Beam 1.0 vs LFM2.5 2.6B Base: Một nền tảng chưa hoàn thiện và một gã khổng lồ đã hoàn thiện

Một mô hình chưa được dạy để trả lời câu hỏi đang được đem so sánh với một mô hình đã được dạy để lập kế hoạch. LFM2.5 2.6B Base là checkpoint tiền huấn luyện 2,698 tỷ tham số của Liquid AI, được công bố vào ngày 4 tháng 8 năm 2026 theo LFM Open License v1.0 và được mô tả rõ ràng là nền tảng để tinh chỉnh — nó chỉ xử lý văn bản, gồm 30 lớp tích chập lai và attention truy vấn theo nhóm, và nó chưa được hậu huấn luyện. Reflection Beam 1.0 là một mô hình mixture-of-experts thưa với tổng cộng 501,3 tỷ tham số và 23,4 tỷ tham số hoạt động, được hậu huấn luyện qua các giai đoạn giám sát và tăng cường, rồi được phát hành dưới dạng trọng số có thể tải xuống vào ngày 16 tháng 10 năm 2026 theo Apache 2.0, sau thông báo ngày 5 tháng 10 năm 2026. Khoảng cách về kích thước là 185 so với 1. Khoảng cách thực sự quyết định phép so sánh này không phải là kích thước — mà là một trong hai là một nền tảng thô để bạn hướng một lần chạy huấn luyện vào, còn cái kia là một sản phẩm để bạn phục vụ.

Cả hai đều có trên Hugging Face. Cả hai đều có thể tải xuống ngay hôm nay. Cả hai đều yêu cầu bạn tự lo phần cứng. Đó là toàn bộ điểm chồng lấn, và đọc đối chiếu chúng với nhau là một cách hữu ích để thấy hệ sinh thái open-weights gắn nhãn khác nhau ra sao cho hai thứ mà nó xếp vào cùng một thẻ.

Hai bản phát hành, được mô tả đúng như cách các nhà xuất bản của chúng mô tả.

LFM2.5 2.6B Base có tên đầy đủ hơn là LFM2.5-2.6B-Base. Thẻ mô hình của nó liệt kê tổng cộng 2,698 tỷ tham số, 30 lớp trong đó 22 lớp là khối tích chập ngắn có cổng kép và tám lớp là attention truy vấn theo nhóm, ngân sách huấn luyện 34 nghìn tỷ token, vốn từ 128.000 token và độ dài ngữ cảnh 131.072 token. Nó hỗ trợ 16 ngôn ngữ. Đây là một trong hai mô hình: Liquid AI cũng công bố LFM2.5-2.6B, được huấn luyện hậu kỳ cho các tác vụ agentic, và đây là checkpoint thô mà mọi biến thể trong dòng họ đều bắt nguồn từ đó. Theo chính thẻ mô hình, mô hình nền là checkpoint chỉ văn bản đã được tiền huấn luyện dùng để tạo ra tất cả các biến thể khác. Đã có mười sáu dẫn xuất được tinh chỉnh nằm dưới nó trên Hub.

Beam 1.0 là cách bố trí ngược lại. Reflection đi kèm tổng cộng 501.3B tham số, với 23.4B hoạt động trên mỗi token qua 52 lớp — ba lớp dense và 49 lớp mixture-of-experts, 256 chuyên gia được định tuyến tám chuyên gia mỗi lần trong cấu hình này. Cửa sổ ngữ cảnh là 1,000,000 token. Phương thức chỉ có văn bản, và thẻ mô hình ghi rõ như vậy không rào đón. Nó có mặt ở ba độ chính xác: BF16, FP8 và NVFP4, cùng với một mô hình dự thảo giải mã suy đoán DFlash2 2B. Mẫu trò chuyện của nó chạy định dạng Harmony đã sửa đổi với các kênh phân tích và kênh cuối, cùng một thiết lập nỗ lực suy luận với sáu mức được đặt tên. Bốn kho lưu trữ của nó được công bố cùng ngày, 16 tháng 10 năm 2026, và Artificial Analysis đã ghi nhận bản phát hành trên trang mô hình của mình là 16 tháng 10 năm 2026.

Đọc lại hai đoạn văn đó và hình hài của sự việc hiện ra. Liquid AI đã công bố một thành phần. Reflection đã công bố một hệ thống hoàn chỉnh với một định dạng truyền dữ liệu và một nút điều chỉnh nỗ lực. Cả hai đều được gọi là “mở”, và từ đó đang đảm nhiệm hai công việc khác nhau.

Giấy phép là điểm mà hai thứ ít giống nhau nhất.

Đây là sự so sánh mà bạn không thể có được chỉ từ việc đếm tham số, và đây cũng là sự so sánh có hệ quả thực tiễn lớn nhất.

Beam 1.0 dùng Apache 2.0. Đây là một giấy phép permissive tiêu chuẩn, không giới hạn người dùng, không có ngưỡng người dùng hoạt động hàng tháng và không có gói thương mại riêng. Hãy tải về, tinh chỉnh, phân phối lại bản phái sinh, bán kết quả. Thẻ này cũng kèm theo Hướng dẫn Sử dụng có Trách nhiệm và một báo cáo kỹ thuật an toàn riêng; đây là các tài liệu chính sách chứ không phải những hạn chế của giấy phép — chúng điều chỉnh việc sử dụng được chấp nhận, chứ không điều chỉnh trọng số.

LFM2.5 2.6B Base thì không. Hub gắn thẻ nó là license:other và gọi tên giấy phép là LFM Open License v1.0. Khác biệt trên thực tế không nằm ở chỗ một bên là giấy phép thông thoáng còn bên kia thì không — giấy phép của Liquid AI được viết cho mục đích sử dụng mở — mà ở chỗ hai giấy phép phải được đọc theo những cách khác nhau, và chỉ một trong hai mới có thể được tóm tắt trong một câu. Nếu kế hoạch của bạn liên quan đến việc phân phối lại một sản phẩm phái sinh cho mục đích thương mại, thì phần Apache 2.0 của trang này không cần phân tích gì. Phía LFM đòi hỏi bạn phải đọc giấy phép, bởi vì một giấy phép tùy chỉnh, theo định nghĩa, là một văn bản mà ai đó đã viết một cách có chủ đích.

Sự bất đối xứng đó lại diễn ra theo hướng ngược lại trên trục còn lại. Checkpoint của Liquid AI có 2,698 tỷ tham số của mô hình văn bản dày đặc, nghĩa là câu hỏi về giấy phép gắn liền với thứ bạn có thể đặt trên một GPU tiêu dùng duy nhất hoặc một thiết bị biên. Giấy phép Apache 2.0 của Reflection gắn liền với một mô hình 501 tỷ tham số có trọng số bfloat16 lên tới khoảng một terabyte và biến thể bốn-bit của nó vẫn được liệt kê ở 255B. Một giấy phép permissive trên một mô hình bạn không thể lưu trữ là một loại tự do khác với một giấy phép tùy chỉnh trên một mô hình bạn có thể.

Mô hình cơ sở có thể làm được gì và không thể làm được gì

Một bài viết về một checkpoint base phải nói thẳng điều này, vì đó là cách phổ biến nhất khiến người ta lãng phí cả một buổi chiều. LFM2.5 2.6B Base chưa được tinh chỉnh theo chỉ dẫn. Nó sẽ viết tiếp văn bản của bạn. Nó sẽ không trả lời câu hỏi của bạn, không tuân theo định dạng của bạn, không gọi công cụ của bạn hay dừng lại khi bạn muốn. Nó là một điểm khởi đầu mà hành vi của nó là bất cứ điều gì bạn huấn luyện vào đó, và Liquid AI nói rõ như vậy trong phần mô tả mô hình thay vì để người dùng tự khám phá.

Đó không phải là một khiếm khuyết và cũng không phải là một phiên bản nhỏ hơn của Beam 1.0. Lần huấn luyện tiền kỳ với 34 nghìn tỷ token và kiến trúc lai 30 lớp chính là sản phẩm; việc thiếu căn chỉnh mới là điểm mấu chốt, bởi căn chỉnh mang tính đặc thù theo từng tác vụ, và một phòng thí nghiệm phát hành mô hình nền tảng là đang chủ ý trao quyết định đó cho bất kỳ ai sở hữu tác vụ. Mười sáu bản phái sinh trên Hub chính là diện mạo thực tế của thỏa thuận này.

Hệ quả đối với việc đánh giá là không có bảng điểm chuẩn nào để so sánh. Thẻ mô hình của Beam 1.0 có đầy đủ một bảng như vậy — SWE-bench Verified 81.6% trên BF16, Terminal Bench v2.1 80.1, GPQA Diamond 90.6, AIME 2026 97.7, LiveCodeBench 88.3, MCP Atlas 80.8, IFBench 79.6, tất cả đều do nhà cung cấp báo cáo và không có kết quả nào được bên thứ ba tái lập — bởi vì nó là một mô hình hậu huấn luyện được xây dựng cho các khối lượng công việc được đặt tên cụ thể và đó là bằng chứng mà người mua của nó yêu cầu. LFM2.5 2.6B Base không có bảng nào, theo thiết kế. Không có gì để cho điểm: chất lượng của checkpoint là do quá trình tinh chỉnh của bạn tạo nên, và điểm so sánh trung thực là một lần chạy huấn luyện, không phải một dòng trên bảng xếp hạng.

Tiền đi đâu

Cả hai mô hình này đều không có trong danh mục của OrcaRouter. Điều chúng tôi định tuyến là thế giới được phục vụ xung quanh chúng: hơn 200 mô hình đằng sau một khóa tương thích OpenAI, giá niêm yết của nhà cung cấp được chuyển nguyên với mức markup 0%, với tính năng tự động chuyển đổi dự phòng giữa các nhà cung cấp để một tuyến bị suy giảm sẽ định tuyến lại thay vì thất bại. Điều đó đáng để nêu tên ở đây vì một lý do cụ thể, bởi vì hai mô hình trên trang này nằm ở hai đầu đối lập của cùng một câu hỏi mua sắm.

LFM2.5 2.6B Base không tốn gì để tải xuống nhưng tốn mọi thứ để vận hành, theo nghĩa chi phí là một lần chạy huấn luyện và một thiết bị. Beam 1.0 không tốn gì để tải xuống nhưng tốn mọi thứ để vận hành, theo nghĩa chi phí là việc phục vụ một MoE 501B và, tại thời điểm viết bài, Reflection không công bố mức giá API nào. Artificial Analysis ghi các trường giá trên trang của Beam là không có sẵn và lưu ý rằng không có API nào được công khai. Mười hai ngày sau thông báo, mô hình với bảng điểm chuẩn 501 tỷ tham số vẫn không có con số nào mà một đội ngũ tài chính có thể dùng được.

Đối với một độc giả mà nhu cầu thực tế là suy luận trong tuần này trên một khối lượng công việc mà cả hai mô hình đều không được thiết kế để phục vụ — một bộ tóm tắt, một bộ phân loại, một giao diện trò chuyện — thì quyết định không phải là giữa hai mô hình này. Mà là giữa việc tự tinh chỉnh 2,698 tỷ tham số và thuê một thứ đã được căn chỉnh và định giá sẵn, và lựa chọn thứ hai là lựa chọn bạn có thể đo lường trước khi cam kết.

Cái nào bạn thực sự đang tìm kiếm

Hãy chọn LFM2.5 2.6B Basenếu bài toán của bạn hẹp hơn một trợ lý tổng quát. Lý do để chọn một checkpoint base nhỏ là bạn có một nhiệm vụ, bạn có dữ liệu, và bạn thà sở hữu chính thành phẩm đó còn hơn thuê một lần gọi. Ngữ cảnh 131,072 token là hào phóng so với kích thước, độ phủ 16 ngôn ngữ là thật, ngăn xếp tích chập lai được chọn để tối ưu thông lượng trên thiết bị, và giấy phép cho phép bạn phân phối những gì bạn xây dựng. Điều bạn đang đăng ký chính là pipeline tinh chỉnh, harness đánh giá và các quyết định alignment — không thứ nào trong số đó được checkpoint cung cấp.

Hãy chọn Beam 1.0 nếu tác vụ của bạn nằm trong số những tác vụ mà thẻ của nó nêu tên: lập trình, sử dụng công cụ, suy luận ở quy mô kho lưu trữ, thực thi tác tử trong thời gian dài. Bảng đánh giá nhắm thẳng vào loại công việc đó, ngữ cảnh 1M token khớp với nó, các bản dựng FP8 và NVFP4 khiến cuộc bàn luận về phần cứng trở nên dễ nắm bắt hơn so với những gì con số 501B gợi ra, và giấy phép Apache 2.0 mở đường cho một sản phẩm phái sinh thương mại. Điều bạn đang đăng ký chính là hạ tầng phục vụ, một ngân sách suy luận luôn bật mà template không cho phép bạn tắt, cùng một ước tính chi phí mà bạn phải tự lập vì nhà cung cấp chưa công bố con số nào.

Hai mô hình không cạnh tranh với nhau, và việc so sánh rất đáng thực hiện chính vì nó cho thấy cụm “open weights” tự nó nói lên được rất ít. Một nhà phát hành trao cho bạn một thành phần và một ngân sách huấn luyện; nhà kia trao cho bạn một hệ thống với giao thức truyền dữ liệu và một giấy phép mà bạn có thể dán thẳng vào bản đánh giá pháp lý. Việc đọc xem mình được cung cấp cái nào trước khi tải nó về chính là phần lớn công việc.

Điều gì sẽ thay đổi cục diện

Một mức giá API Beam 1.0 được công bố, hoặc một triển khai FP8 lưu trữ kèm bảng giá, sẽ đưa mô hình đó từ cột "tự dựng ước tính" sang cột "so sánh các con số", và đó chính là hàng còn thiếu duy nhất trên tài liệu của nó. Một phép đánh giá độc lập trên trọng số của Beam — điều giờ đã khả thi, vì chúng đã được công khai — sẽ mang lại cho bảng so sánh nhà cung cấp một trọng tài, điều mà LFM2.5 2.6B Base không bao giờ có được vì chưa có gì để chấm điểm. Cho đến khi một trong những điều đó thành hiện thực, tóm tắt chính xác là: một checkpoint nền 2,7 tỷ tham số và một MoE 501 tỷ tham số đã qua huấn luyện hậu kỳ đều miễn phí tải về, đều tốn kém để vận hành bằng những đơn vị tiền tệ hoàn toàn khác nhau, và không cái nào thay thế được cái kia.

Những so sánh như thế này cũng là nơi các kiểu thất bại lộ diện: các sự cố AI và lỗi agent được ghi nhận đằng sau các mô hình thuộc lớp này được tập hợp trong Kho lưu trữ Sự cố AI OrcaRouter, trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.