Solar Mini 4 เทียบกับ LFM2.5 2.6B Base: ดัชนีสามเท่า และการเปรียบเทียบต้นทุนที่ไม่มีอยู่จริง
- openaiใหม่OpenAI: GPT-6.1 Sol2026-09-29$2.00 / $10.00 ต่อ 1 ล้านโทเค็น
- anthropicใหม่Anthropic: Claude Sonnet 5.52026-09-28$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 159 tok/s
- typesafeใหม่TypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 220 tok/s
- OpenAIใหม่OpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIใหม่OpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- Anthropicใหม่Anthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xAIใหม่Grok 4.72026-09-2146ความฉลาด
- Orcaใหม่Orca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrca: OrcaVerify Text 1.02026-09-16$2.00 / $0.00 ต่อ 1 ล้านโทเค็น · 1148 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-09-1040ความฉลาด
- OpenAIOpenAI: GPT-6 Astra2026-09-0453ความฉลาด77การเขียนโค้ด
- GoogleGoogle: Gemini 3.8 Flash2026-09-0241ความฉลาด76การเขียนโค้ด
- AlibabaQwen: Qwen3.8 Max (0902)2026-09-0245ความฉลาด76การเขียนโค้ด
- AnthropicAnthropic: Claude Fable 5.12026-09-0153ความฉลาด82การเขียนโค้ด
- TencentTencent: Hy4 preview2026-08-28$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 48 tok/s
- AlibabaQwen: Qwen3.8 Flash2026-08-26$0.15 / $0.47 ต่อ 1 ล้านโทเค็น · 102 tok/s
- z-aiZ.ai: GLM 5.3 Flash2026-08-2642ความฉลาด72การเขียนโค้ด
- DeepSeekDeepSeek: DeepSeek V4 Flash Vision (Exp)2026-08-21$0.22 / $0.66 ต่อ 1 ล้านโทเค็น · 217 tok/s
- z-aiZ.ai: GLM 5.32026-08-1845ความฉลาด75การเขียนโค้ด
- obsidianQwen3.8 27B2026-08-1534ความฉลาด68การเขียนโค้ด
วิธีเปรียบเทียบ Solar Mini 4 กับ LFM2.5 2.6B Base อย่างตรงไปตรงมาคือยอมรับตั้งแต่แรกว่าทั้งสองไม่ได้อยู่ในตลาดเดียวกัน Solar Mini 4 เป็น sparse mixture-of-experts ขนาด 35,000 ล้านพารามิเตอร์ของ Upstage เปิดตัวเมื่อ 22 กันยายน 2026 เปิดใช้งานพารามิเตอร์ประมาณ 3,000 ล้านตัวต่อโทเคน เป็นโมเดลแบบปิด และคิดค่าบริการ $0.10 ต่อล้านโทเคนอินพุต และ $0.40 ต่อล้านโทเคนเอาต์พุต LFM2.5 2.6B Base เป็น checkpoint ที่ผ่านการ pretrain ขนาด 2,690 ล้านพารามิเตอร์ของ Liquid AI เผยแพร่บน Hugging Face เมื่อต้นเดือนสิงหาคม 2026 ภายใต้ LFM Open License v1.0 เล็กพอที่จะอยู่ในหน่วยความจำของโทรศัพท์ได้ ตัวหนึ่งเป็น endpoint ส่วนอีกตัวเป็นไฟล์น้ำหนัก และถ้าคุณอ่านสิ่งนี้เพราะต้องการรันโมเดลเองมากกว่าจะเรียกใช้ผ่านปลายทาง การเปรียบเทียบก็จบไปแล้วตั้งแต่ต้น
สิ่งที่ทำให้การจับคู่นี้คุ้มค่าพอที่จะเป็นบทความได้ก็คือมิติหนึ่งที่ทั้งสองทับซ้อนกันอย่างแท้จริง: ทั้งคู่ถูกวางเทียบกับมาตรวัดอิสระอันเดียวกัน และรูปแบบของการเปรียบเทียบนั้นไม่ใช่สิ่งที่จำนวนพารามิเตอร์คาดการณ์ไว้ Artificial Analysis ให้คะแนน Solar Mini 4 ที่ 24 บน Intelligence Index v4.3.2 และให้คะแนนรุ่น LFM2.5 2.6B ที่ 8.4 — แต่ตัวเลขที่สองเป็นค่าประมาณ และไม่ได้วัดเช็กพอยต์ที่อยู่ในชื่อบทความนี้ ข้อควรระวังทั้งสองข้อล้วนสำคัญ และเป็นสิ่งแรกที่ต้องทำให้กระจ่าง
เอกสารข้อมูลจำเพาะแบบเคียงข้างกัน
• พารามิเตอร์ — Solar Mini 4 มีพารามิเตอร์รวม 35B โดยเปิดใช้งาน 3B; LFM2.5 2.6B Base เป็นแบบ dense ที่ 2.69B โดยไม่มีการปิดกั้นส่วนใดไว้ น้ำหนักบนฝั่ง Upstage มากกว่า 13 เท่า สำหรับงบประมาณการประมวลผลต่อโทเค็นที่ใกล้เคียงกัน
• สถาปัตยกรรม — Solar Mini 4 เป็น sparse mixture-of-experts ส่วน LFM2.5 2.6B Base มี 30 เลเยอร์ โดย 22 เลเยอร์เป็นบล็อก short-convolution แบบ double-gated และอีก 8 เลเยอร์เป็น grouped-query attention ซึ่งเป็นดีไซน์แบบไฮบริดที่ Liquid สร้างขึ้นสำหรับการประมวลผลบน CPU และอุปกรณ์ edge
• การฝึก — Upstage ไม่เปิดเผยงบประมาณโทเคน การ์ดข้อมูลของ Liquid ระบุไว้ที่ 34 ล้านล้านโทเคน และคำศัพท์ขนาด 128,000 โทเคน ครอบคลุม 16 ภาษา ซึ่งรวมถึงภาษาเกาหลีและภาษาญี่ปุ่นด้วย
• สัญญาอนุญาต — Solar Mini 4 เป็นซอฟต์แวร์ลิขสิทธิ์เฉพาะ LFM2.5 2.6B Base เผยแพร่ภายใต้ LFM Open License v1.0 — อนุญาตให้ใช้ในเชิงพาณิชย์ได้โดยมีเงื่อนไข และสามารถปรับแต่งเพิ่มเติมได้
• บริบท — Upstage ระบุ 512K tokens ขณะที่ Artificial Analysis ระบุ 1.05M สำหรับโมเดลเดียวกัน ดังนั้นให้ถือว่าขีดจำกัดสูงสุดยังไม่แน่นอน LFM2.5 2.6B Base ทำงานที่ 131,072
• มอดัลลิตี — ทั้งคู่รับข้อมูลเข้าทั้งข้อความและส่งออกเป็นข้อความ ไม่รองรับภาพหรือเสียง
• ราคา — Solar Mini 4 อยู่ที่ $0.10 / $0.01 สำหรับแคช / $0.40 ต่อล้านโทเคน ปัจจุบันลด 50% ถึงวันที่ 22 ตุลาคม 2026 LFM2.5 2.6B Base ไม่มีตารางราคาเลย; โฮสต์ Artificial Analysis ติดตามราคาของรุ่น LFM2.5 2.6B ไว้ที่ $0.00
“8.4, estimated” วัดอะไรและไม่วัดอะไร
รายการของ Artificial Analysis สำหรับเจเนอเรชัน LFM2.5 2.6B — โมเดลที่ผ่านการฝึกหลังการฝึก ไม่ใช่ Base ที่ผ่านการฝึกมาก่อน — มีดัชนี 8.4 ซึ่งถูกทำเครื่องหมายว่าเป็นค่าประมาณ โดยการประเมินองค์ประกอบส่วนใหญ่ก็ถูกทำเครื่องหมายในลักษณะเดียวกัน นั่นคือตำแหน่งบนลีดเดอร์บอร์ด ไม่ใช่ข้อกำหนดที่ใช้เป็นเกณฑ์ในการพัฒนา และไม่ควรถูกอ้างอิงเสมือนว่ามีใครรันเช็กพอยต์ Base ผ่านชุดทดสอบดังกล่าว ไม่มีใครทำเช่นนั้น การ์ดโมเดลของ Liquid เองก็ไม่ได้เผยแพร่ตารางเบนช์มาร์กสำหรับ LFM2.5 2.6B Base เลยแม้แต่ตารางเดียว: มันเป็นเช็กพอยต์เติมข้อความที่ผ่านการฝึกมาก่อน และการ์ดระบุอย่างชัดเจนว่าแนะนำให้ใช้สำหรับการ fine-tuning อย่างหนักเท่านั้น
โมเดลพี่น้องที่ได้คะแนนเป็นอาร์ติแฟกต์ที่แตกต่างออกไป ตาราง benchmark ของ Liquid สำหรับ LFM2.5 2.6B ที่ผ่าน post-training แสดง IFStruct ที่ 85.5 และ Multi-IF ที่ 80.1, AIME25 ที่ 51.9, LiveCodeBench v6 ที่ 59.4, BFCLv4 ที่ 56.9 และ τ³-Banking ที่ 5.7 — ทั้งหมดรันโดยผู้ขาย ทั้งหมดบนบิลด์ที่ปรับแต่งด้วยคำสั่ง และตัวเลข τ³ เป็นตัวที่อ่านแล้วเหมือนคำเตือน
โปรไฟล์ของ Solar Mini 4 มีรูปร่างที่แตกต่างไปโดยสิ้นเชิง โดยทำคะแนนได้ 83.3% บน AA-LCR v1.1 สำหรับการให้เหตุผลแบบบริบทยาว 47.6% บน SciCode และ −10.8 บน AA-Omniscience ด้วยความแม่นยำ 18.4% และอัตราการไม่สร้างข้อมูลเท็จ 64.2% นอกจากนี้ยังทำคะแนนได้ 1% บน Terminal-Bench 4.0 และ 22.3% บน AutomationBench-AA ทั้งสองตระกูลโมเดลต่างก็อ่อนด้อยในงานแบบเอเจนต์ ส่วนโมเดลของ Upstage นั้นอ่อนด้อยในงานแบบเอเจนต์แต่มีราคาแพง ซึ่งเป็นสถานะที่แย่กว่าการอ่อนด้อยในงานแบบเอเจนต์แต่ใช้ฟรี
จุดที่ Solar Mini 4 คุ้มค่ากับราคาคือขนาดของการให้เหตุผล ที่งานดัชนีหนึ่งงาน ใช้โทเค็นเอาต์พุต 88,300 โทเค็น — 71,600 เป็นการให้เหตุผล — มันใช้พลังประมวลผลในแบบที่โมเดลเดนส์ขนาด 2.6B ไม่สามารถเลียนแบบได้ด้วยการป้อนพรอมป์ที่ยาวขึ้น โมเดลที่มีพารามิเตอร์ 2.69B สามารถบอกให้คิดทีละขั้นตอนได้ แต่ไม่สามารถบอกให้มีพารามิเตอร์ 35B ได้ นั่นคือผลิตภัณฑ์ที่แท้จริง
สามเท่าของดัชนี และไม่มีตัวเลขต้นทุนที่เทียบเคียงได้
Artificial Analysis ระบุว่า Solar Mini 4 อยู่ที่ $0.36 ต่องานดัชนีที่ทำเสร็จหนึ่งงาน เทียบกับ $0.006 สำหรับ Granite 4.2 3B และรุ่น LFM2.5 2.6B ถูกตั้งราคาไว้ที่ศูนย์ จึงไม่มีตัวเลขต้นทุนต่องานใดที่จะทำให้อัตราส่วนนี้ออกมาเป็นธรรมได้ ดังนั้น กรอบความว่า “Solar Mini 4 มีต้นทุนสูงกว่า LFM2.5 2.6B Base มาก” จึงเป็นจริง และก็ค่อนข้างจะนอกประเด็นอยู่เล็กน้อย คำถามที่เกี่ยวข้องคือ งานสกัดข้อมูลแบบมีโครงสร้างจากเอกสารยาวในภาษาเกาหลีที่ Solar Mini 4 ถูกสร้างมาเพื่อทำนั้น สามารถทำได้ด้วยเช็กพอยต์พรีเทรนขนาด 2.69B เลยหรือไม่ โดยปกติแล้วทำไม่ได้ และเมื่อเป็นเช่นนั้น การเปรียบเทียบก็จะกลายเป็น Solar Mini 4 กับโมเดลอเนกประสงค์ระดับแนวหน้า แทนที่จะเป็น Solar Mini 4 กับโมเดลสำหรับมือถือ
กรณีที่ LFM2.5 2.6B Base ชนะไม่ใช่กรณีที่มันถูกกว่า แต่เป็นกรณีที่งานแคบพอจนการ fine-tuning อุดช่องว่างได้ การสกัดฟิลด์แบบมีโครงสร้างจากรูปแบบเอกสารที่รู้จัก การจำแนกประเภทเทียบกับอนุกรมวิธานที่กำหนดตายตัว ผู้ช่วยบนอุปกรณ์ที่ต้องทำงานโดยไม่มีเครือข่าย — นั่นคืองานที่เช็กพอยต์ขนาด 2.69B บวกข้อมูลฝึกของคุณเอง เอาชนะโมเดลทั่วไปขนาด 35B บวกตารางราคา และมีค่าใช้จ่ายเป็น GPU หนึ่งอินสแตนซ์แทนมิเตอร์โทเคน Liquid ส่งมอบเช็กพอยต์ฐานพร้อมสูตร continued-pretraining, LoRA SFT, DPO และ GRPO ผ่าน Unsloth และ TRL เพื่อการนี้โดยเฉพาะ
ควรโทรหาใคร
เลือกใช้ Solar Mini 4 เมื่ออินพุตยาว เอาต์พุตต้องผ่านการคิดวิเคราะห์ และภาษาที่ผสมอยู่นั้นรวมภาษาเกาหลีหรือญี่ปุ่น — และเมื่อยอมรับเวลาดีโค้ดเจ็ดนาทีต่องานยากได้ เลือกใช้ LFM2.5 2.6B Base เมื่อเวตต้องเป็นของคุณเอง อุปกรณ์ไม่มีการเชื่อมต่อเครือข่าย และงานแคบพอที่จะไฟน์จูนได้ การติดตั้งใช้งานที่น่าสนใจนั้นใช้ทั้งสองแบบ เพราะมันไม่ใช่ทางเลือกแทนกัน โมเดลโลคัลขนาดเล็กทำหน้าที่จัดเส้นทาง ปกปิดข้อมูล และสกัดข้อมูล ส่วนโมเดลที่โฮสต์ไว้จะถูกเรียกใช้เฉพาะสัดส่วนของคำขอที่จำเป็นต้องใช้พารามิเตอร์ 35B จริง ๆ เท่านั้น
โมเดลของ Liquid ไม่ได้อยู่บน OrcaRouter และของ Upstage ก็เช่นกัน ดังนั้นจึงไม่มีเส้นทางใดที่เราขายให้คุณได้ สิ่งที่เราทำได้คือส่วนที่เปลี่ยนการเปรียบเทียบนี้จากการตัดสินใจให้กลายเป็นการตั้งค่า โมเดลมากกว่า 200 รายการภายใต้คีย์เดียว โดยบวกเพิ่มจากราคาตั้งต้นของผู้ให้บริการ 0% พร้อมการสลับไปใช้ผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง และ DSL สำหรับจัดเส้นทางที่ให้คุณประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว เมื่อคำตอบที่ถูกต้องคือ "ใช้ตัวถูกเป็นส่วนใหญ่ และใช้ตัวดีเมื่อถึงเวลาสำคัญ" นั่นคือปัญหาเรื่องการจัดเส้นทาง และนั่นคือเหตุผลที่ routing DSL นี้มีอยู่
ตัวเลขที่ไม่มีผู้ขายรายใดจะใส่ลงในสไลด์
ความหน่วง Solar Mini 4 ใช้โทเค็นเอาต์พุต 88,300 โทเค็นต่องาน Intelligence Index ที่ความเร็วที่วัดได้ 204 โทเค็นต่อวินาที ดังนั้นจึงเฉลี่ย 430 วินาที — มากกว่าเจ็ดนาทีเล็กน้อย — ในแต่ละงานยาก เจเนอเรชัน LFM2.5 2.6B บนโฮสต์ที่ Artificial Analysis ทดสอบ ทำงานที่ 45.7 โทเค็นต่อวินาที โดยรอ 2.8 วินาทีสำหรับชังก์แรก แต่นั่นคือโฮสต์ในศูนย์ข้อมูลที่กำลังสื่อสารกับโมเดลซึ่งโดยปกติจะรันบนโต๊ะทำงานของคุณ การวัดของ Liquid เองระบุว่าสถาปัตยกรรมเดียวกันทำได้ 220 โทเค็นต่อวินาทีบน M5 Max, 113 บน Ryzen AI Max+ 395 และประมาณ 30 โทเค็นต่อวินาทีบนโทรศัพท์ — ซึ่งเป็นลูปเอเจนต์ที่ใช้งานได้บนอุปกรณ์ที่ไม่มีเครือข่าย
ถ้าเวิร์กโหลดของคุณเป็นแบบโต้ตอบ การเปรียบเทียบก็ไม่สูสีเลย และไม่มีคะแนน benchmark ใดจะเปลี่ยนเรื่องนี้ได้ ถ้าเวิร์กโหลดของคุณเป็นแบบแบตช์ และสิ่งที่รออยู่คือ cron job เจ็ดนาทีก็ถือว่าโอเค และความลึกของการให้เหตุผลก็คุ้มค่าที่จะรอ
บันทึกแหล่งที่มา 2 ข้อเพื่อปิดท้าย ตัวเลขทุกตัวของ Artificial Analysis ที่นี่คือการวัดอิสระขององค์กรนั้นบนชุดทดสอบร่วม ดัชนี LFM2.5 2.6B เป็นการประมาณอย่างชัดเจน และครอบคลุมโมเดลหลังการฝึก (post-trained) มากกว่าเช็คพอยต์ Base ที่ผ่านการพรีเทรนซึ่งระบุชื่อไว้ข้างต้น ตัวเลขทุกตัวของ Liquid AI คือการรันของผู้ขายเองบนเบนช์มาร์กของผู้ขายเอง โดยยังไม่มีการทำซ้ำ — และตัวเช็คพอยต์ Base เองก็ไม่มีคะแนนที่เผยแพร่เลย ซึ่งเป็นข้อเท็จจริงเกี่ยวกับโมเดลพรีเทรนมากกว่าจะเป็นการวิจารณ์โมเดลนี้
