SubQ Snap 1.1 vs LFM2.5 2.6B Base: ซื้อการตัดสินใจ หรือสร้างเองจากเช็กพอยต์

คำที่สำคัญที่สุดในการเปรียบเทียบระหว่าง SubQ Snap 1.1กับ LFM2.5 2.6B Baseคือคำสุดท้าย คำว่า Base หมายถึง pretrained ซึ่งหมายความว่า Liquid AI เผยแพร่เช็กพอยต์นี้หลังจากการฝึกไปแล้วราว 34 ล้านล้านโทเคน และก่อนการทำ supervised fine-tuning, distillation หรือ reinforcement learning ใด ๆ ที่จะเปลี่ยนโมเดลภาษาให้กลายเป็นสิ่งที่ทำตามคำสั่งได้ มันจะไม่ตอบคำถาม จะไม่เลือกป้ายกำกับ หากคุณขอให้มันจัดเส้นทางตั๋วสนับสนุน มันจะต่อเติมพรอมต์ของคุณในสไตล์ของข้อความที่มันถูกฝึกมา ซึ่งนั่นไม่ใช่บั๊ก — นั่นคือสิ่งที่เช็กพอยต์แบบ base ถูกสร้างขึ้นมาเพื่อทำ

SubQ Snap 1.1 ในทางตรงกันข้าม เป็นผลิตภัณฑ์สำเร็จรูป: โมเดลการตัดสินใจของ Subquadratic ที่เปิดตัวเมื่อวันที่ 22 ตุลาคม 2026 ซึ่งรองรับข้อความและรูปภาพได้สูงสุด 384K โทเค็น พร้อมชุดคำตอบคงที่ และส่งคืนตัวเลือกที่ผ่านการปรับเทียบแล้ว การนำทั้งสองมาเทียบกันแบบประจันหน้าราวกับว่าเป็นทางเลือกที่ทดแทนกันได้นั้นเป็นการจัดประเภทที่ผิดพลาด และเป็นความผิดพลาดที่มีประโยชน์ เพราะความผิดพลาดนี้คือการตัดสินใจที่ทีมต้องเผชิญเมื่อต้องการการจำแนกประเภทที่ทำงานบนฮาร์ดแวร์ที่ตนควบคุม คำถามไม่ใช่ "โมเดลไหนดีกว่า" แต่คือ "คุณจะซื้อการตัดสินใจสำเร็จรูป หรือคุณจะสร้างมันขึ้นมาจากจุดเริ่มต้น?"

สิ่งที่ Liquid AI เปิดตัวออกมาจริง ๆ

LFM2.5-2.6B Base เปิดตัวเมื่อวันที่ 4 สิงหาคม 2026 พร้อมกับ LFM2.5-2.6B รุ่นพี่น้องที่ผ่านการฝึกหลังการฝึก (post-trained) แล้ว โดยเป็นส่วนหนึ่งของตระกูลที่ครอบคลุมตั้งแต่ 230 ล้านพารามิเตอร์ไปจนถึงโมเดล mixture-of-experts ขนาด 24B สถาปัตยกรรมนี้ใช้ดีไซน์ LFM2 ของ Liquid ได้แก่ สามสิบเลเยอร์ โดยยี่สิบสองเลเยอร์เป็นบล็อก short-convolution แบบ double-gated และอีกแปดเลเยอร์เป็น grouped-query attention พร้อมคำศัพท์ขนาด 128,000 โทเคน และหน้าต่างบริบท 128K ที่เพิ่มเข้ามาในระยะขยายระหว่างการฝึก ด้วยจำนวนพารามิเตอร์ 2.69 พันล้านตัว จึงใช้พื้นที่เพียงประมาณ 2.5 กิกะไบต์ ทำงานด้วยความเร็วราว 220 โทเคนต่อวินาทีบน Apple M5 Max ประมาณ 113 บน Ryzen AI Max+ และประมาณ 30 บนโทรศัพท์

รุ่นพี่น้อง instruct คือที่ที่ตัวเลขที่น่าสนใจอยู่ และคุ้มค่าที่จะอ่านเพื่อเป็นตัวชี้วัดว่าการ post-training คุ้มค่าแค่ไหน Liquid รายงาน AIME25 ที่ 51.87, LiveCodeBench v6 ที่ 59.41, IFBench ที่ 59.17, Multi-IF ที่ 80.07, BFCLv4 ที่ 56.88 และ ToolSandbox ที่ 77.83 — ทั้งหมดเป็นตัวเลขที่ผู้ขายรายงาน และทั้งหมดอยู่บนโมเดลที่ผ่าน post-training checkpoint ฐานไม่มีคะแนนการทำตามคำสั่งที่เทียบเคียงได้ เพราะมันไม่สามารถทำตามคำสั่งได้ ช่องว่างนั้น ระหว่าง checkpoint กับโมเดลที่คุณถามคำถามได้ คือขั้นตอน post-training สี่ขั้นตอน: supervised fine-tuning สองรอบ, การเชี่ยวชาญเฉพาะทางของ teacher ตามโดเมน, การ distill แบบ on-policy หลายโดเมน และ reinforcement learning แบบ agentic ภายใน harness จริง

Liquid ยังระบุอย่างตรงไปตรงมาว่าโมเดลนี้ไม่ได้มีไว้สำหรับอะไรบ้าง: การเขียนโค้ดแบบเอเจนต์ และงานที่ต้องใช้ความรู้เข้มข้น นั่นเป็นถ้อยแถลงการวางตำแหน่งที่ซื่อสัตย์กว่าที่ห้องแล็บส่วนใหญ่เผยแพร่ และควรค่าแก่การรับไว้ตามที่ระบุไว้ตรง ๆ

สเปก เทียบเคียงกัน

• คืออะไร — LFM2.5 2.6B Base เป็นเช็กพอยต์ที่ผ่านการฝึกอบรมล่วงหน้าโดยไม่มีการปรับจูนตามคำสั่ง; SubQ Snap 1.1 เป็นโมเดลการตัดสินใจแบบโฮสต์ที่มี API แบบคำตอบตายตัว

• บริบท — 128K โทเค็นสำหรับ LFM2.5 2.6B Base; 384K โทเค็นสำหรับ Snap 1.1

• อินพุต — ข้อความเท่านั้นสำหรับ LFM2.5 2.6B Base; ข้อความและรูปภาพสำหรับ Snap 1.1

• เอาต์พุต — การสร้างโทเค็นแบบอิสระ หรือเฮดใดก็ตามที่คุณเทรนต่อยอดบน LFM2.5 2.6B Base; ตัวเลือกหรือคะแนนพร้อมความน่าจะเป็นสำหรับ Snap 1.1

• ราคา — เฉพาะแบบโฮสต์ด้วยตนเอง ไม่มีค่าใช้จ่ายต่อโทเค็น สำหรับ LFM2.5 2.6B Base; $0.04 ต่อ 1M โทเค็นอินพุต เอาต์พุตฟรี สำหรับ Snap 1.1

• สัญญาอนุญาต — LFM Open License v1.0 อนุญาตให้ใช้เชิงพาณิชย์โดยมีเกณฑ์รายได้ สำหรับโมเดล Liquid; ไม่มีเวตใด ๆ เลยสำหรับ Snap

• ขนาดพื้นที่ใช้งาน — ประมาณ 2.5 GB และสามารถรันบนโทรศัพท์ได้สำหรับ LFM2.5 2.6B Base; ส่วน Snap 1.1 เป็นการเรียกผ่านเครือข่าย

ช่องว่างระหว่าง checkpoint และ classifier

การจะเปลี่ยน LFM2.5 2.6B Base ให้เป็นสิ่งที่ทำสิ่งเดียวกับที่ Snap 1.1 ทำได้ คุณต้องมีห้าสิ่ง และมีเพียงหนึ่งในนั้นเท่านั้นที่เป็นโมเดล

คุณต้องมีข้อมูลที่มีการติดป้ายกำกับ — ตัวอย่างสองสามพันรายการต่อคลาสถือเป็นจุดเริ่มต้นที่สมเหตุสมผลสำหรับงานจัดเส้นทางแบบแคบ ๆ และต้องมีมากกว่านั้นอย่างชัดเจนหากคลาสไม่สมดุลหรือเส้นแบ่งมีความละเอียดอ่อน คุณต้องมีการรันฝึกโมเดล: classification head หรือ LoRA adapter บนฐานของ base checkpoint ที่ไม่เคยเห็นคำสั่งมาก่อน ซึ่งหมายความว่าการ fine-tune กำลังทำงานทั้งการปรับให้เข้ากับงานและการทำตามคำสั่งในคราวเดียวกัน คุณต้องมีการปรับเทียบ (calibration) เพราะคะแนน softmax ไม่ใช่ความน่าจะเป็นที่ผ่านการปรับเทียบแล้ว และเกณฑ์การจัดเส้นทางที่ตั้งบนคะแนนที่ยังไม่ปรับเทียบก็คือเกณฑ์ที่ตั้งขึ้นจากการเดาเอา คุณต้องมี evaluation harness ที่คุณดูแลเอง เนื่องจากโมเดลจะคลาดเคลื่อนไปเมื่อทราฟฟิกของคุณเปลี่ยนไป และคุณต้องมีโครงสร้างพื้นฐานสำหรับการให้บริการ — llama.cpp, MLX, vLLM หรือ ONNX ซึ่งทั้งหมดรองรับสถาปัตยกรรมนี้

ไม่มีสิ่งใดในนั้นเป็นเรื่องแปลกใหม่ ทั้งหมดเป็นงานหลายสัปดาห์ของคนที่รู้ว่าตัวเองกำลังทำอะไร และมันเกิดขึ้นซ้ำทุกครั้งที่งานเปลี่ยน การเปรียบเทียบที่ตรงไปตรงมาไม่ใช่ $0.04 ต่อล้านโทเค็นกับฟรี แต่คือ $0.04 ต่อล้านโทเค็นกับงานวิศวกรรมสี่ถึงแปดสัปดาห์ บวกกับต้นทุนต่อเนื่องในการเป็นเจ้าของโมเดล

ใบอนุญาตไม่ใช่ Apache

Liquid เปิดตัว LFM2.5 ภายใต้ LFM Open License v1.0 อนุญาตให้ใช้เชิงพาณิชย์ได้ แต่องค์กรที่มีรายได้ต่อปีเกิน 10 ล้านดอลลาร์สหรัฐฯ ต้องมีใบอนุญาตเชิงพาณิชย์แยกต่างหาก นี่เป็นข้อเสนอที่แตกต่างอย่างมีนัยสำคัญจาก Apache 2.0 ของ Granite หรือ Apache 2.0 ของ Gemma และเป็นเงื่อนไขประเภทที่มักถูกฝ่ายกฎหมายค้นพบช้า หลังจากต้นแบบใช้งานได้แล้ว หากคุณเป็นสตาร์ทอัพที่อยู่ต่ำกว่าเกณฑ์ วันนี้คุณไม่ต้องเสียค่าใช้จ่ายใด ๆ แต่อาจมีค่าใช้จ่ายในภายหลัง หากคุณอยู่เหนือเกณฑ์ดังกล่าว ให้ประเมินราคาใบอนุญาตก่อนประเมินราคา GPU

ในกรณีที่ checkpoint ฐานชนะอย่างชัดเจน

การติดตั้งแบบ air-gapped เป็นกรณีที่แข็งแกร่งที่สุด และไม่ใช่แบบสูสีเลย โมเดลขนาด 2.5 กิกะไบต์ที่ทำงานบนโทรศัพท์ แล็ปท็อป หรือคอนเทนเนอร์โดยไม่มีเส้นทางเครือข่าย คือทางเลือกเดียวสำหรับแอปพลิเคชันภาคสนาม สภาพแวดล้อมแบบชั้นความลับ หรืออุปกรณ์ที่จัดส่งให้ลูกค้า Snap 1.1 ไม่สามารถเข้าไปอยู่ในกรณีใด ๆ เหล่านั้นได้ มันเป็น API และไม่มีเวอร์ชันใดของมันที่ทำงานภายในเครื่อง

เศรษฐศาสตร์ของปริมาณคือกรณีที่สอง แต่ต้องมีปริมาณจริงจึงจะมีความหมาย ที่ปริมาณ 2 ล้านการตัดสินใจต่อเดือน โดยมีบริบท 20,000 โทเคนต่อครั้ง — 40 พันล้านโทเคนอินพุต — Snap 1.1 มีค่าใช้จ่าย $1,600 ต่อเดือน หรือต่ำกว่า $20,000 ต่อปีเล็กน้อย โมเดลขนาด 2.6B เพียงตัวเดียวที่ผ่านการ fine-tune และให้บริการทราฟฟิกนั้นบนฮาร์ดแวร์ที่คุณมีอยู่แล้วไม่มีต้นทุนส่วนเพิ่ม จุดคุ้มทุนอยู่ราวจุดที่ค่า API รายปีสูงกว่าต้นทุนทางวิศวกรรมของการ fine-tune บวกฮาร์ดแวร์ ซึ่งสำหรับทีมส่วนใหญ่คืออีกหนึ่งหรือสองปีข้างหน้า ไม่ใช่หนึ่งเดือน

การควบคุมเต็มรูปแบบคือข้อที่สาม โมเดลที่คุณฝึกด้วยเลเบลของคุณเองจะทำสิ่งที่คุณฝึกให้มันทำ และไม่ทำอย่างอื่น Snap 1.1 เป็นโมเดลการตัดสินใจทั่วไปที่มีตัวเลขความแม่นยำ 20% บน Artificial Analysis Decision Index v1.0 โดยคะแนนดัชนี 65 ของมันมาจากการงดตอบในสิ่งที่ตอบไม่ได้เป็นหลัก พร้อมอัตราการไม่สร้างข้อมูลเท็จที่รายงานไว้ 86% โมเดลขนาด 2.6B ที่ผ่านการปรับแต่งสำหรับโดเมนของคุณจะเอาชนะความแม่นยำนั้นในงานของคุณได้บ่อยครั้ง และจะไม่งดตอบเลย เว้นแต่คุณจะฝึกให้มันทำเช่นนั้น

จุดที่ Snap 1.1 ชนะอย่างเด็ดขาด

เวลาจนถึงการตัดสินใจครั้งแรกวัดกันเป็นนาที ไม่ใช่วัดกันเป็นสปรินต์ ไม่มีข้อมูลสำหรับฝึกที่ต้องเก็บรวบรวม ไม่มีส่วนหัว (head) ของโมเดลที่ต้องปรับให้เข้ากับข้อมูล ไม่มีเส้นโค้งการสอบเทียบที่ต้องวาดกราฟ คุณส่งเอกสารและรายการตัวเลือกเข้าไป แล้วคุณจะได้ความน่าจะเป็นกลับมา และความน่าจะเป็นนั้นก็คือผลิตภัณฑ์

บริบทแบบยาวคือความแตกต่างประการที่สอง และเป็นเรื่องเชิงสถาปัตยกรรมมากกว่าเรื่องบังเอิญ Snap รองรับ 384K โทเคนในการส่งผ่านไปข้างหน้าครั้งเดียวด้วยการคำนวณคงที่ต่อโทเคน LFM2.5 2.6B Base มีหน้าต่าง 128K และในฐานะโมเดลขนาด 2.6 พันล้านพารามิเตอร์ ช่วงการดึงข้อมูลที่มีประสิทธิภาพของมันจะสั้นกว่าช่วงตามที่ระบุไว้มาก โมเดลพี่น้องของ Liquid เองรายงานคะแนน AA-Omniscience ที่ −29.50 ซึ่งเป็นตัววัดว่าโมเดลขนาดเล็กรู้มากแค่ไหน ไม่ใช่ตัววัดว่ามันอ่านได้ดีแค่ไหน แต่ก็กำหนดความคาดหวังไว้

ข้อที่สามคือเอาต์พุตของ Snap เป็นสิ่งที่คุณต้องการอยู่แล้ว ไม่ต้องมี parser ไม่ต้องมี schema ไม่ต้องมี retry logic สำหรับคำตอบที่รูปแบบผิด

งั้นอันไหนล่ะ

ซื้อ Snap 1.1 หากการตัดสินใจนั้นเป็นการเรียกใช้แบบ routing หรือ classification บนเอกสารยาว หากข้อมูลสามารถออกจากเครือข่ายของคุณได้ และหากคุณต้องการความสามารถนี้ภายในไตรมาสนี้ เส้นทางแบบสร้างเองนั้นเป็นเรื่องจริง แต่ไม่ได้ถูกกว่าในปีแรกสำหรับทีมส่วนใหญ่ และ checkpoint ฐานคือจุดเริ่มต้นที่ยากที่สุดเท่าที่จะเป็นไปได้สำหรับเส้นทางนั้น — โดยปกติคุณจะเริ่มจาก LFM2.5-2.6B ที่ผ่านการ post-train แล้วและ fine-tune ต่อจากจุดนั้น ไม่ใช่จาก Base

เลือก Base checkpoint หากคุณต้องการให้โมเดลอยู่ในพื้นที่ที่เครือข่ายเข้าไม่ถึง หรือหากคุณตั้งใจจะเป็นเจ้าของ weights อย่างถาวรและมีขีดความสามารถทางวิศวกรรมเพียงพอที่จะทำให้มันคุ้มค่า ในกรณีนั้น ให้เผื่องบประมาณสำหรับประเด็นเรื่องสัญญาอนุญาตไว้ด้วย เช่นเดียวกับการรันฝึกโมเดล

ทั้งสองตัวไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และจะไม่มีวันอยู่ด้วย: LFM2.5 2.6B Base เป็นเช็กพอยต์ที่รันอยู่ในเครื่อง ส่วน Snap 1.1 ให้บริการผ่าน API ของ Subquadratic ที่ console.subq.ai เท่านั้น สิ่งที่ OrcaRouter ทำในไปป์ไลน์ที่สร้างขึ้นรอบโมเดลใดโมเดลหนึ่งในสองตัวนี้ คือชั้นที่เปลี่ยนการตัดสินใจให้กลายเป็นการลงมือทำ — โมเดลสำหรับงานสร้างมากกว่า 200 โมเดลภายใต้คีย์เดียว ราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยไม่บวกเพิ่ม 0% และการสลับไปใช้ตัวสำรองอัตโนมัติ เพื่อให้การเรียกเราเตอร์ที่ไปตกอยู่บนโมเดลซึ่งใช้งานไม่ได้ชั่วคราวไม่กลายเป็นคำขอที่หลุดหายไป ชั้นการตัดสินใจและชั้นการเขียนมีรูปแบบความล้มเหลวที่ต่างกัน จึงควรหลีกเลี่ยงการวางทั้งสองชั้นไว้บน dependency เดียวกัน

สิ่งที่ควรจับตามองไม่ใช่แถวผลลัพธ์บน benchmark ของโมเดลใดโมเดลหนึ่ง แต่เป็นว่า checkpoint ขนาด 2.6 พันล้านพารามิเตอร์ที่ fine-tune ด้วยตัวอย่างเฉพาะโดเมนเพียงไม่กี่พันตัวอย่างจะเทียบเท่าโมเดลตัดสินใจที่สร้างขึ้นมาเพื่อวัตถุประสงค์เฉพาะบนงานเดียวที่ทีมมีอยู่จริงได้หรือไม่ ในงานจำแนกประเภทที่แคบและติดป้ายกำกับไว้อย่างดี คำตอบในอดีตคือได้ และนี่คือเหตุผลที่คำถามเรื่องซื้อหรือสร้างเองในกรณีนี้ยังเปิดอยู่จริง ๆ ไม่ใช่แค่คำถามเชิงวาทศิลป์