SingVL_S1_4B vs LFM2.5-VL-3B: ความน่าจะเป็นเทียบกับย่อหน้า
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 102 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-0732 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 122 tok/s
- Orcaใหม่OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 229 tok/s
- Orcaใหม่OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 ต่อ 1 ล้านโทเค็น · 39 tok/s
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 129 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 58 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 124 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 105 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 63 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 418 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228ความฉลาด
การถามว่า SingVL_S1_4BเอาชนะLFM2.5-VL-3Bได้หรือไม่ เป็นคำถามที่ตั้งไว้ผิดรูปแบบ และวิธีที่เร็วที่สุดในการเสียเวลาหนึ่งสัปดาห์คือการตอบคำถามนี้ไปทั้งอย่างนั้น หนึ่งในโมเดลเหล่านี้เขียนย่อหน้าอธิบายเกี่ยวกับภาพ ส่วนอีกโมเดลคืนค่าความน่าจะเป็นสำหรับแต่ละตัวเลือกที่คุณป้อนให้ และไม่เคยส่งออกคำใด ๆ ของตัวเอง ความแตกต่างนี้ไม่ใช่ช่องว่างด้านคุณภาพที่ต้องมาตัดสินกันบนลีดเดอร์บอร์ด มันกำหนดว่าไปป์ไลน์ใดของคุณสามารถใช้โมเดลใดได้ ก่อนจะไปปรึกษาเบนช์มาร์กใด ๆ ดังนั้นการเปรียบเทียบที่ซื่อตรงจึงวิ่งไปในทิศทางตรงกันข้าม: เริ่มจากสิ่งที่โค้ดของคุณจำเป็นต้องได้รับ แล้วดูว่าโมเดลใดสามารถสร้างสิ่งนั้นได้
ชนิดข้อมูลที่ส่งคืนที่แตกต่างกันสองชนิด
Liquid AI's LFM2.5-VL-3B เป็นโมเดลภาษา-ภาพในความหมายปกติ เพียงป้อนภาพและคำถามให้โมเดล มันจะสร้างคำตอบทีละโทเค็น ซึ่งหมายความว่ามันสามารถอธิบายฉาก สนทนาหลายรอบ เรียกใช้ฟังก์ชัน ถอดความหน้าเอกสารข้อความพร้อมคำอธิบายเลย์เอาต์ หรือคืน bounding box สำหรับวัตถุที่คุณระบุ โมเดลนี้เปิดตัวเมื่อวันที่ 12 สิงหาคม 2026 สร้างบนแกนกลางภาษาศาสตร์ LFM2.5-2.6B พร้อมตัวเข้ารหัสภาพ SigLIP2 NaFlex และวางตำแหน่งไว้อย่างชัดเจนสำหรับการติดตั้งใช้งานบนอุปกรณ์ — 228 โทเค็นต่อวินาทีบน Apple M5 Max ในหน่วยความจำต่ำกว่า 3.3 GB พร้อมเผยแพร่บิลด์ GGUF, ONNX และ MLX ควบคู่กับเช็กพอยต์เนทีฟ
SingVL_S1_4B ของ inclusionAI ซึ่งถูกอัปโหลดอย่างเงียบ ๆ เมื่อวันที่ 11 พฤศจิกายน 2026 ทำเพียงสิ่งเดียว และทำสิ่งนั้นในการ forward pass เพียงครั้งเดียว คุณให้สถานะแก่โมเดล — ข้อความ, JSON, รูปภาพสูงสุดสี่รูป — พร้อมพจนานุกรมของคำถามที่ตั้งชื่อไว้ โดยแต่ละข้อระบุชนิด (แบบเลือก, ใช่/ไม่ใช่ภายใต้ป้ายชื่อ "noul", หรือคะแนนแบบเรียงลำดับ 2 ถึง 10 ระดับ) และคำตอบที่เป็นตัวเลือกของข้อนั้น โมเดลจะส่งคืนความน่าจะเป็นต่อคำตอบแต่ละตัว ไม่มีขั้นตอนการสุ่ม ไม่มี temperature ให้ตั้ง และไม่มีเอาต์พุตให้แยกวิเคราะห์ การ์ดโมเดลเองก็เขียนด้วยคำศัพท์ชุดนั้นตลอดทั้งฉบับ ไปจนถึงตัวอย่าง API
หาก endpoint ของคุณต้องส่งคืน "ใบแจ้งหนี้มาจาก Acme ลงวันที่มีนาคม ยอดรวม 1,240.00" LFM2.5-VL-3B ทำได้ และ SingVL_S1_4B ทำไม่ได้ หาก endpoint ของคุณต้องส่งคืน {"is_invoice": 0.97, "quality": {"1": 0.02, "2": 0.11, "3": 0.87}} จะกลับกัน นั่นคือการตัดสินใจทั้งหมด และทุกอย่างด้านล่างนี้เป็นเรื่องเกี่ยวกับกรณีขอบของการตัดสินใจนี้
สเปกชีต แบบเทียบเคียงกันโดยไม่ใช้ตาราง
พารามิเตอร์ — SingVL_S1_4B มีขนาดประมาณ 4.54B ใน BF16 กระจายอยู่สองแชร์ดรวม 9.1 GB; LFM2.5-VL-3B มีขนาด 3.1B โดยมีแบ็กโบนภาษาขนาด 2.6B
• เอาต์พุต — SingVL_S1_4B ส่งคืนความน่าจะเป็นรายตัวเลือกจากการประมวลผลไปข้างหน้าหนึ่งครั้ง; LFM2.5-VL-3B ส่งคืนข้อความที่สร้างขึ้น การเรียกเครื่องมือ หรือคำอธิบายเค้าโครงแบบมีโครงสร้าง
• บริบท — SingVL_S1_4B รองรับโทเค็นอินพุต 65,536 โทเค็นสำหรับข้อความเท่านั้น และจะลดลงเหลือ 10,000 เมื่อแนบรูปภาพ ขณะที่ LFM2.5-VL-3B ประกาศว่ารองรับ 32,768 โทเค็นตั้งแต่ต้นจนจบ
• จำนวนรูปภาพต่อคำขอ — SingVL_S1_4B จำกัดไว้ที่สี่รูป โดยตัวประมวลผลมีค่าสูงสุด 1,806,336 พิกเซลต่อรูป; LFM2.5-VL-3B รองรับอินพุตแบบรูปเดียวและหลายรูป และแบ่งรูปขนาดใหญ่ออกเป็นแพตช์ 512×512 พร้อมภาพย่อ
• ภาษา — LFM2.5-VL-3B ระบุไว้ทั้งหมดสิบห้าภาษา ตั้งแต่อาหรับไปจนถึงเวียดนาม ส่วนการ์ดของ SingVL_S1_4B ไม่ได้กล่าวอ้างเกี่ยวกับภาษาใด ๆ เลยแม้แต่น้อย
• สัญญาอนุญาต — LFM2.5-VL-3B เผยแพร่ภายใต้ LFM Open License v1.0 โดยมีอนุพันธ์แบบควอนไทซ์ที่ถูกนำไปใช้กันอยู่แล้วในวงกว้าง ส่วน SingVL_S1_4B เผยแพร่โดยไม่มีฟิลด์ระบุสัญญาอนุญาตและไม่มีไฟล์ LICENSE
• การปรับใช้ — LFM2.5-VL-3B มีบิลด์แบบเนทีฟ, GGUF, ONNX และ MLX พร้อมทั้งเดโม WebGPU และเส้นทางผ่าน vLLM, SGLang และ llama.cpp; SingVL_S1_4B หมายถึงการโคลนรีโพซิทอรีและเรียกใช้เซิร์ฟเวอร์ FastAPI ของตัวเองบนพอร์ต 8173
• ระบบนิเวศ — LFM2.5-VL-3B อยู่บน Hub มาตั้งแต่เดือนสิงหาคม และได้รับการควอนไทซ์และการพอร์ตจากชุมชนแล้ว ส่วน SingVL_S1_4B เพิ่งมีอายุได้หนึ่งวัน ณ เวลาที่เขียน โดยมียอดดาวน์โหลดเป็นศูนย์
สองบรรทัดนั้นชี้ขาดกว่าที่เห็น บรรทัดเรื่องสัญญาอนุญาตคือบรรทัดแรก: รีโพซิทอรีที่ไม่มีสัญญาอนุญาตไม่ได้ให้สิทธิ์ใครในการแจกจ่ายต่อหรือนำออกจำหน่าย และ “ผู้ขายยังไม่ได้ระบุ” ไม่ใช่การอนุญาตที่คุณจะใส่ในการตรวจสอบการปฏิบัติตามข้อกำหนดได้ บรรทัดเรื่องการติดตั้งใช้งานคือบรรทัดที่สอง: บิลด์ ONNX ที่รันบนโทรศัพท์กับเซิร์ฟเวอร์ Python ที่คาดหวังอุปกรณ์ CUDA ไม่ได้แข่งขันกันเพื่อช่องเดียวกันในสถาปัตยกรรมของคุณ ไม่ว่าจำนวนพารามิเตอร์จะบอกอย่างไรก็ตาม
ทำไมตัวเลข benchmark จึงลบกันไม่ได้
การ์ดทั้งสองรายงานคะแนนบนชุดข้อมูลที่มีชื่อทับซ้อนกัน และการทับซ้อนนั้นคือกับดัก SingVL_S1_4B รายงาน 82.17 บน RealWorldQA, 72.11 บน BLINK, 50.17 บน MMMU-Pro vision และ 96.31 บน InfographicVQA LFM2.5-VL-3B รายงาน 73.1 บน RealWorldQA, 61.5 บน BLINK, 30.5 บน MMMU Pro และ 81.3 บน ChartQA เมื่อวางเรียงกันเป็นแถว ดูเหมือนจะเป็นการเอาชนะขาดลอย แต่นี่ไม่ใช่การเปรียบเทียบใด ๆ เลย
เหตุผลแรกคือโหมดการตอบ ทุกตัวเลขของ SingVL_S1_4B เกิดจากการให้คะแนนชุดตัวเลือกที่จัดมาให้ แล้วเลือกตัวเลือกที่มีความน่าจะเป็นสูงสุด ซึ่งโดยพื้นฐานแล้วเป็นงานที่ง่ายกว่าการสร้างคำตอบแบบอิสระที่ผู้ตรวจจะต้องนำไปจับคู่ในภายหลัง Decision Index วัดสิ่งนี้อย่างตรงไปตรงมาและระบุไว้เช่นนั้น: คะแนนของมันได้รับการปรับแก้ด้วยโอกาส ดังนั้นการเดาจึงไม่ได้เครดิตใด ๆ แต่โมเดลก็ยังไม่ต้องสร้างสตริงขึ้นมาเองเลย มีแค่จัดอันดับผู้สมัครที่คนอื่นเขียนไว้ โมเดลแบบ generative ที่ตอบคำถามเดียวกันตั้งแต่ต้นทำงานมากกว่าเพื่อให้ได้จุดเดียวกันบนกราฟ
เหตุผลข้อที่สองคือใครเป็นคนรัน ทั้งสองชุดเป็นข้อมูลที่ผู้ขายรายงานเอง บนฮาร์เนสของผู้ขายแต่ละรายเอง ทั้งคู่ยังไม่เคยถูกทำซ้ำโดยแล็บที่เป็นกลาง SingVL_S1_4B ยังใหม่เพียงหนึ่งวัน โดยยังไม่มีการส่งเข้าชุดเครื่องมือทำซ้ำสาธารณะของ Decision Index — การ์ดนั้นมีคำแนะนำในการสร้างชุดเครื่องมือดังกล่าว ซึ่งแสดงเจตนาแต่ไม่ได้พิสูจน์อะไรเลย LFM2.5-VL-3B มีผู้คนรันมันมาสามเดือนแล้ว ซึ่งไม่เหมือนกับตัวเลขที่ผ่านการตรวจสอบ แต่ก็หมายความว่าตัวเลขของมันอย่างน้อยก็มีคนแปลกหน้าได้ดูแล้ว
ข้อที่สามคือความคลาดเคลื่อนของเวอร์ชัน การ์ดของ LFM2.5-VL-3B เองระบุว่าค่าตัวเลข OCRBench v2 ของมันเป็นซับเซตภาษาอังกฤษเท่านั้น แถว InfographicVQA ของ SingVL_S1_4B ถูกรายงานภายในชุดทดสอบที่มีการนอร์มัลไลเซชันของตัวเอง ตัวเลขสองตัวที่มีชื่อชุดข้อมูลเดียวกันแต่เป็นซับเซตต่างกันไม่ใช่ตัวเลขเดียวกัน และแนวทางที่ซื่อตรงคือการหยุดนำตัวเลขเหล่านี้มาลบกัน
การกล่าวอ้างเรื่องประสิทธิภาพเป็นของฝ่ายเดียวเท่านั้น
จุดขายหลักของ LFM2.5-VL-3B ไม่ใช่ความแม่นยำ แต่เป็นอัตราการประมวลผลภายใต้ข้อจำกัดหน่วยความจำ: ต่ำกว่า 3.3 GB, 228 โทเค็นต่อวินาทีบน M5 Max, 116 บน Ryzen AI Max+ 395 และ 20 บน Galaxy S26 Ultra ตัวเลขสุดท้ายคือสิ่งที่สำคัญสำหรับการออกแบบผลิตภัณฑ์ เพราะมันคือความแตกต่างระหว่างฟีเจอร์ที่รันบนอุปกรณ์กับฟีเจอร์ที่ต้องส่งไปประมวลผลยังเซิร์ฟเวอร์แล้วส่งกลับมา ไม่มีสิ่งใดในรีโพซิทอรี SingVL_S1_4B ที่อ้างสิทธิ์ในลักษณะเทียบเคียงได้ และไม่มีบิลด์แบบควอนไทซ์ให้ใช้เพื่ออ้างสิทธิ์เช่นนั้น — คุณได้เพียงแชร์ดแบบ BF16 กับสคริปต์เซิร์ฟเวอร์
อีกด้านหนึ่งคือ การทำ forward pass เพียงครั้งเดียวมีลักษณะต้นทุนที่โมเดลเชิงสร้างเทียบไม่ได้ การให้คะแนนสี่ตัวเลือกสำหรับคำถามหนึ่งข้อใช้เพียงหนึ่งพาส ส่วนการสร้างคำอธิบาย 200 โทเคนคือ 200 พาสแบบต่อเนื่องตามลำดับ หากงานของคุณเป็นการจำแนกประเภทจริง ๆ — เอกสารนี้เป็นใบเสร็จหรือไม่ เฟรมนี้มีบุคคลอยู่หรือไม่ รายการนี้เป็นไปตามข้อกำหนดหรือไม่ — การออกแบบของ SingVL_S1_4B ควรมีต้นทุนต่อการตัดสินใจต่ำกว่า และให้ค่าตัวเลขที่คาลิเบรตแล้วซึ่งเกณฑ์หนึ่งสามารถนำไปใช้ตัดสินได้ แทนที่จะเป็นประโยคที่ตัวแยกวิเคราะห์ต้องฝ่าอ่านให้รอด ข้อได้เปรียบนี้เป็นเชิงโครงสร้างและไม่ขึ้นกับว่าผล benchmark ของผู้ขายจะถูกต้องหรือไม่ นอกจากนี้ ยังไม่มีใครนอกแล็บวัดข้อได้เปรียบนี้ ดังนั้นควรมองเป็นความคาดหวังมากกว่าข้อเท็จจริง
ต้องแลกด้วยอะไรจึงจะรู้
LFM2.5-VL-3B สามารถประเมินได้บนแล็ปท็อปในช่วงบ่ายวันนี้ บิลด์ MLX ทำงานบน Apple silicon บิลด์ GGUF ทำงานบน CPU ผ่าน llama.cpp และมีเพลย์กราวด์แบบโฮสต์ไว้ให้ลองดูได้ก่อนดาวน์โหลดสิ่งใดก็ตาม ต้นทุนในการสลับคือตัวระบุโมเดลหนึ่งตัวในไฟล์กำหนดค่า และความเสี่ยงถูกจำกัดด้วยข้อเท็จจริงที่ว่าเวตมีสัญญาอนุญาตใช้งานและรูปแบบเป็นมาตรฐาน
SingVL_S1_4B ต้องใช้ GPU หนึ่งตัวและใช้เวลาตั้งค่าประมาณครึ่งวัน คุณต้องมี Python 3.12, PyTorch build ที่เข้ากับการ์ดของคุณ, requirements ของ repository เอง และพอร์ตว่างหนึ่งพอร์ต เซิร์ฟเวอร์มีเพียงเส้นทางเดียว — POST /v1/systemone — พร้อม body JSON แบบ flat ซึ่งง่ายต่อการเชื่อมต่ออย่างผิดปกติสำหรับงานวิจัยชิ้นหนึ่ง และการ์ดโมเดลมีตัวอย่าง curl ที่ใช้งานได้สำหรับทั้งคำขอแบบข้อความและแบบรูปภาพ สิ่งที่คุณทำไม่ได้คือนำไคลเอนต์แบบ OpenAI ที่มีอยู่มาชี้ไปที่มัน เพราะมันไม่ได้มีรูปแบบแบบนั้น endpoint นี้ได้รับการออกแบบมาสำหรับชุดประเมิน Decision Index และชุดดังกล่าวก็ได้รับการออกแบบมาสำหรับ endpoint นี้เช่นกัน
ความไม่สมมาตรนั้นคือคำตอบในทางปฏิบัติสำหรับคำถามที่ว่า "ควรลองอะไรก่อน" หากคุณยังไม่ได้พิสูจน์ว่าโมเดลที่คืนค่าความน่าจะเป็นช่วยไปป์ไลน์ของคุณได้ การทดลองที่ประหยัดคือการรันแพตเทิร์นนี้กับสิ่งที่ให้บริการอยู่แล้ว OrcaRouter ให้บริการ TypeSafe Jev 1.14 ในราคา $0.042 ต่อหนึ่งล้านโทเคนอินพุต ภายใต้คีย์เดียว ซึ่งเป็น เอนด์พอยต์การตัดสินใจที่ใช้งานได้ ซึ่งคุณสามารถวัดประสิทธิภาพงานของคุณเองเทียบกับมันได้ภายในหนึ่งชั่วโมง โดยไม่มีเช็กพอยต์ให้ต้องโฮสต์และไม่มีคำถามเรื่องไลเซนส์ให้ต้องส่งต่อ SingVL_S1_4B ไม่มีให้บริการที่นั่น — ไม่มีผู้ให้บริการโฮสต์เลย — ดังนั้นการเปรียบเทียบที่คุณทำได้จริงวันนี้คือ "การให้คะแนนการตัดสินใจแบบมีชนิดชนะการสร้างข้อความบนข้อมูลของฉันหรือไม่" ไม่ใช่ "เช็กพอยต์ใหม่ตัวนี้ชนะหรือไม่" จงหาคำตอบแรกก่อนจะใช้จ่ายกับคำตอบที่สอง
ที่ที่แต่ละรายการอยู่
• เอกสารที่คุณต้องอ่านและอ้างอิง — LFM2.5-VL-3B มันสร้างการถอดข้อความพร้อมป้ายกำกับเลย์เอาต์ และแถว OCR ของมันเป็นความสามารถจริง ไม่ใช่เพียงคะแนน
• หน้าจอ แบบฟอร์ม และ GUI — LFM2.5-VL-3B ScreenSpot-v2 ที่ 80.7 และการปรับปรุงด้านการระบุตำแหน่ง (grounding) เมื่อเทียบกับรุ่นก่อนหน้า คือจุดเด่นของการเปิดตัวนี้
• อะไรก็ตามที่รันบนโทรศัพท์หรือแล็ปท็อป — LFM2.5-VL-3B และไม่ต้องเทียบเลย เพราะทางเลือกอื่นต้องใช้เซิร์ฟเวอร์
• เกตที่วางไว้หน้าการเรียกที่มีต้นทุนสูง — ไม่ว่าจะทางใด และรูปร่างของ SingVL_S1_4B ก็เหมาะกว่าหากคุณโฮสต์มันได้ เพราะสิ่งที่เกตต้องการคือความน่าจะเป็น
• การคัดแยกแบบหลายป้ายกำกับบนอนุกรมวิธานที่กำหนดตายตัว — โดยหลักการแล้ว SingVL_S1_4B ประเภทคำถามแบบเลือกและแบบให้คะแนนของมันแมปเข้ากับอนุกรมวิธานได้โดยตรง ส่วนโมเดลแบบเจเนอเรทีฟจำเป็นต้องถูกจำกัดให้กลับเข้าสู่อนุกรมวิธานหนึ่งด้วยพรอมต์และการประมวลผลภายหลัง
• การกลั่นกรอง — ไม่มีทางได้มาโดยไม่ต้องลงแรง การ์ดของ SingVL_S1_4B เองแสดงให้เห็นว่าแถว hateful-meme ของโมเดลดิ่งลงจาก 71.64 เหลือ 43.28 เมื่อนำ skill prompt ไปใช้ ซึ่งเป็นคำเตือนเกี่ยวกับความอ่อนไหวต่อพรอมป์ต์ในโดเมนที่ผลลบปลอมมีต้นทุนสูงพอดี
• การนำไปใช้งานเชิงพาณิชย์ในไตรมาสนี้ — LFM2.5-VL-3B ด้วยเหตุผลด้านสิทธิการใช้งานเพียงประการเดียว
ส่วนที่ยังไม่ได้วัด
คำถามที่น่าสนใจไม่ใช่モデลไหนดีกว่า เพราะพวกมันไม่ได้อยู่ในสนามแข่งขันเดียวกัน คำถามคือว่า classifier ขนาด 4.5 พันล้านพารามิเตอร์ที่ฝึกบน vision backbone จะเทียบเท่าโมเดล vision แบบอเนกประสงค์ได้หรือไม่ ในงานเฉพาะแคบ ๆ ที่คุณต้องการเพียง label กับ confidence เท่านั้น หากทำได้ มันจะเปลี่ยนต้นทุนของไปป์ไลน์จำนวนมาก เพราะการ forward pass ครั้งเดียวมีค่าใช้จ่ายต่างระดับจากการสร้างย่อหน้าหนึ่งย่อหน้า ยังไม่มีใครนอก inclusionAI รู้คำตอบ — repository เพิ่งอายุหนึ่งวัน สัญญาอนุญาตยังว่างเปล่า และ benchmark ก็เป็นของห้องแล็บเอง
ในขณะเดียวกัน โมเดลเอนกประสงค์ก็พร้อมใช้งาน มีใบอนุญาต ผ่านการควอนไทซ์ มีเอกสารประกอบ และเร็วพอที่จะรันบนโทรศัพท์ได้ เมื่อทีมถามว่าควรนำตัวไหนในบรรดาตัวเลือกเหล่านี้ไปใช้ในโปรดักชัน คำตอบในตอนนี้คือคำตอบที่แสนน่าเบื่อ และตัวเลือกที่น่าสนใจนั้นเป็นเพียงสมมติฐานที่แนบรีโพซิทอรีมาด้วย
