ZwZ2-9B กับ LFM2.5 2.6B Base: ข้อผิดพลาดทางหมวดหมู่ที่ควรค่าแก่การทำความเข้าใจ

การวาง ZwZ2-9B ไว้ข้าง ๆ LFM2.5 2.6B Base ดูเหมือนเป็นการเปรียบเทียบขนาด แต่ไม่ใช่ ZwZ2-9B เป็นเช็กพอยต์แบบภาพ-ภาษาที่มี 9.41 พันล้านพารามิเตอร์ ซึ่ง inclusionAI โพสต์เมื่อวันที่ 16 ตุลาคม 2026 โดยไม่มีโมเดลการ์ด ในขณะที่ LFM2.5 2.6B Base เป็นโมเดลที่ผ่านการฝึกมาก่อนแบบข้อความล้วนที่มี 2.697 พันล้านพารามิเตอร์ ซึ่ง Liquid AI เผยแพร่เมื่อวันที่ 1 สิงหาคม 2026 พร้อมการ์ดที่ระบุด้วยคำของมันเองว่าเป็นเช็กพอยต์ "ที่ใช้สร้าง LFM2.5-2.6B ทุกเวอร์ชัน" อย่างหนึ่งคือสิ่งที่คุณนำไปใช้ อีกอย่างคือสิ่งที่คุณสร้างต่อยอดบนนั้น การเลือกระหว่างสองสิ่งนี้ไม่เหมือนการเลือกระหว่างรถสองคัน — มันเหมือนการเลือกระหว่างรถกับบล็อกเครื่องยนต์ และคำถามที่มีประโยชน์เพียงข้อเดียวคือคุณต้องการสิ่งไหนจริง ๆ

บทความนี้ทำสองอย่าง มันให้ตัวเลขจริงของทั้งสองฝั่ง เพราะคุณมาที่นี่เพื่อมองหาการเปรียบเทียบ และตัวเลขเหล่านั้นก็คุ้มค่าที่จะรู้ จากนั้นมันจะอธิบายความแตกต่างที่การเปรียบเทียบซ่อนไว้ เพราะการเข้าใจผิดตรงจุดนั้นคือสาเหตุที่ทีมต่าง ๆ ลงเอยด้วยการทำไฟน์จูนไปแล้วสามสัปดาห์ทั้งที่ไม่จำเป็น หรือรันโมเดลเซิร์ฟเวอร์ขนาด 9.4B กับงานที่โมเดลแล็ปท็อปขนาด 3B ก็จัดการได้อยู่แล้ว

แต่ละสิ่งเหล่านี้คืออะไรกันแน่

LFM2.5 2.6B Base ถูกปล่อยออกมาอย่างจงใจให้ยังไม่สมบูรณ์ มันคือเช็กพอยต์ที่ผ่านการฝึกมาก่อน (pre-trained checkpoint) ซึ่งเป็นรากฐานของตระกูล LFM2.5-2.6B จาก Liquid AI — ประกอบด้วย 30 เลเยอร์ที่สลับกันระหว่างบล็อกการคอนโวลูชันแบบสั้นที่มีเกตคู่ (double-gated short-convolution blocks) กับการให้ความสนใจแบบกลุ่มคิวรี (grouped-query attention) ผ่านการฝึกมาก่อนด้วยโทเคน 34 ล้านล้านโทเคน มีคลังคำศัพท์ 128,000 โทเคน และเพดานตำแหน่ง 128,000 ตำแหน่ง รองรับเฉพาะข้อความเท่านั้น มันถูกออกแบบมาสำหรับการติดตั้งใช้งานบนอุปกรณ์ (on-device deployment) ซึ่งเป็นถ้อยคำที่ Liquid AI ใช้ในเอกสารข้อมูล และจุดสำคัญทั้งหมดของคำต่อท้าย "Base" ก็คือ เวอร์ชันสนทนาที่ผ่านการฝึกภายหลังและเวอร์ชันเอเจนต์นั้นเป็นไฟล์ดาวน์โหลดแยกต่างหากที่พัฒนามาจากมัน คุณมีไว้เพื่อปรับแต่งละเอียด (fine-tune) หรือกลั่นความรู้เข้าสู่มัน (distil) เมื่อนำมาใช้ทันทีมันยังไม่ใช่ผู้ช่วย

ZwZ2-9B เป็นวัตถุประเภทตรงกันข้าม มันเป็นเช็กพอยต์ที่ขึ้นรูปเสร็จแล้วแต่ยังไม่ได้รับการอธิบาย คอนฟิกของมันมี vision tower 27 ชั้น, token id สำหรับภาพและวิดีโอ, ตัวประมวลผลวิดีโอที่จำกัดไว้ที่ 768 เฟรม, เทมเพลตแชทที่มี system prompt เริ่มต้นฝังมาในตัว, และ 24 จาก 32 เลเยอร์ของมันใช้ linear attention แทนแคช key-value ที่ขยายขึ้นเรื่อย ๆ นั่นคือเป้าหมายสำหรับการดีพลอย ไม่ใช่ฐานสำหรับการเทรน สิ่งที่ขาดหายไปคือทุกอย่างที่ผู้ซื้อจะถามหา: ไม่มีฟิลด์ไลเซนส์, ไม่มีผลการประเมิน, ไม่มีคำชี้แจงว่ามันถูกเทรนบนอะไร, และไม่มีรายการอยู่ในคอลเลกชันสาธารณะสิบชุดของ inclusionAI

• พารามิเตอร์ — ZwZ2-9B: 9,409,813,744. LFM2.5 2.6B Base: 2.697 พันล้าน

• วัตถุประสงค์ — เช็กพอยต์มัลติโหมดที่จัดรูปสำหรับการนำไปใช้งาน เทียบกับโมเดลฐานที่ผ่านการฝึกมาแล้วสำหรับการปรับละเอียด

• โมดัลลิตีใน — ข้อความ รูปภาพ และวิดีโอ เทียบกับข้อความเท่านั้น

• เพดานคอนเท็กซ์ — 262,144 ตำแหน่ง เทียบกับ 128,000 (การ์ดสเปกของ Liquid AI ปัดเศษนี้เป็น 131,072)

• คำศัพท์ — 248,320 เทียบกับ 128,000

• การออกแบบกลไก Attention — เลเยอร์เชิงเส้น 24 ชั้น บวกเลเยอร์ full-attention 8 ชั้น เทียบกับเลเยอร์คอนโวลูชัน 22 ชั้น บวกเลเยอร์ attention 8 ชั้น

• สัญญาอนุญาต — ไม่มีการระบุ เทียบกับ LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตแบบกำหนดเอง ไม่ใช่ Apache-2.0

• เอกสารประกอบ — ไม่มี เทียบกับโมเดลการ์ด รายงานทางเทคนิค และงบประมาณการฝึกที่ระบุไว้

สองบรรทัดตรงนั้นน่าสนใจกว่าที่เห็น ทั้งสองโมเดลลงเอยที่เลเยอร์ attention 8 ชั้นพอดี และทั้งคู่เติมส่วนที่เหลือด้วยอะไรที่ถูกกว่า — ZwZ2-9B ด้วย recurrent linear attention, LFM2.5 2.6B Base ด้วย short convolutions การบรรจบกันนั้นไม่ใช่เรื่องบังเอิญ มันคือสิ่งที่ "efficient architecture" หมายถึงในช่วงสองปีที่ผ่านมา ซึ่งมาบรรจบจากทิศทางตรงข้ามและสเกลตรงข้าม และเพดาน context ก็ไม่ใช่การแข่งขัน: 262,144 เทียบกับ 128,000 แทบไม่ได้บอกอะไรเลย เพราะโมเดล 2.7B ถูกสร้างมาเพื่อวางบนแล็ปท็อปที่ cache ขนาดสองแสนห้าหมื่นโทเคนไม่ใช่ชุดการทำงานที่สมจริง

คำว่า "Base" คือทั้งหมดของการตัดสินใจ

ถ้าคุณจะได้อะไรไปเพียงอย่างเดียวจากการจับคู่นี้ จงเอาสิ่งนี้ไป แบสเช็กพอยต์ (base checkpoint) ไม่มีความสามารถในการทำตามคำสั่ง ไม่มีการจัดรูปแบบแชตที่พอจะพึ่งพาได้ และไม่มีการปรับแต่งด้านความปลอดภัย — และนั่นคือข้อดีถ้าคุณกำลังสร้างโมเดลเฉพาะทาง เพราะมันหมายความว่าคุณไม่ได้ต้องต่อสู้กับการจัดแนวของคนอื่นเมื่อคุณฝึกโมเดลของคุณเอง แต่มันเป็นข้อบกพร่องถ้าคุณต้องการผู้ช่วย เพราะคุณจะใช้เวลาสองสัปดาห์แรกไปกับการค้นพบซ้ำว่าโมเดลที่ผ่านการฝึกมาก่อนจะเติมข้อความให้สมบูรณ์มากกว่าจะตอบคำถาม

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

การคำนวณเรื่องการดีพลอย ซึ่งเป็นจุดที่ความแตกต่างที่แท้จริงอยู่

โมเดลข้อความขนาด 2.697B และโมเดลวิชันขนาด 9.41B ไม่ใช่ทางเลือกที่ใช้บนฮาร์ดแวร์เดียวกัน เบส LFM2.5 ถูกสร้างขึ้นสำหรับโทรศัพท์ แล็ปท็อป และเครื่องบอร์ดเดียว แนวทางของ Liquid AI คือการประมวลผลบนอุปกรณ์ และเช็กพอยต์ขนาด 2.7B ที่ควอนไทซ์เป็นสี่บิตมีขนาดเพียงไม่กี่กิกะไบต์ ZwZ2-9B มีวิชันทาวเวอร์ 27 เลเยอร์ พร้อมกับเลเยอร์ภาษาอีก 32 เลเยอร์ และเมทริกซ์การฝังตัวประมาณ 2 GB ในแต่ละทิศทาง — แค่คำศัพท์เพียงอย่างเดียวก็เป็นตารางขนาด 248,320 คูณ 4,096 — ดังนั้นจึงเหมาะกับเซิร์ฟเวอร์ หรืออย่างน้อยก็บนเดสก์ท็อปที่มีตัวเร่งความเร็วจริง

นั่นคือเหตุผลว่าทำไมสถาปัตยกรรมที่ตรงไปตรงมาสำหรับทีมส่วนใหญ่จึงไม่ใช่ "เลือกเพียงหนึ่งเดียว" แต่เป็นสองระดับ วางโมเดลขนาดเล็กที่มีเอกสารอธิบายไว้ในจุดที่ความหน่วงและความเป็นส่วนตัวสำคัญ และงานมีขอบเขตแคบ แล้วส่งกรณีที่ยากไปยังโมเดลที่โฮสต์ไว้ ซึ่งต้นทุนผันแปรจะปรากฏขึ้นก็ต่อเมื่อมีกรณีที่ยากเท่านั้น การแยกแบบนี้ให้ถูกต้องมีคุณค่ามากกว่าการเลือกโมเดลใดเพียงตัวเดียวในหน้านี้ และยังเป็นสิ่งที่แก้ไขในภายหลังได้ยากที่สุดด้วย เพราะมันเป็นสิ่งที่เข้าไปแตะโค้ดของคุณ

การทำแบบนี้ผ่านอินเทอร์เฟซเดียวคือจุดสำคัญของเราเตอร์ OrcaRouter เปิดให้เข้าถึงโมเดลมากกว่า 200 รายการจากปลายทางที่เข้ากันได้กับ OpenAI เพียงจุดเดียวและคีย์ API เพียงคีย์เดียว โดยมีการสลับสำรองอัตโนมัติ ดังนั้นระดับราคาถูกและระดับราคาแพงจึงต่างกันเพียงสตริงโมเดลเดียว ไม่ใช่การผสานรวมสองอย่าง — และ ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยมีมาร์กอัป 0% ดังนั้นการรันระดับราคาแพงจึงมีค่าใช้จ่ายเท่ากับที่อื่น ๆ เราไม่ได้โฮสต์ LFM2.5 2.6B Base และเราไม่ได้โฮสต์ ZwZ2-9B ดังนั้นทั้งสองรุ่นนี้จึงไม่ใช่สิ่งที่เราจะเรียกใช้แทนคุณได้ — Liquid AI กระจายเวตของตนเองผ่านช่องทางของผู้จำหน่ายเอง และ inclusionAI ไม่ได้เผยแพร่ endpoint ใด ๆ เลย สิ่งที่เราใส่อยู่ฝั่งโฮสต์ของทางแยกนี้ได้ในวันนี้คือ qwen/qwen3-vl-8b-instruct โมเดล vision-language ขนาด 8B ที่มีบริบท 131K โทเคน ในราคา $0.18 ต่อล้านโทเคนอินพุต และ $0.70 ต่อล้านโทเคนเอาต์พุต ซึ่งเป็นตัวแทนทดแทนที่ใกล้เคียงที่สุดที่มีเอกสารระบุสำหรับระดับมัลติโมดัลขนาดเล็ก

การออกใบอนุญาตคือจุดที่สองสิ่งนี้แตกต่างกันมากที่สุด

สัญญาอนุญาตทั้งสองไม่ใช่ Apache-2.0 และเหตุผลก็แตกต่างกันในแง่ที่สำคัญ LFM2.5 2.6B Base เผยแพร่ภายใต้ LFM Open License v1.0 ซึ่งเป็นสัญญาอนุญาตแบบกำหนดเอง — มีการเผยแพร่ สามารถอ่านได้ และเป็นสัญญาอนุญาตเดียวกันกับที่โมเดลอื่นในตระกูลเดียวกันใช้ ซึ่งหมายความว่าการตรวจสอบทางกฎหมายที่คุณทำครั้งเดียวจะครอบคลุมทุกโมเดล LFM2.5 ที่คุณเกี่ยวข้อง ZwZ2-9B ไม่ประกาศสิ่งใดเลย สัญญาอนุญาตที่ขาดหายไปไม่ใช่สัญญาอนุญาตแบบผ่อนปรน หากไม่มีการให้สิทธิ์อย่างชัดแจ้ง การตีความแบบอนุรักษ์นิยมคือไม่มีสิทธิ์ใดๆ ได้รับการมอบให้ และนั่นเป็นสถานะที่แย่กว่าอย่างมีนัยสำคัญเมื่อเทียบกับสัญญาอนุญาตแบบกำหนดเองที่คุณสามารถอ่านและประเมินได้

สำหรับเช็กพอยต์ฐานที่คุณตั้งใจจะไฟน์จูนและอาจแจกจ่ายซ้ำ นี่ไม่ใช่เรื่องเชิงอรรถ ข้อกำหนดเกี่ยวกับงานดัดแปลงเป็นข้อที่สัญญาอนุญาตแบบกำหนดเองมักมีความเห็นอยู่พอดี และการไม่มีข้อกำหนดใด ๆ เลยก็ไม่ได้คลี่คลายไปในทางที่เป็นประโยชน์ต่อคุณ

วิธีเลือก กล่าวอย่างตรงไปตรงมา

เลือก LFM2.5 2.6B Base หากคุณมีงานด้านข้อความที่เฉพาะเจาะจง มีอุปกรณ์เป้าหมาย และมีความกระตือรือร้นที่จะรันการฝึกของคุณเอง — และยอมรับว่าคุณคือผู้ที่ต้องมอบความสามารถในการทำตามคำสั่งให้เอง งบประมาณการฝึกที่บันทึกไว้และสัญญาอนุญาตที่ระบุไว้ของมันหมายความว่าคุณรู้ว่าคุณกำลังเริ่มต้นจากอะไร

เลือก ZwZ2-9B หากคุณต้องการภาพหรือวิดีโอในอินพุต มี GPU พอที่จะให้บริการโมเดลขนาด 9.4B และยินดีเป็นองค์กรแรกบนโลกที่นำมันไปประเมิน ประโยคสุดท้ายนั้นไม่ใช่คำพูดเชิงวาทศิลป์ ก่อนตัดสินใจ คำถามที่ต้องตอบคือ มันรองรับรูปแบบภาพของคุณหรือไม่ มันคืนเชปของเอาต์พุตที่คุณต้องการเมื่อปิดการคิดหรือไม่ และคุณจะอยู่ภายใต้สัญญาอนุญาตใดกันแน่ สองในสามข้อนั้นมีคำตอบอยู่ในรีโพซิทอรี ข้อที่สามไม่มี

เบนช์มาร์กนั้นเก่าไปตามกาลเวลาและราคาเปลี่ยนแปลง แต่บันทึกความล้มเหลวไม่เป็นเช่นนั้น: เหตุการณ์ AI และความล้มเหลวของเอเจนต์ที่บันทึกไว้ซึ่งอยู่เบื้องหลังโมเดลในคลาสนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตนเอง