HiRO-ACEv2 vs LFM2.5 2.6B Base: Không bên nào là sản phẩm, và cách chúng chưa hoàn thiện không giống nhau

Đặt HiRO-ACEv2và LFM2.5 2.6B Basecạnh nhau, và điều đầu tiên bạn nhận ra là cả hai đều không phải thứ mà một lập trình viên có thể gọi dùng ngay. HiRO-ACEv2 là trình mô phỏng khí hậu thế hệ thứ hai của Ai2, được tải lên dưới dạng một kho Hugging Face 10,9 GB vào ngày 12 tháng 10 năm 2026 mà không hề có thông báo nào, kèm một bản preprint đề ngày hôm sau; LFM2.5 2.6B Base là checkpoint tiền huấn luyện 2,69 tỷ tham số của Liquid AI, được tạo vào ngày 1 tháng 8 năm 2026, và chính nhà cung cấp của nó mô tả thẳng thừng rằng đây là checkpoint mà bạn chỉ dùng đến khi cần tinh chỉnh đáng kể. Cả hai đều là nguyên liệu thô. Cả hai đều có thể tải về ngay hôm nay. Và những phương diện khiến mỗi bên chưa phải là một sản phẩm hoàn chỉnh thì gần như trái ngược nhau hoàn toàn — đó là lý do duy nhất khiến việc so sánh này đáng để viết ra thay vì gạt bỏ.

Checkpoint Base còn chưa hoàn thiện vì nó chưa được dạy cách tuân theo hướng dẫn. HiRO-ACEv2 chưa hoàn thiện theo nghĩa nó sẽ không bao giờ là một mô hình đa dụng — nó là một ứng dụng đã được huấn luyện sẵn, đã được chuyên biệt hóa sẵn, và đã được bao bọc sẵn trong những giới hạn được nêu rõ. Một cái là nền tảng đang chờ một mục đích. Cái kia là một mục đích không có nền tảng cho bất cứ thứ gì khác.

Mỗi kho lưu trữ thực sự chứa những gì

Kho lưu trữ Base của Liquid AI là một mô hình. Thẻ mô hình liệt kê 2,69 tỷ tham số trải khắp 30 lớp — 22 khối tích chập ngắn cổng kép và 8 lớp attention truy vấn theo nhóm, một cách bố trí lai mà dòng LFM2 được xây dựng xoay quanh — với cửa sổ ngữ cảnh 131.072 token, vốn từ vựng 128.000 mục, 34 nghìn tỷ token tiền huấn luyện và bao phủ 16 ngôn ngữ gồm tiếng Anh, tiếng Ả Rập, tiếng Trung, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Nhật, tiếng Hàn, tiếng Bồ Đào Nha, tiếng Tây Ban Nha, tiếng Việt, tiếng Thái, tiếng Indonesia, tiếng Hindi, tiếng Nga và tiếng Ba Lan. Nó chỉ xử lý văn bản và không được tinh chỉnh theo chỉ dẫn. Các định dạng tải xuống trải dài từ checkpoint Transformers gốc cho đến GGUF dành cho llama.cpp, ONNX để triển khai đa nền tảng và MLX cho Apple silicon; lượng tử hóa Q4_K_M có dung lượng khoảng 1,67 GB.

Kho lưu trữ của Ai2 không phải là một mô hình theo nghĩa đó. Nó chứa hai checkpoint — HiROv2.ckpt khoảng 1.28 GiB và ACE2S-X-SHiELD.ckpt khoảng 2.98 GiB — cùng với mười năm dữ liệu forcing NetCDF với khoảng 609 MB mỗi tệp, hai tệp điều kiện ban đầu, ba cấu hình YAML và một tập lệnh shell. Khoảng 4.3 GiB trọng số thực tế chỉ là phần nhỏ trong tổng số 10.9 GB; phần lớn những gì bạn tải xuống là cửa sổ dữ liệu đầu vào mà framework được xây dựng để tiêu thụ. Không có lượng tử hóa, không có môi trường chạy thay thế, không có xuất ONNX và không có biến thể nhỏ hơn. Chỉ có một cách để chạy nó, và README mô tả điều đó: cài đặt fme gói của Ai2, sửa bốn đường dẫn trong cấu hình, thực thi tập lệnh.

Hai loại vấn đề giấy phép khác nhau

Các thẻ giấy phép là nơi sự tương phản trở nên mang tính thực tiễn thay vì triết lý, và cũng là nơi cặp này thực sự khác biệt so với một mô hình như các bản phát hành Apache-2.0 mà bạn có thể mong đợi tìm thấy ở đây.

• HiRO-ACEv2 — Apache 2.0, với Ai2's Responsible Use Guidelines gắn mục đích nghiên cứu và giáo dục vào việc cấp phép, và dữ liệu huấn luyện được ghi nguồn cho X-SHIELD, do GFDL cung cấp.

• LFM2.5 2.6B Base — LFM Open License v1.0, không phải là giấy phép permissive kiểu OSI. Các điều khoản của nó nằm trong tệp LICENSE của chính kho lưu trữ, và các điều kiện thương mại là lý do để đọc tệp đó thay vì thẻ trước khi bạn xây dựng sản phẩm dựa trên checkpoint.

• Điều đó có nghĩa gì đối với bản fork mà bạn sắp thực hiện — với HiRO-ACEv2, câu hỏi đặt ra là liệu mục đích sử dụng của bạn có phải là nghiên cứu hay không; với LFM2.5 2.6B Base, câu hỏi đặt ra là liệu mục đích sử dụng của bạn có mang tính thương mại hay không, và ở quy mô nào. Những câu hỏi khác nhau, những câu trả lời khác nhau, và cả hai đều không thể được giải đáp chỉ bằng từ "mở."

Các hình dạng đầu ra không có điểm gì chung, và đó chính là điểm hữu ích.

Checkpoint Base tạo ra văn bản. Từng token một, theo cơ chế tự hồi quy, với bề mặt lấy mẫu thông thường — thẻ mô hình gợi ý temperature 0.6 và top-p 0.95 cho phong cách sinh của phiên bản anh em đã qua huấn luyện hậu kỳ, còn checkpoint Base thì yêu cầu bạn tự quyết định điều đó. Mọi thứ phía sau nó đều là một tác vụ ngôn ngữ: tiếp tục một tài liệu, phân loại một span, dịch, xuất dữ liệu có cấu trúc, hoặc làm điểm khởi đầu cho một lần tinh chỉnh nhằm dạy nó một lĩnh vực hoặc một ngôn ngữ mà nó hiện chưa bao phủ tốt.

HiRO-ACEv2 tạo ra các trường vật lý dạng lưới ở độ phân giải 3 km — tốc độ mưa bề mặt được trung bình hóa theo chu kỳ sáu giờ, gió tức thời ở 10 mét theo hướng đông và hướng bắc, và áp suất mực nước biển — được hạ quy mô từ đầu vào 100 km bằng một mô hình khuếch tán, trong đó bản thân trạng thái thô được sinh ra một cách tự hồi quy bởi một bộ giả lập riêng của X-SHIELD. Chẳng có phần nào của pipeline đó là văn bản. Phép đánh giá thực sự quan trọng là liệu phân bố của đầu ra có khớp với một mô phỏng tham chiếu xét tới tận đuôi xa của nó hay không, và bài báo đứng sau bản phát hành nói chính xác về điều đó: các tác giả báo cáo rằng họ theo dõi được các phân bố mưa và gió gần bề mặt tham chiếu tới phân vị thứ 99,9999, và nhìn chung tuân theo phân bố cường độ xoáy thuận nhiệt đới tham chiếu, với chi phí suy luận được tuyên bố thấp hơn hơn 300 lần so với một mô hình số toàn cầu phân giải bão truyền thống.

Cả hai đều là những tuyên bố của nhà cung cấp hoặc tác giả, chưa được tái lập. Khác biệt nằm ở việc người tái lập sẽ phải làm gì. Xác minh một tuyên bố về Base checkpoint đòi hỏi một bộ tác vụ và số giờ GPU tương đương một checkpoint. Xác minh một tuyên bố về HiRO-ACEv2 đòi hỏi một tập dữ liệu cưỡng bức mười năm, một mô phỏng tham chiếu để đối chiếu, và một phân tích phân phối ở vùng đuôi xa — đó là lý do tuyên bố thứ hai có khả năng sẽ còn không bị thách thức lâu hơn đáng kể.

Những gì bạn thực sự sẽ xây dựng trên mỗi cái

Công dụng tự nhiên của checkpoint Base là để thích ứng, và Liquid AI nói về điều đó một cách thẳng thắn đến mức khác thường: các trợ lý chuyên biệt theo ngôn ngữ hoặc lĩnh vực, huấn luyện trên dữ liệu độc quyền, hoặc thử nghiệm các phương pháp hậu huấn luyện mới. Đó là một checkpoint mà giá trị của nó đến sau công việc của bạn, chứ không phải trước đó. Người anh em đã qua hậu huấn luyện — LFM2.5 2.6B, được tạo ra ba ngày trước đó vào ngày 28 tháng 7 — mới là mô hình được xây dựng cho các khối lượng công việc tác tử, và các con số tải xuống nói lên tất cả về việc cộng đồng muốn mô hình nào trong hai mô hình: mô hình đã qua hậu huấn luyện đã vượt 114.000 lượt tải xuống và 823 lượt thích tính đến giữa tháng 10, so với 6.282 lượt tải xuống và 51 lượt thích của Base. Base là công cụ của chuyên gia và thị trường đã định giá nó tương xứng.

Cách sử dụng tự nhiên của HiRO-ACEv2 là chạy một ensemble. Điểm bán của framework không phải là một dự báo mà là nhiều dự báo: động lực của bài báo là tạo ra các ensemble lớn với chi phí đủ rẻ để nghiên cứu hành vi và các hiện tượng cực đoan của xoáy thuận nhiệt đới ở độ phân giải 3 km, trong nhiều thập kỷ và ở các khu vực toàn cầu tùy ý. Bạn không tinh chỉnh nó, và thẻ mô hình không khuyến khích bạn làm điều đó. Bạn chạy nó, và bạn hoặc tin vào các giới hạn của nó — chín năm dữ liệu huấn luyện, không có khả năng áp dụng bên ngoài 66°S đến 70°N, các hiện tượng giả ở ranh giới patch vượt quá ô huấn luyện 16x16 một độ — hoặc là bạn không tin.

Nói cách khác: một trong hai mô hình này là điểm khởi đầu để bạn sửa đổi, còn mô hình kia là một công cụ để bạn vận hành. Coi chúng như những "mô hình mở" hoán đổi được cho nhau chỉ vì cả hai đều tải xuống được chính là sai lầm mà trang này ra đời để ngăn chặn.

Điểm chung duy nhất của chúng: cả hai đều không tính phí theo token

Chỗ mà hai bên thực sự hội tụ là hình thái chi phí. Cả hai đều không có bảng giá. LFM2.5 2.6B Base miễn phí tải về và rẻ khi chạy chính vì nó nhỏ — chỉ vài gigabyte ở bf16 và dưới hai gigabyte khi lượng tử hóa, đó chính là toàn bộ mục tiêu của thiết kế LFM2.5 và là lý do nó tồn tại song song với một phiên bản anh em đã qua huấn luyện hậu kỳ, được tinh chỉnh cho công việc trên thiết bị. HiRO-ACEv2 rẻ vì một lý do khác: nó là một trình giả lập chuyên biệt, và tính kinh tế của nó đến từ việc thay thế một mô phỏng số cực kỳ tốn kém chứ không phải từ việc chạy vừa trên điện thoại.

Vậy nếu khối lượng công việc của bạn là văn bản, thì checkpoint Base là một câu hỏi về tinh chỉnh, và phiên bản thường ngày của khối lượng công việc đó — phiên bản mà bạn muốn một mô hình trả lời thay vì một checkpoint để huấn luyện — trông giống như một lệnh gọi, chứ không phải một lượt tải về. Đó là lớp mà OrcaRouter nằm trong: một khóa API duy nhất cho hơn hai trăm mô hình được lưu trữ, với giá niêm yết của nhà cung cấp được chuyển nguyên không tăng giá và tự động chuyển đổi dự phòng giữa các nhà cung cấp khi một bên suy giảm. Không mô hình nào trong so sánh này nằm trong danh mục đó, và cả hai đều không thể nằm trong đó ở dạng hiện tại; LFM2.5 2.6B Base là một checkpoint chứ không phải một dịch vụ, và HiRO-ACEv2 hoàn toàn không có giao diện dạng yêu cầu. Thứ chúng tôi định tuyến là mọi thứ xung quanh chúng — việc tóm tắt, trích xuất, mã harness và vòng lặp tác tử biến một sản phẩm đã tải về thành một pipeline.

Nhặt hàng trong thực tế

Nếu bạn có dữ liệu trong một lĩnh vực hoặc một ngôn ngữ mà mô hình cơ sở chưa thấy đủ, và bạn có đủ năng lực tính toán để hậu huấn luyện, thì LFM2.5 2.6B Base là điểm khởi đầu rẻ hơn hầu hết đối thủ cạnh tranh của nó — hãy đọc tệp giấy phép trước khi đọc benchmark mà bạn hằng mong đợi, vì ở checkpoint này, giấy phép chính là tài liệu quyết định dự án của bạn có được phép hay không. Nếu bạn muốn một mô hình tác tử nhỏ chạy trên thiết bị, bạn muốn phiên bản anh em đã qua hậu huấn luyện chứ không phải Base, và số lượt tải cho thấy cộng đồng đã đi đến kết luận đó trước bạn. Nếu bạn muốn một trường khí quyển 3 km trong ba thập kỷ khí hậu mô phỏng, thì cả hai đều không liên quan, và chỉ một tệp trong bài viết này là liên quan.

Điều hữu ích cần rút ra là “open weights” đã không còn là một phạm trù hữu ích tự thân nữa. Một checkpoint cơ sở, một mô hình anh em đã qua huấn luyện hậu kỳ và một trình giả lập nghiên cứu đều có thể mang một cái nhãn nghe có vẻ cấp phép rộng rãi, mà qua đó lại có nghĩa là ba thứ hoàn toàn khác nhau.

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