Tell 1 กับ LFM2.5 2.6B Base: โมเดลเสียงที่คุณเช่าใช้ กับเช็กพอยต์ที่คุณต้องทำต่อให้เสร็จเอง

วาง Tell 1 และ LFM2.5 2.6B Baseไว้ข้างกัน แล้วความต่างด้านขนาดก็ดูเหมือนจะเป็นเรื่องราว: ตัวหนึ่งเป็นโมเดลการให้เหตุผลภายในองค์กรของ Retell ที่อยู่ในแพลตฟอร์มศูนย์ติดต่อ อีกตัวเป็นเช็กพอยต์ข้อความล้วนที่มีพารามิเตอร์ 2.69 พันล้านจาก Liquid AI ซึ่งพอดีอยู่ในไฟล์ขนาด 5.4 GB แต่นั่นไม่ใช่เรื่องราวจริง ๆ เรื่องราวคือ LFM2.5 2.6B Baseเป็นโมเดลฐาน — ไม่เคยผ่านการปรับแต่งตามคำสั่ง และถ้าคุณถามคำถาม มันจะต่อข้อความของคุณแทนที่จะตอบคำถาม — ขณะที่ Tell 1 เป็นองค์ประกอบที่เสร็จสมบูรณ์ของผลิตภัณฑ์ที่รับสายโทรศัพท์เป็นอาชีพ ตัวหนึ่งเป็นวัตถุดิบ อีกตัวเป็นชิ้นส่วนที่ใช้งานได้ซึ่งคุณไม่ได้รับอนุญาตให้ถอดแยก ทุกอย่างด้านล่างนี้ว่าด้วยว่าปัญหาของคุณต้องการสิ่งใดในสองสิ่งนี้จริง ๆ เพราะไม่มีสิ่งใดทดแทนอีกสิ่งได้ และการเปรียบเทียบราคาที่ดูเหมือนจะชัดเจนนั้นเป็นสิ่งที่มีประโยชน์น้อยที่สุดในหน้านี้

จังหวะเวลาก็สำคัญเช่นกัน และนี่คือเหตุผลที่การจับคู่นี้เกิดขึ้นจริงตั้งแต่แรก ทั้งคู่ล้วนเป็นเรื่องใหม่: Liquid AI เปิดตัวตระกูล LFM2.5 ในเดือนสิงหาคม 2026 และ Tell 1 ของ Retell ปรากฏสู่สายตาสาธารณะในเดือนพฤศจิกายน 2026 เมื่อมันขึ้นไปอยู่บนสุดของเบนช์มาร์กที่ Retell เผยแพร่ ทั้งสองไม่ใช่การเปิดตัวที่คุณกำลังอ่านช้าเกินไป ทั้งคู่ยังมีเอกสารสาธารณะน้อยผิดปกติ ด้วยเหตุผลที่ตรงกันข้าม — Liquid ปล่อยเช็กพอยต์ที่ไม่มีคำแนะนำ เพราะคำแนะนำไม่เคยเป็นประเด็นสำคัญ และ Retell ปล่อยโมเดลที่ไม่มีเอกสาร เพราะโมเดลนี้ไม่ใช่ผลิตภัณฑ์ที่ซื้อแยกได้

เริ่มต้นด้วยสิ่งที่ Liquid checkpoint ไม่สามารถทำได้

LFM2.5 2.6B Base เป็นเช็กพอยต์แบบพรีเทรนของตระกูลไฮบริด LFM2.5 จาก Liquid AI: มี 30 เลเยอร์ โดย 22 เลเยอร์เป็นบล็อกคอนโวลูชันสั้นแบบดับเบิลเกต และอีก 8 เลเยอร์เป็น grouped-query attention ฝึกด้วยโทเคนราว 34 ล้านล้านโทเคนจาก 16 ภาษา มีหน้าต่างบริบท 131,072 โทเคน และใช้การควอนไทซ์แบบ Q4_K_M ซึ่งมีขนาดประมาณ 1.67 GB อินพุตเป็นข้อความ เอาต์พุตเป็นข้อความ ไม่มีความสามารถด้านภาพ ไม่มีเสียง ไม่มีเทมเพลตการเรียกเครื่องมือที่คุณพึ่งพาได้ และไม่มีการปรับแต่งด้วยคำสั่ง — และการ์ดโมเดลของ Liquid เองระบุตรงๆ ว่าโมเดลนี้มีไว้สำหรับการไฟน์ทูนอย่างหนัก มากกว่าการพรอมป์ต์

นั่นไม่ใช่ข้อบกพร่อง และการถือว่ามันเป็นข้อบกพร่องคือความผิดพลาดที่พบบ่อยที่สุดในบทวิเคราะห์เกี่ยวกับ base model base checkpoint คือจุดเริ่มต้นที่ถูกต้องเมื่อคุณมีงานที่มีรูปแบบชัดเจน มีตัวอย่างของคุณเองจำนวนมาก และไม่สนใจที่จะจ่ายให้ผู้ขายตามโทเคนเพื่อแก้มัน โมเดล 2.69B ที่ fine-tune บน GPU สำหรับผู้บริโภคหนึ่งตัวแล้วรันแบบ quantised บนแล็ปท็อปหรือโทรศัพท์เป็นสิ่งทางเศรษฐกิจที่แตกต่างจาก hosted API ใด ๆ: ต้นทุนส่วนเพิ่มต่อการเรียกหนึ่งครั้งลดลงไปเหลือประมาณค่าไฟฟ้า และต้นทุนที่คุณจ่ายจริงจะย้ายไปอยู่ที่การติดป้ายข้อมูล การรันฝึก และการประเมินผล

สิ่งที่มันทำไม่ได้คือการถูกนำไปใส่ในบทสนทนาโดยตรง ไม่มีพรอมต์ระบบใดที่จะเปลี่ยนเช็กพอยต์ฐานให้กลายเป็นเอเจนต์ที่เรียกใช้เครื่องมือได้อย่างเชื่อถือได้ และไม่ว่าจะออกแบบพรอมต์มากแค่ไหนก็ทดแทนขั้นตอนหลังการฝึกไม่ได้ หากแผนของคุณคือ "ดาวน์โหลดมันมา ห่อด้วยเซิร์ฟเวอร์ที่เข้ากันได้กับ OpenAI แล้วชี้เอเจนต์เสียงไปที่มัน" แผนนั้นจะล้มเหลวตั้งแต่การเรียกฟังก์ชันครั้งแรก — และความล้มเหลวนั้นจะดูเหมือนปัญหาเรื่องคุณภาพของโมเดล ทั้งที่จริงเป็นเพราะขั้นตอนการฝึกที่ขาดหายไป

แล้ว Tell 1 คืออะไร และทำไมคุณถึงมีมันไม่ได้

Tell 1 เป็นชั้นการให้เหตุผลของสแตกเสียงของ Retell ซึ่งแสดงอยู่บนหน้าแรกของบริษัทภายใต้ “Developed by Retell Labs” ควบคู่กับแฮร์เนสเอเจนต์ที่ประกอบโมเดล ความรู้ และเครื่องมือเข้าด้วยกัน โดยไม่ได้ขายเป็นโมเดล ไม่มีโมเดลการ์ด ไม่มีรีพอซิทอรี ไม่มีตัวเลขหน้าต่างบริบท ไม่มีจำนวนพารามิเตอร์ ไม่มีสัญญาอนุญาต และไม่มีราคาต่อโทเคนเผยแพร่ที่ใดบนเว็บไซต์ของ Retell หลักฐานสาธารณะเชิงปริมาณเพียงอย่างเดียวคือแถวหนึ่งใน Retell vCX Benchmark ซึ่งเป็นลีดเดอร์บอร์ดที่ Retell ดูแลเอง: การปฏิบัติตามคำสั่ง 88.6% 97.2% ในมิติที่ระบุว่า hallucination การเรียกเครื่องมือ 95.4% ภาษาพูด 96.6% ค่าเฉลี่ย 94.45% ด้วยความหน่วงมัธยฐาน 72.5 ms และต้นทุนโมเดล 3.5 เซนต์ต่อนาที

การที่ Tell 1 เป็นการไฟน์ทูนจากโมเดลสาธารณะ โมเดลที่ฝึกตั้งแต่เริ่มต้น หรือโมเดลขนาดเล็กที่กลั่นองค์ความรู้จากโมเดลที่ใหญ่กว่านั้น ไม่ได้ถูกเปิดเผย ค่ามัธยฐาน 72 ms ชี้ว่าเป็นโมเดลขนาดเล็กที่เร็ว มากกว่าโมเดลอเนกประสงค์ระดับแนวหน้า เพราะตัวเลขนั้นอยู่ในช่วงที่เวลาไปกลับยังสแตกการอนุมานของบุคคลที่สามเริ่มมีอิทธิพลเหนือกว่า — แต่นั่นเป็นการให้เหตุผลจากตัวเลขเลเทนซี และตัวเลขเลเทนซีมีสาเหตุได้หลายอย่าง สิ่งที่ไม่ต้องอนุมานคือการจัดแพ็กเกจ: คุณได้ Tell 1 โดยการซื้อเวลาใช้งานบนแพลตฟอร์มของ Retell ในราคา $0.07 ถึง $0.31 ต่อนาที ขึ้นอยู่กับการกำหนดค่า และโมเดลนี้แยกออกจากระบบโทรศัพท์ สแตกเสียงพูด และฮาร์เนสที่ล้อมรอบมันไม่ได้

นี่คือความไม่สมมาตรที่ผู้ซื้อต้องนำมาคิดรวมในราคา LFM2.5 2.6B Base เป็นของคุณในแบบที่โมเดลที่โฮสต์ไว้ไม่มีทางเป็นได้: คุณอ่านเวตของมันได้ ทำควอนไทเซชันได้ ส่งมันไปในแอปได้ และรันมันต่อไปได้ถ้าผู้ขายหายไป Tell 1 พร้อมใช้งานในแบบที่โมเดลที่ดาวน์โหลดได้ไม่มี: มันถูกเชื่อมต่อไว้กับหมายเลขโทรศัพท์ เลเยอร์การผลัดกันพูด และเสียงไว้แล้ว และงานในการทำให้มันฟังดูเป็นมนุษย์ในการโทรจริงนั้นมีคนอื่นทำให้แล้ว

การเปรียบเทียบที่สำคัญจริง ๆ คือ: งบความหน่วงถูกใช้ไปที่ไหน

ทั้งสองโมเดลนี้จะรอดหรือล้มเหลวขึ้นอยู่กับนาฬิกาจับเวลา ซึ่งเป็นเหตุผลว่าทำไมจึงมักถูกเอ่ยถึงในประโยคเดียวกัน แม้ว่าพวกมันจะทำงานต่างกันก็ตาม การโทรศัพท์ให้งบเวลาประมาณ 800 มิลลิวินาทีสำหรับช่วงระหว่างผู้โทรพูดจบประโยคกับเอเจนต์เริ่มพูดประโยคถัดไป ก่อนที่ช่วงหยุดนั้นจะถูกมองว่าเป็นสายหลุด งบเวลานี้ครอบคลุมการรู้จำเสียงพูด การประมวลผลของโมเดล การเรียกใช้เครื่องมือ และการสังเคราะห์เสียงพูด ตามลำดับนี้

• เวลาแฝงของโมเดล — ค่ามัธยฐาน 72.5 มิลลิวินาทีสำหรับ Tell 1 ภายใต้ฮาร์เนสของ Retell เป็นอันดับหนึ่งจาก 62 การกำหนดค่าบนเบนช์มาร์กนั้น; ไม่มีการเผยแพร่สำหรับ LFM2.5 2.6B Base เนื่องจากเช็กพอยต์ฐานไม่มีผลิตภัณฑ์ที่ให้บริการเพื่อวัด และทรูพุตแบบควอนไทซ์ของมันขึ้นอยู่กับฮาร์ดแวร์ของคุณทั้งหมด

• แล้วอะไรอีกที่อยู่ใน 800 ms — สำหรับ Tell 1 ระบบโทรศัพท์และเสียงพูดถูกรวมอยู่ในตัวเลขของแพลตฟอร์ม และ Retell ระบุว่าการตอบสนองแบบ end-to-end โดยทั่วไปอยู่ที่ประมาณ 600 ms; สำหรับสแต็ก LFM2.5 ที่โฮสต์เอง ASR, TTS และเลเยอร์การให้บริการล้วนเป็นสิ่งที่คุณต้องเพิ่มเอง และแต่ละอย่างเป็นการตัดสินใจเลือกผู้จำหน่าย

• Throughput — โมเดลพี่น้องที่ผ่าน post-training โดย Liquid ของเช็กพอยต์นี้ทำงานที่ 220 โทเคนต่อวินาทีบน Apple M5 Max และ 113 โทเคนต่อวินาทีบนซีพียู AMD Ryzen โดยผู้จำหน่ายระบุว่าสามารถทำได้ถึง 30 โทเคนต่อวินาทีบนโทรศัพท์ ความเร็วของโมเดลขนาด 2.69B นั้นขึ้นอยู่กับเครื่องที่ใช้ ไม่ใช่ระดับการให้บริการ

ประโยคสุดท้ายนั้นคือความแตกต่างเชิงชนิดทั้งหมด ความหน่วงของ Tell 1 คือคำสัญญาที่คนอื่นต้องรักษา ส่วนความหน่วงของ LFM2.5 คือคุณสมบัติของฮาร์ดแวร์ที่คุณเลือกเอง หากเป้าหมายการนำไปใช้งานของคุณคือศูนย์รับสายที่มีสายพร้อมกัน 200 สาย สิ่งแรกคือสิ่งที่คุณกำลังซื้อ หากเป็นอุปกรณ์ในคลังสินค้าที่ไม่มีเครือข่าย สิ่งที่สองคือสิ่งเดียวที่มีอยู่

Fine-tuning คือทางแยกที่ต้องเลือก

นี่คือข้อตัดสินใจที่ผมจะพูดให้ชัดที่สุดเท่าที่จะทำได้ เลือก LFM2.5 2.6B Base หากคุณมีงานที่อธิบายได้อย่างแม่นยำ มีตัวอย่างของงานนั้น และมีเหตุผลที่จะไม่ส่งตัวอย่างเหล่านั้นไปยังบุคคลที่สาม — เช่น ขั้นตอนการจำแนกประเภทภายในลำดับการโทร ตัวสรุปเฉพาะโดเมน หรือเราเตอร์บนอุปกรณ์ที่ตัดสินว่าคำขอคืออะไร โมเดลมีขนาดเล็กพอที่การ fine-tune จะใช้เวลาหนึ่งบ่ายแทนที่จะเป็นหนึ่งไตรมาส หน้าต่างบริบทใหญ่พอสำหรับเอกสารจริง และสัญญาอนุญาตอนุญาตให้ใช้เชิงพาณิชย์ได้เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ โดยต้องมีข้อตกลงแยกต่างหากเมื่อถึงหรือเกินระดับนั้น เกณฑ์ดังกล่าวเป็นข้อเท็จจริงด้านการจัดซื้อจัดจ้างและควรอยู่ในข้อตัดสินใจ ไม่ใช่ในเชิงอรรถ

เลือก Tell 1 หากคุณกำลังซื้อเอเจนต์โทรศัพท์มากกว่าโมเดล และโดยเฉพาะอย่างยิ่งหากสิ่งที่คุณสร้างเองไม่ได้คือส่วนต่อประสานการสนทนา ได้แก่ การจัดการการพูดขัด การใช้ถ้อยคำแบบภาษาพูด และพยางค์แรกที่มาถึงเร็วพอจนผู้โทรไม่ทันรู้ว่าเป็นเครื่อง เบนช์มาร์กของ Retell ระบุว่าสองมิตินี้คือด้านที่ Tell 1 เป็นผู้นำ — อันดับ 1 ด้านภาษาพูด อันดับ 1 ด้านความหน่วง — และระบุชัดเจนเช่นกันว่า Tell 1 ไม่ได้เป็นผู้นำด้านการทำตามคำสั่ง การยึดโยงกับข้อมูล หรือการเรียกใช้เครื่องมือ โดยอยู่ในอันดับที่สอง สอง และห้า ตามลำดับ ทดสอบสามด้านนั้นกับสายเรียกเข้าของคุณเองก่อนจะกำหนดมาตรฐาน เพราะสิ่งเหล่านี้คือด้านที่ทำให้ได้คำตอบผิด ไม่ใช่แค่คำตอบที่ช้ากว่า

ยังมีทางเลือกที่สาม และเป็นทางเลือกที่ทีมส่วนใหญ่ที่มีภาระงานจริงลงเอยด้วย นั่นคือ เก็บโมเดล fine-tune ขนาดเล็กไว้สำหรับส่วนของงานที่แคบและทำซ้ำ ๆ และกำหนดเส้นทางของช่วงที่ยากไปยังโมเดลโฮสต์ขนาดใหญ่กว่า นั่นคือการแบ่งงานแบบที่ชั้นการกำหนดเส้นทางถูกสร้างมาเพื่อรองรับโดยเฉพาะ และเป็นจุดที่แคตตาล็อกของเราเองเข้าได้พอดี ทั้ง Tell 1 และ LFM2.5 2.6B Base ต่างก็ไม่สามารถกำหนดเส้นทางผ่าน OrcaRouter ได้ — เราไม่ได้โฮสต์ทั้งสองตัว — ดังนั้นรูปแบบที่ใช้ได้จริงของสถาปัตยกรรมนี้คือวาง Liquid fine-tune ไว้บนฮาร์ดแวร์ของคุณเอง แล้วส่งเส้นทางการส่งต่อไปยังโมเดลที่เรามีให้บริการ ด้วยคีย์ API เพียงคีย์เดียว ที่ราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม.

อะไรจะเปลี่ยนคำตอบ

สำหรับ Tell 1 การเผยแพร่สามรายการจะทำให้มันเปลี่ยนจาก "การทดสอบภายในแพลตฟอร์ม" ไปสู่ "การพิจารณามาตรฐาน": การ์ดโมเดลที่ระบุสถาปัตยกรรมและข้อมูลฝึกอบรม ราคาต่อโมเดลเพื่อให้สามารถแยกต้นทุนออกจากแพ็กเกจรายนาทีได้ และการประเมินที่ดำเนินการโดยบุคคลอื่นที่ไม่ใช่ Retell บันทึกปัจจุบันมีเพียงหนึ่งแถวบนลีดเดอร์บอร์ดของผู้ขายเอง และการที่ผู้ขายจัดอันดับตัวเองเป็นที่หนึ่งบนฮาร์เนสของตัวเองนั้นเป็นสมมติฐาน ไม่ใช่ผลลัพธ์

สำหรับ LFM2.5 2.6B Base สิ่งที่ยังขาดอยู่ไม่ใช่เอกสาร แต่คือการ fine-tune ด้วยข้อมูลของคุณเอง เช็กพอยต์นั้นสมบูรณ์และสัญญาอนุญาตอ่านได้ ซึ่งหมายความว่าสิ่งเดียวที่ยังไม่รู้คือโมเดลขนาด 2.69B ที่ฝึกด้วยข้อมูลของคุณจะผ่านเกณฑ์ในงานของคุณหรือไม่ นั่นคือคำถามที่คุณตอบได้ภายในสัปดาห์นี้ด้วย GPU หนึ่งตัว และการอ่านมากแค่ไหนก็ไม่สามารถตอบแทนคุณได้ นั่นคือข้อแลกเปลี่ยนในหนึ่งประโยค: Tell 1 ช่วยให้คุณไม่ต้องทำงานวิศวกรรมและเอาการควบคุมไปจากคุณ; LFM2.5 2.6B Base ให้การควบคุมแก่คุณและทำให้คุณต้องลงมือทำงานวิศวกรรมเอง