LBS-27B: Một repo trống, một README 28 byte và một cái tên 27B mà chưa ai giải thích

Vào lúc 05:36 UTC ngày 26 tháng 10 năm 2026, một kho lưu trữ có tên inclusionAI/LBS-27B đã xuất hiện trên Hugging Face. Kho này chứa hai tệp. Một tệp có kích thước 1.519 byte là .gitattributes. Tệp còn lại là README đúng 28 byte, và toàn bộ nội dung của nó là phần đầu YAML khai báo giấy phép Apache-2.0. Không có thẻ mô hình, không có cấu hình, không có tokenizer, không có trọng số, không có bảng đánh giá và không có thông báo nào ở bất kỳ đâu mà chúng tôi có thể tìm thấy. Kho lưu trữ này không ghi nhận lượt tải xuống nào và không có lượt thích nào. Đó là toàn bộ hồ sơ công khai của LBS-27B tính đến sáng nay.

Đây không phải là một câu chuyện ra mắt, vì chưa có gì được ra mắt. Đây là câu chuyện về tín hiệu sớm nhất mà một mô hình có thể phát ra: một cái tên, một chủ sở hữu và một giấy phép. Với bất kỳ ai theo dõi inclusionAI của Ant Group, câu hỏi thú vị không phải là LBS-27B đạt điểm số bao nhiêu. Mà là tại sao một phòng thí nghiệm thường công bố kèm thẻ mô hình, báo cáo kỹ thuật và một bài đăng phối hợp lại tạo ra một vỏ rỗng trước tiên — và cái vỏ đó cho bạn biết điều gì và không cho biết điều gì.

Bằng chứng, được liệt kê từng mục

Tất cả những điều dưới đây đều có thể kiểm chứng thông qua API công khai của Hugging Face và cây tệp của kho lưu trữ. Không có nội dung nào ở đây phụ thuộc vào một nguồn bên trong phòng thí nghiệm.

• Dấu thời gian tạo — bản ghi kho lưu trữ ghi là created_at: 2026-10-26T05:36:52Z, và lastModified là cùng một giây. Không có gì bị thay đổi kể từ đó.

• Tệp — .gitattributes ở 1.519 byte và README.md ở 28 byte. Danh sách cây không trả về thư mục nào cả, nghĩa là không có config.json, không có model.safetensors hay chỉ mục phân mảnh, không có tệp tokenizer và không có cấu hình sinh.

• Nội dung README — 28 byte đó chính là phần frontmatter giấy phép và không có gì khác: license: apache-2.0. Không có mô tả, không có mục đích sử dụng, không có ghi chú về dữ liệu huấn luyện, không có dòng benchmark nào.

Tương tác — không có lượt thích nào và lượt tải xuống không được theo dõi đối với mô hình này, tại thời điểm viết bài. Để so sánh, Ling-3.1-flash của inclusionAI có 150 lượt thích và 4,222 lượt tải xuống kể từ ngày 13 tháng 10.

• Thảo luận công khai — việc tìm kiếm chuỗi chính xác trên khắp web công khai, GitHub và các nền tảng xã hội không trả về kết quả nào. Không có bài báo, không có bài blog của nhà cung cấp, không có tweet ra mắt, không có luồng thảo luận trên chính repository đó.

Điểm cuối cùng đó cần một lưu ý: việc thiếu sự đưa tin vào buổi sáng ngày phát hành là bình thường và chẳng chứng minh được gì nhiều. Điều khiến trường hợp này bất thường là sự kết hợp — một kho lưu trữ công khai nhưng không chứa bất kỳ thành phần nào cho phép ai đó chạy, kiểm tra hoặc đánh giá mô hình.

28 byte đó thực sự cho bạn biết điều gì

Tuyên bố giấy phép là tuyên bố có nội dung thực chất duy nhất trong kho lưu trữ, và đáng để đọc kỹ thay vì lướt qua.

Apache-2.0 là một giấy phép dễ dãi, có thể dùng cho mục đích thương mại, với điều khoản cấp bằng sáng chế rõ ràng. Việc khai báo giấy phép này trong phần frontmatter của README, trước khi có bất kỳ trọng số nào, là một tuyên bố về ý định đối với cách mô hình sẽ được phân phối. Đây không phải là một bảo đảm — giấy phép có thể được thay đổi trước khi các trọng số được phát hành — nhưng đó là một lựa chọn có chủ đích được thực hiện tại thời điểm tạo.

Đây cũng là một sự lệch khỏi thói quen gần đây của inclusionAI. Cả Ling-3.0-flash và Ling-3.1-flash đều dùng giấy phép MIT. LBS-27B công bố Apache-2.0. Việc đó phản ánh nguồn gốc dữ liệu huấn luyện khác, một nhóm nội bộ khác, hay chỉ đơn giản là một thay đổi chính sách thì không thể biết được từ kho lưu trữ, và bất kỳ ai nói khác đi đều chỉ đang đoán.

Tệp .gitattributes là phần mẫu chuẩn của LFS và thuộc tính. Sự hiện diện của nó cho bạn biết kho lưu trữ được tạo thông qua công cụ Hugging Face thông thường chứ không phải được lắp ghép thủ công, điều này phù hợp với một phần giữ chỗ có chủ đích. Nó không cho bạn biết gì về mô hình.

Vì sao các kho trống của lab này đáng để xem lại

inclusionAI là phòng thí nghiệm mô hình của Ant Group, và đầu ra của nó không hề nhỏ. Dòng Ling đã ra mắt đều đặn trong suốt năm 2026: Ling-3.0-flash vào ngày 2 tháng 8, Ling-3.1-flash vào ngày 13 tháng 10, Ling-3.0-flash-Santé vào ngày 19 tháng 10 và Ling-3.0-tiny-UBTree vào ngày 21 tháng 10. Tổ chức này cũng duy trì Ming cho giọng nói và dòng ngôn ngữ khuếch tán LLaDA. Đây là một phòng thí nghiệm có nhịp độ, quy trình phát hành và khán giả.

Đây cũng là một phòng thí nghiệm rất chú ý đến phân khúc 27B. Vào ngày 14 tháng 9, phòng thí nghiệm này đã công bố inclusionAI/Qwen3.8-27B-singprobe, một đầu dò rào chắn an toàn dạng truyền phát nhỏ được xây dựng trên nền Qwen3.8-27B của Alibaba chứ không phải một mô hình ngôn ngữ của riêng mình. Đó là một mẩu bối cảnh hữu ích cho LBS-27B: inclusionAI đã trực tiếp làm việc với một mô hình 27B có quy mô tương đương, và đã xây dựng công cụ an toàn quanh các trạng thái ẩn của một mô hình như vậy.

Không điều nào trong số đó xác nhận LBS-27B là gì. Nhưng điều đó có nghĩa là kho lưu trữ này khó có thể là một thử nghiệm lạc lõng từ một tài khoản không liên quan. Tổ chức này biết mình đang làm gì, và họ đã tạo kho lưu trữ này có chủ đích.

Cái tên là thứ ít được xác minh nhất trong câu chuyện.

Thật dễ bị cám dỗ khi đọc “27B” như một số lượng tham số và “LBS” như một họ kiến trúc. Cả hai cách đọc đều không được bất cứ thứ gì trong kho lưu trữ hỗ trợ.

“27B” là một chuỗi trong tên kho lưu trữ. Đó có thể là tổng số tham số, theo cách Gemma 4 26B A4B làm tròn 25,2B lên 26B. Đó có thể là một con số tiếp thị chứ không phải số lượng tham số, theo cách Qwen3.8-27B được liệt kê là 28B tham số trên Hugging Face. Nó cũng có thể chỉ là con số gần đúng. Nếu không có config.json, thì không có cách nào phân biệt một mô hình dense 27B với một mô hình mixture-of-experts có tổng 27B tham số và chỉ một phần được kích hoạt, và sự khác biệt đó thay đổi mọi thứ về chi phí phục vụ, độ trễ và yêu cầu phần cứng.

Các chữ cái này không được viết đầy đủ ở bất kỳ đâu. Chúng có thể biểu thị một họ, một công thức huấn luyện, một mật danh nội bộ hoặc một dòng sản phẩm. Chúng tôi sẽ không bịa ra ý nghĩa cho chúng.

Có ít nhất ba lời giải thích tầm thường cho một kho lưu trữ trống, và chúng dẫn đến những kết luận khác nhau:

• Một placeholder trước khi phát hành. Kho lưu trữ được tạo sớm để các công cụ nội bộ, thẻ mô hình và trọng số có thể được đẩy lên một URL ổn định vào ngày ra mắt. Đây là mẫu phổ biến nhất và cũng là khả năng cao nhất.

• Một thao tác push nhầm hoặc quá sớm. Ai đó đã tạo kho lưu trữ ở chế độ công khai khi lẽ ra phải là riêng tư. Trong trường hợp đó, tên có thể thay đổi hoặc kho lưu trữ có thể biến mất hoàn toàn.

• Một stub cho một mô hình đã được đổi tên hoặc bị hủy. Kho lưu trữ vẫn được duy trì vì việc xóa nó phiền phức hơn là để nguyên.

Không có gì trong hồ sơ công khai phân biệt được những điều này. Dấu thời gian lastModified khớp với created_at đến từng giây thì chỉ phù hợp một cách yếu ớt với cách giải thích đầu tiên — một kho lưu trữ được tạo thủ công thường sẽ có một số chỉnh sửa — nhưng đó không phải là bằng chứng.

Điều gì sẽ phải xuất hiện để điều này trở thành một mô hình?

Nếu bạn muốn một danh sách theo dõi cụ thể thay vì một cảm giác mơ hồ, thì đây là những hiện vật sẽ đưa LBS-27B từ một cái tên thành một tuyên bố có cơ sở. Mỗi hiện vật trả lời một câu hỏi mà kho lưu trữ hiện tại còn bỏ ngỏ.

• config.json — kiến trúc, số lớp, kích thước ẩn, bộ từ vựng và, quan trọng là, liệu có các trường chuyên gia hay không. Chỉ một tệp này là đủ để phân định dense so với MoE và đưa ra một con số tham số có thể biện luận được.

• Các mảnh trọng số và một chỉ mục — sự khác biệt giữa một mô hình bạn có thể tải xuống và một mô hình bạn chỉ có thể nói về. Chỉ mục cũng cho biết độ chính xác: BF16, FP8 hay thứ gì khác.

• Một tokenizer — kích thước từ vựng là một trong những tín hiệu đại diện tốt hơn cho ý định đa ngôn ngữ, và nó quyết định mức độ tốn kém của văn bản không phải chữ Latinh tại API.

• Thẻ mô hình có các dòng đánh giá — và quan trọng không kém, một ghi chú về việc những dòng đó đã dùng những phiên bản harness nào. Một con số benchmark không kèm phiên bản harness thì không thể so sánh với bất cứ thứ gì.

• Thông báo của nhà cung cấp hoặc báo cáo kỹ thuật — thứ cho bạn biết phòng thí nghiệm cho rằng mô hình nhằm mục đích gì. Nếu không có nó, mọi tuyên bố về định vị trong phần đưa tin tiếp theo sẽ được suy ra từ tên.

Cho đến khi ít nhất hai mục đầu tiên trong số đó tồn tại, mọi so sánh liên quan đến LBS-27B đều là so sánh với một giả thuyết. Chúng tôi đã viết bốn cặp so tài rõ ràng — với {{1}}Gemma 4 26B A4B{{/1}}, {{2}}Granite 4.2 30B{{/2}}, LFM2.5 24B A2B và Qwen3.8-27B — nhưng mỗi phần trong số đó đều được trình bày rõ ràng như một ngưỡng mà mô hình phải vượt qua, chứ không phải một kết quả mà nó đã đạt được.

Làm thế nào để nắm giữ một mô hình chưa được chứng minh mà không đặt cược vào nó

Câu hỏi thực tế đối với bất kỳ ai đang xây dựng trên các mô hình mở không phải là "liệu tôi có nên chuyển sang LBS-27B hay không" — hiện tại vẫn chưa có gì để chuyển sang. Mà là làm thế nào để sẵn sàng mà không phải cam kết. Đó chính là phần mà OrcaRouter thực sự hữu ích.

Nói thẳng về tính khả dụng: LBS-27B hiện chưa có trên OrcaRouter. Danh mục của chúng tôi liệt kê 211 mô hình và mô hình này không nằm trong số đó. Chúng tôi sẽ không ngụ ý điều ngược lại, và chúng tôi sẽ chưa thể biết liệu có thể định tuyến nó hay không cho đến khi có trọng số để phục vụ. Điều nền tảng cung cấp là một cách để thử nghiệm một mô hình mới mà không biến nó thành phụ thuộc production: một API key duy nhất cho toàn bộ danh mục, tự động chuyển đổi dự phòng khi nhà cung cấp suy giảm, và một DSL định tuyến cho phép bạn gửi một phần lưu lượng đến mô hình mới và so sánh nó với mô hình hiện tại trên cùng khối lượng công việc.

Mức cộng thêm 0% có ý nghĩa ở đây theo một cách cụ thể. Chúng tôi chuyển thẳng giá niêm yết của nhà cung cấp, vì vậy nếu inclusionAI hoặc một đối tác lưu trữ giảm giá LBS-27B sau khi ra mắt, mức giá phía chúng tôi sẽ thay đổi ngay trong cùng ngày thay vì vào lần gia hạn hợp đồng tiếp theo. Đó là một tuyên bố về mô hình tính phí của chúng tôi, không phải về giá của mô hình này, vì giá đó chưa tồn tại.

Dấu hiệu cần chú ý

Tín hiệu có ý nghĩa đầu tiên sẽ không phải là một benchmark. Đó sẽ là commit đầu tiên thêm một tệp config.json. Tệp đó sẽ cho bạn biết liệu LBS-27B là một mô hình dense hay một hỗn hợp chuyên gia, nó có bao nhiêu lớp, nó được huấn luyện với độ dài ngữ cảnh bao nhiêu, và liệu 27B trong tên gọi ám chỉ tổng tham số hay tham số hoạt động. Mọi thứ khác — các benchmark, giá cả, các so sánh — đều rút ra từ những dữ kiện đó.

Tín hiệu thứ hai sẽ là cách định khung của thẻ mô hình. {{1}}Các thẻ Ling của inclusionAI mở đầu bằng những tuyên bố về khả năng tác tử và đa ngôn ngữ.{{/1}} Nếu thẻ LBS cũng mở đầu như vậy, mô hình là một mô hình anh em cùng dòng Ling đa dụng. {{2}}Nếu nó mở đầu bằng thứ gì khác — ngữ cảnh dài, lập trình, hiệu suất — thì đó là một câu chuyện thú vị hơn, và cụ thể hơn.{{/2}}

Hiện tại, bản tóm tắt trung thực thì ngắn gọn. Có một kho mã. Nó dùng Apache-2.0. Nó trống rỗng. Phòng thí nghiệm đứng sau nó là một đơn vị nghiêm túc, phân khúc 27B mà nó hướng tới đang rất đông đúc, và cái tên vẫn chưa được ai giải thích. Chúng tôi sẽ cập nhật bài viết này khi trọng số được phát hành, và không sớm hơn.