Kolibri vs LFM2.5 2.6B Base: Triển khai chủ quyền 78B đối đầu với một checkpoint cỡ điện thoại

Đặt Kolibri bên cạnh LFM2.5 2.6B Base và cách hiểu hiển nhiên là David và Goliath: 78,1 tỷ tham số so với 2,69 tỷ, mức triển khai tối thiểu hai GPU so với một mô hình mà Liquid AI nói rằng chạy được trên điện thoại. Cách hiểu hiển nhiên đó là sai, và không theo hướng bạn sẽ ngờ tới. Cả hai đều không phải là mô hình mà bạn có thể mang ra dùng cho một tác vụ ngay hôm nay. Kolibri được Aleph Alpha phát hành vào ngày 3 tháng 10 năm 2026 dưới dạng một trợ lý tiếng Đức và tiếng Anh hoàn chỉnh, đã qua hậu huấn luyện, biết gọi công cụ, với một plugin phục vụ và cấu hình lấy mẫu được khuyến nghị. LFM2.5 2.6B Base, được Liquid AI công bố vào đầu tháng 8 năm 2026, là một checkpoint đã tiền huấn luyện, không có bất kỳ tinh chỉnh theo chỉ dẫn nào, được phát hành cụ thể để tinh chỉnh. Một cái là sản phẩm bạn triển khai. Cái còn lại là nguyên liệu thô. So sánh chất lượng của chúng là một lỗi phạm trù, và câu hỏi thú vị là dự án của bạn thực sự cần loại nguyên liệu thô nào.

Khoảng cách quyết định phần lớn các cuộc mua sắm thực tế giữa hai mô hình này không nằm ở tham số. Mà nằm ở giấy phép. Kolibri được phát hành theo Apache 2.0. LFM2.5 2.6B Base được phát hành theo LFM Open License v1.0, một giấy phép riêng (thẻ mô hình ghi nó là "license: other"), và sự khác biệt đó chính là thứ được đưa cho đội pháp lý thay vì đội kỹ thuật.

Hai ý nghĩa khác nhau của “open weights”

Cả hai mô hình đều cho phép bạn tải trọng số về và chạy chúng. Điều bạn được phép làm sau đó mới là chỗ chúng khác nhau.

• Kolibri — Apache 2.0, không có phụ lục về sử dụng được chấp nhận, không có ngưỡng số lượng người dùng, không có điều khoản thương mại riêng. Thẻ của Aleph Alpha chỉ ghi chú rằng phòng thí nghiệm là một bên ký kết EU GPAI Code of Practice.

• LFM2.5 2.6B Base — Giấy phép Mở LFM v1.0, vốn là giấy phép riêng của Liquid AI chứ không phải giấy phép theo tiêu chuẩn OSI. Đây cũng chính là giấy phép áp dụng cho LFM2.5 2.6B đã qua huấn luyện sau và phần còn lại của dòng.

Đối với một nhóm nghiên cứu thì cái nào cũng được. Đối với một doanh nghiệp phải trình bày rõ vị thế giấy phép của mình trong một tài liệu mua sắm, một cái là đại lượng đã biết, còn cái kia là một văn bản mà ai đó phải đọc. Đó là một chi phí thật, được trả trước khi một token nào được sinh ra, và nó vô hình trong mọi bảng benchmark.

Có một điểm khác biệt thứ hai trong cùng hạng mục, và đó là điểm mà thẻ mô hình của chính Liquid AI cố công nhấn mạnh. Bản Base không phải là một trợ lý. Nó không có tinh chỉnh theo chỉ dẫn, nghĩa là nó sẽ không tuân theo lời nhắc, không từ chối trả lời, không phát ra lệnh gọi công cụ và không giữ đúng chủ đề — không phải vì nó yếu, mà vì nó chưa từng được huấn luyện để làm vậy. Thẻ nói rõ rằng nó chỉ được khuyến nghị cho các tác vụ đòi hỏi tinh chỉnh chuyên sâu: trợ lý theo ngôn ngữ hoặc miền cụ thể, huấn luyện trên dữ liệu độc quyền, hoặc thử nghiệm các phương pháp hậu huấn luyện mới. Mọi thứ nằm sau checkpoint nền tảng — tinh chỉnh có giám sát, chuyên môn hóa mô hình giáo viên, chưng cất on-policy, học tăng cường dạng tác tử — đều là vấn đề của người mua. Kolibri ra mắt với tất cả những điều đó đã được làm sẵn, ở bốn mức độ nỗ lực suy luận, cùng một bộ phân tích cú pháp gọi công cụ kiểu Hermes được phát hành kèm theo trọng số.

Các kích cỡ thực sự mang lại những gì

Bỏ qua cách trình bày, hai mô hình được tối ưu hóa cho những ràng buộc trái ngược nhau.

• Tham số — tổng cộng 78.103.074.560 với 3.457.573.120 hoạt động trên mỗi token trên Kolibri, so với tổng cộng 2,69 tỷ trên LFM2.5 Base, sử dụng ngăn xếp lai gồm 22 khối tích chập ngắn có cổng kép và 8 lớp chú ý truy vấn nhóm thay vì một transformer gồm các khối đồng nhất.

• Ngữ cảnh — 131.072 token trên LFM2.5 Base, so với cửa sổ gốc 262.144 token trên Kolibri và cửa sổ 1.048.576 đã được xác thực vượt xa mức đó.

• Dữ liệu huấn luyện — 34 nghìn tỷ token trên LFM2.5 Base, so với 20 nghìn tỷ trên Kolibri được lấy từ một nguồn thô hơn 200 nghìn tỷ sau khi lọc và khử trùng lặp, trong đó 13,6% là mã nguồn.

• Ngôn ngữ — mười sáu trên LFM2.5 Base, bao gồm tiếng Ả Rập, tiếng Trung, tiếng Nhật, tiếng Hàn, tiếng Thái và tiếng Việt, so với đúng hai trên Kolibri, tiếng Đức và tiếng Anh, theo thiết kế rõ ràng.

• Bộ nhớ — LFM2.5 Base có các bản dựng GGUF, ONNX và MLX được phát hành kèm theo và được thiết kế để triển khai tại biên; trọng số FP8 của Kolibri chiếm dung lượng ~78 GB, với tối thiểu hai thẻ A100 80 GB, hai H100 SXM5, một H200, một B200 hoặc một B300.

Đọc năm dòng đó cùng nhau và bức tranh không còn lệch hẳn về một bên nữa. Mô hình của Liquid AI bao phủ số lượng ngôn ngữ gấp mười lần trên phần cứng nhỏ hơn ba bậc độ lớn. Mô hình của Aleph Alpha bao phủ hai ngôn ngữ với cửa sổ ngữ cảnh dài gấp tám lần và chiều sâu chuyên môn hóa chỉ lộ ra bên trong các đánh giá theo ngành dọc của riêng nó. Không cái nào là phiên bản kém hơn của cái kia; chúng là câu trả lời cho những câu hỏi khác nhau, và những câu hỏi là "liệu cái này có thể chạy mà không cần máy chủ" và "liệu nó có thể suy luận thấu đáo một hồ sơ quy định của Đức".

Chỉ một trong số chúng có điểm số đo được, và đó không phải là Base

Đây là phần mà việc ghép cặp che giấu. Artificial Analysis thực sự có một trang mô hình cho LFM2.5-2.6B — nhưng là cho mô hình đã huấn luyện sau, không phải bản Base. Trang đó báo cáo Intelligence Index là 8, xếp hạng #9 trong số 49 mô hình cùng lớp, với ngữ cảnh 128.000 token, 2,7 tỷ tham số và LFM Open License v1.0. Đó là một điểm số khiêm tốn và trung thực: mô hình được đo lường, được định giá gần như bằng không, và được đánh giá đúng như bản chất của nó — một mô hình suy luận nhỏ.

Checkpoint Base không có điểm, và nó cũng không thể có điểm. Chỉ số Intelligence Index được tính bằng cách chạy một mô hình qua các tác vụ suy luận và kiến thức; một checkpoint chưa được tinh chỉnh theo chỉ dẫn thì không có hành vi nào đáng kể trên những tác vụ đó. Liquid AI không công bố bảng đánh giá nào cho nó, và sự thiếu vắng đó là một lời khẳng định về chính sản phẩm, chứ không phải một lỗ hổng trong bản phát hành.

Vị thế của Kolibri lại khác, và đáng được nêu chính xác vì rất dễ bị hiểu sai. Cũng không có trang Artificial Analysis nào cho Kolibri — chúng tôi đã kiểm tra, và mô hình này hoàn toàn vắng mặt trong bảng so sánh đó. Thứ tồn tại là bảng hậu huấn luyện của chính Aleph Alpha, trong đó Kolibri đạt 75,5 ở mức trung bình tiếng Anh và 70,8 ở mức trung bình tiếng Đức trên harness của họ, so với 54,1 và 46,4 của chính phiên bản tiền nhiệm Kolibri Origin. Đó là những con số do nhà cung cấp tự chạy trên một bộ đánh giá do nhà cung cấp tự xây dựng, và chúng không thể quy đổi thành Intelligence Index. Vậy nên trong hai mô hình thuộc tiêu đề này, một mô hình có điểm độc lập cho một phiên bản anh em, một mô hình có bảng của nhà cung cấp, và cả hai phiên bản chính xác đang được so sánh đều không có phép đo độc lập nào cả.

Người anh/chị/em thay đổi đề xuất

Đánh giá LFM2.5 2.6B Base chỉ dựa vào chính nó là cách sai để đánh giá bản phát hành của Liquid AI, vì Base tồn tại để phục vụ LFM2.5 2.6B đã qua huấn luyện hậu kỳ, và cả hai được phát hành cùng nhau. Nếu bạn không có ý định viết một pipeline tinh chỉnh, thì Base không phải là mô hình dành cho bạn — mô hình anh em đã qua huấn luyện hậu kỳ mới là, và đó là mô hình có điểm số công khai cùng mức giá đã công bố gần như không đáng kể cho mỗi token khi bạn tự host nó.

Đó là mối quan hệ tương tự mà Kolibri có với Kolibri Origin, và việc so sánh này đáng để thực hiện vì Aleph Alpha đã công bố dòng thời gian. Origin hoàn tất quá trình tiền huấn luyện ở 30,6 tỷ tham số và 3,27 tỷ tham số hoạt động vào ngày 11 tháng 6 năm 2026 và chưa bao giờ được phát hành; Kolibri hoàn tất vào ngày 11 tháng 9 năm 2026 ở 78,1 tỷ tham số và được phát hành vào ngày 3 tháng 10. Hai mô hình, ba tháng, một trong số đó chỉ dùng nội bộ. Sự phân tách tương đương của Liquid AI được công khai theo cả hai hướng: bản Base và bản sau huấn luyện, đặt cạnh nhau, cùng với các bản lượng tử hóa cho llama.cpp, ONNX Runtime và MLX của Apple được công bố song song với checkpoint gốc. Nếu kế hoạch của bạn là tinh chỉnh, bộ công cụ xung quanh đó đáng giá hơn một dòng benchmark, vì nó quyết định bạn phải tự làm bao nhiêu phần việc.

Triển khai những gì, theo từng yêu cầu

Cái này thu gọn lại thành một danh sách quyết định ngắn gọn thay vì một người thắng cuộc.

Nếu mô hình phải chạy mà không cần máy chủ — trên điện thoại, máy tính xách tay, hay một thiết bị trong nhà máy — thì LFM2.5 2.6B Base là mô hình duy nhất trong hai mô hình thậm chí có thể được xem là ứng viên, và LFM2.5 2.6B đã qua hậu huấn luyện mới là mô hình bạn thực sự sẽ bắt đầu dùng. Kolibri không thể chạy ở đó dù với bất kỳ mức lượng tử hóa nào.

• Nếu khối lượng công việc là suy luận trên tài liệu tiếng Đức hoặc tiếng Anh bên trong vành đai của riêng bạn, với các ràng buộc về dữ liệu chịu quy định và nhu cầu về hành vi từ chối trả lời, thì LFM2.5 Base không phải là dạng sản phẩm phù hợp và Kolibri nhắm chính xác vào việc đó — miễn là bạn có thể cung cấp hai bộ tăng tốc 80 GB và chấp nhận một quan điểm về giấy phép mà bạn có thể nêu trong một dòng.

• Nếu bạn cần nhiều hơn tiếng Đức và tiếng Anh, dòng mô hình của Liquid AI bao phủ mười sáu ngôn ngữ ở mức 2,6B, và lập luận về độ phủ ngôn ngữ sẽ đảo ngược ở quy mô đó.

• Nếu bạn cần một trợ lý đã được triển khai trong quý này và không muốn chạy một pipeline hậu huấn luyện, thì Kolibri đã qua hậu huấn luyện; LFM2.5 Base thì chưa, và mô hình LFM2.5 đã qua hậu huấn luyện là một trợ lý nhỏ hơn nhiều so với Kolibri chứ không phải là một phiên bản rẻ hơn của nó.

Đối với những đội ngũ mà khối lượng công việc thực sự nằm ở khoảng giữa — vài tỷ token mỗi tháng, ngữ cảnh vừa phải, không có yêu cầu pháp lý nào buộc phải sở hữu phần cứng — thì cả hai lựa chọn trên đều không phải là thứ đầu tiên cần nhắm tới. Các mô hình dưới 4B thì rẻ khi tự vận hành nhưng lại khó định tuyến ở quy mô lớn, vì chi phí vận hành của một triển khai có thể vượt cả hóa đơn token; còn mô hình 78B thì gặp vấn đề ngược lại. Phân khúc thực sự được định tuyến chính là phân khúc nằm ở giữa, và phân khúc đó hiện đã có trên OrcaRouter hôm nay: Qwen3.5 35B-A3B với giá $0.057 cho mỗi triệu token đầu vào và $0.459 đầu ra, Qwen3.8-Flash với $0.15 và $0.47 cùng ngữ cảnh 1M token, hoặc mô hình mixture-of-experts Gemma 4 26B-A4B IT với $0.06 và $0.33. Đó là giá niêm yết của nhà cung cấp được chuyển nguyên qua, không cộng thêm gì cho mỗi token, trên một khóa tương thích OpenAI duy nhất có cơ chế chuyển đổi dự phòng, và đó là câu trả lời trung thực cho một đội ngũ muốn đo lường khối lượng token thực tế của mình trước khi cam kết dấn thân vào một dự án tinh chỉnh (fine-tuning) hoặc một dàn máy chủ.

Để nói rõ về những gì chúng tôi không cung cấp: hiện nay, cả Kolibri lẫn LFM2.5 2.6B Base đều không thể định tuyến trên OrcaRouter. Chúng tôi đã tra danh mục cho cả hai theo mọi cách viết tên nhà cung cấp và mô hình, và cả hai đều không có trong đó. Kolibri chỉ dành cho tự triển khai, còn LFM2.5 Base là một sản phẩm tinh chỉnh vốn không bao giờ được dự định đặt sau một API.

Lựa chọn trong một dòng

Kolibri là một bộ suy luận tiếng Đức-Anh đã hoàn thiện, được cấp phép, có tài liệu, với 78 tỷ tham số, tiêu tốn hai bộ tăng tốc để chạy. LFM2.5 2.6B Base là một điểm khởi đầu đa ngôn ngữ chưa hoàn thiện với 2,69 tỷ tham số, tiêu tốn một quy trình tinh chỉnh và vừa trong túi bạn. Tỷ lệ tham số giữa chúng là 29 trên 1, và đó là con số ít thông tin nhất trong bài viết này.