดที่ไปป์ไลน์งาน visión ส่วนใหญ่สูญเสียความแม่นยำไปอย่างเงียบ ๆ

ถ้างานของคุณคือ "ฉันต้องการโมเดล 2.6B ที่ปรับจูนบนข้อมูลที่ไม่มีใครอื่นมี และรันอยู่ที่ไหนสักแห่งโดยไม่มี GPU" ให้ดาวน์โหลด LFM2.5-2.6B-Base และประเมินค่าใช้จ่ายในการ fine-tune อย่างตรงไปตรงมาก่อนที่คุณจะเริ่ม เช็กพอยต์นั้นฟรี แต่งานวิศวกรรมไม่ฟรี และบทเรียนของตระกูลนี้เอง — ที่ว่าพี่น้องที่ผ่านการ post-train ได้คะแนน 8 บนดัชนีอิสระ — เป็นเครื่องเตือนใจว่าช่องว่างระหว่างโมเดลฐานกับโมเดลที่เสร็จสมบูรณ์คือจุดที่งานจริงอยู่ ไม่มีสิ่งใดในสองสิ่งนี้ที่เป็นคำตอบผิด พวกมันคือการซื้อที่แตกต่างกัน และความผิดพลาดแท้จริงเพียงอย่างเดียวคือการปฏิบัติต่อ foundation ที่คุณต้องทำให้เสร็จ ราวกับว่ามันเป็นผลิตภัณฑ์ที่พร้อมแล้ว

โมเดลสองตัว การผสานรวมสองแบบ และโหมดความล้มเหลวสองแบบเป็นสถานะที่แย่กว่าที่เห็น ใน OrcaRouter คุณสามารถ ตั้งค่าการสลับไปใช้ระบบสำรองอัตโนมัติเพื่อให้เหตุการณ์ขัดข้องของผู้ให้บริการในฝั่งใดฝั่งหนึ่งถดถอยไปสู่การสำรองแทนที่จะกลายเป็นงานที่ล้มเหลว

Perceptron Mk1.5 กับ LFM2.5-2.6B-Base: เช่าความสามารถในการรับรู้ หรือเป็นเจ้าของ Checkpoint แล้วทำเองให้เสร็จ

การเปรียบเทียบจะได้ผลก็ต่อเมื่อคุณระบุชื่อของขั้น

ทีละมิติ โดยรักษาบทบาทให้ถูกต้องชัดเจน

เส้นทางเวทที่ประเมินต้นทุนอย่างตรงไปตรงมา

เส้นทาง API และสิ่งที่ "บนอุปกรณ์" หมายถึงสำหรับโมเดลที่โฮสต์

ทั้งสองอย่างไม่มีอยู่ในแคตตาล็อกของเรา และนั่นทำให้การตัดสินใจเปลี่ยนไป

สิ่งที่คุณควรทำ และสิ่งที่คุณควรวัด

ผลิตภัณฑ์

ทรัพยากร

สำหรับผู้ให้บริการ

เข้าร่วมคอมมูนิตี้ของเรา

จากบล็อก

ผู้ให้บริการโมเดล