LFM2.5-2.6B-Base: Bản phát hành kín tiếng nhất của Liquid AI lại là bản mà các nhà tinh chỉnh thực sự muốn

Đọc qua các bộ đếm của Hugging Face vào ngày 5 tháng 8 năm 2026, và khoảng cách khó có thể bỏ lỡ: LFM2.5-2.6B, mô hình tác nhân chạy trên thiết bị Liquid AI ra mắt ngày 4 tháng 8, đạt 47.393 lượt tải. LFM2.5-2.6B-Base, checkpoint tiền huấn luyện mà mọi trọng số nói trên đều bắt nguồn từ đó, đạt 151. Cùng tổ chức, cùng kiến trúc, cùng tuần, một sự chênh lệch 314 trên 1.

Checkpoint gốc không bị rò rỉ và cũng không bị giấu đi. Nó xuất hiện trong bài ra mắt của Liquid trong đúng một cặp ngoặc đơn — "Các mô hình cơ sở (LFM2.5-2.6B-Base) và hậu huấn luyện (LFM2.5-2.6B) hiện đã có sẵn trên Hugging Face" — và đó là toàn bộ những gì được công bố về nó. Không có benchmark riêng, không có mục riêng, không có thẻ mô tả riêng. Mọi thứ dưới đây được lấy trực tiếp từ kho lưu trữ — thẻ mô tả mô hình, config.json, tệp LICENSE và API Hugging Face — cùng với các phép tính chúng tôi tự thực hiện. Khi một con số đến từ đánh giá của chính Liquid, chúng tôi nói rõ điều đó, vì đối với checkpoint cụ thể này, sự thật quan trọng nhất là nó thực sự được đo lường rất ít.

Điều đó quan trọng hơn những gì một chú thích gợi ý. Bạn có thể đánh giá một mô hình đã qua tinh chỉnh bằng cách thử nó. Một checkpoint cơ sở là một lời đề nghị khiến bạn tốn hai tuần và một khoản ngân sách GPU trước khi học được điều gì, vì vậy các điều khoản của lời đề nghị — bên trong chứa gì, được cấp phép cho mục đích gì, đã được đánh giá những gì — chính là toàn bộ quyết định.

Thực sự có gì trong kho lưu trữ?

Chín tệp, một mảnh trọng số, không có mã mô hình. Danh sách thông số kỹ thuật của thẻ, được đối chiếu với config.json:

• 2.69B tổng tham số, bfloat16, trong một tệp 5.39 GB model.safetensors. Hãy lên kế hoạch cho dung lượng lưu trữ và VRAM dựa trên con số đó, không phải dựa trên '2.6B.'

• 30 lớp, lai ghép. Thẻ thông số cho biết 22 khối tích chập ngắn cổng kép cộng với 8 lớp chú ý GQA. layer_types mảng trong config.jsonxác nhận chính xác: 22 phần tử conv và 8 phần tử full_attention, các lớp chú ý được đặt cách nhau khoảng mỗi khối thứ ba hoặc thứ tư thay vì tập trung lại.

• Kích thước ẩn 2048, trung gian 10752, 32 đầu attention trên 8 đầu key-value — tỷ lệ GQA 4:1 — với embedding đầu vào và đầu ra dùng chung và rope theta là 10.000.000.

• Từ vựng 128.000 token, cùng với bộ tokenizer 18 MB đi kèm. Liquid đã tăng gấp đôi từ vựng trong thế hệ này, đây là một chi phí đáng kể ở mức 2,6B: với embedding dùng chung, riêng bảng từ vựng đã chiếm khoảng 262M trong ngân sách tham số, gần một phần mười của mô hình.

• 34 nghìn tỷ token huấn luyện. Đó là một đợt tiền huấn luyện dài bất thường đối với phân khúc kích thước này, và đó là lý do mạnh mẽ nhất để xem xét checkpoint.

• 16 ngôn ngữ được công bố: Tiếng Anh, Tiếng Ả Rập, Tiếng Trung, Tiếng Pháp, Tiếng Đức, Tiếng Hindi, Tiếng Indonesia, Tiếng Ý, Tiếng Nhật, Tiếng Hàn, Tiếng Ba Lan, Tiếng Bồ Đào Nha, Tiếng Nga, Tiếng Tây Ban Nha, Tiếng Thái và Tiếng Việt.

Một điểm không nhất quán cho bất kỳ ai đang lên kế hoạch làm việc với ngữ cảnh dài: thẻ quảng cáo một độ dài ngữ cảnh 131,072 token, trong khi config.json đặt max_position_embeddings thành 128,000. Blog và tài liệu của chính Liquid đều nói 128K. Sự khác biệt 3,072 token sẽ không quan trọng với hầu hết mọi người, nhưng nếu bạn đang viết tập lệnh huấn luyện đóng gói các chuỗi theo mức tối đa được quảng cáo, hãy tin tưởng file cấu hình hơn thẻ thông số.

Chuỗi kiến trúc là điểm nhấn thực tế: model_type là lfm2 và lớp là Lfm2ForCausalLM — cùng lớp đi kèm với LFM2. LFM2.5 là tiền huấn luyện mở rộng và hậu huấn luyện mới trên một kiến trúc hiện có, không phải kiến trúc mới, nên không có gì ở đây cần mã mô hình tùy chỉnh. Đó là lý do llama.cpp, vLLM, MLX, ONNX Runtime, SGLang và LM Studio đều hỗ trợ dòng họ này ngay từ ngày đầu, và lý do đường tinh chỉnh qua Unsloth và TRL hoạt động không cần bản vá. Bạn cần transformers>=5.0.0.

Thẻ bạn nhận được là thẻ của mẫu kia.

Mở kho lưu trữ cơ sở và tiêu đề đầu tiên là "LFM2.5-2.6B" — tên của mô hình sau huấn luyện, không phải mô hình bạn đang xem. Đây không phải là chuyện nhỏ nhặt; toàn bộ trang đọc giống như thẻ instruct với một đoạn cơ sở được chèn vào, và ba trong số các hiện vật còn sót lại có thể khiến bạn mất thời gian thực.

• Frontmatter YAML có ghi base_mode: LiquidAI/LFM2.5-2.6B-Base. Hai vấn đề trong một dòng: khóa này là cách viết sai của base_model của Hugging Face, và nó trỏ kho lưu trữ gốc về chính nó. Không có gì bị hỏng, nhưng các liên kết cây mô hình mà bạn mong đợi từ một dòng dõi được khai báo đúng cách sẽ không được tạo ra từ việc này.

• Kho lưu trữ được gắn thẻ 'conversational' và có kèm tệp chat_template.jinja, vì vậy Hugging Face hiển thị huy hiệu "Chat template" trên một checkpoint chưa từng được tinh chỉnh theo hướng dẫn. Tệp mẫu tồn tại là do cấu hình tokenizer được kế thừa, chứ không phải vì các trọng số biết cách sử dụng nó.

• Đoạn mã khởi động nhanh sau đó sử dụng mẫu đó. Ví dụ Python trên thẻ cơ sở gọi tokenizer.apply_chat_template với một {"role": "user"} thông điệp và hỏi "What is C. elegans?" — cách kinh điển để làm cho một mô hình cơ sở trông hỏng. Bọc một checkpoint tiền huấn luyện thô trong các lượt trò chuyện và bạn sẽ nhận được văn bản trôi dạt, lặp lại, tự tiếp tục, và dễ dàng hiểu đó là một mô hình kém thay vì định dạng prompt sai. Hãy nhắc mô hình này như một bộ hoàn thiện văn bản, few-shot, với các chuỗi dừng mà bạn kiểm soát.

• Bảng biến thể chỉ liệt kê dòng sau huấn luyện — LFM2.5-2.6B, cùng với các bản dựng GGUF, ONNX và MLX của nó. Hoàn toàn không có bản dựng GGUF hay MLX nào cho checkpoint cơ sở, vì vậy "chạy nó cục bộ tối nay trong LM Studio" là không khả thi nếu bạn không tự chuyển đổi.

Hugging Face cũng báo cáo rằng không có nhà cung cấp suy luận nào phục vụ kho lưu trữ này. Không có endpoint được lưu trữ nào cho checkpoint cơ sở ở bất cứ đâu; nếu bạn muốn logits của nó, bạn phải thuê GPU.

Phần benchmark không tồn tại.

Chưa có một con số đánh giá nào được công bố cho LFM2.5-2.6B-Base. Không có MMLU, không có MMLU-Pro, không có GPQA, không có HellaSwag, không có ARC, không có chỉ số perplexity — không gì cả, trên cả ba nền tảng của Liquid (thẻ mô hình, bài viết ra mắt, tài liệu). Đối với một checkpoint cơ sở, đó là sự thiếu vắng đáng chú ý, bởi vì những điểm số kiến thức và lý luận đó chính là cách bạn đánh giá liệu 34 nghìn tỷ token tiền huấn luyện có để lại cho bạn thứ gì đó đáng để tinh chỉnh hay không.

Cái tồn tại thuộc về bản anh em hậu huấn luyện, do Liquid báo cáo, và chưa được tái tạo độc lập. Trong các đánh giá của chính Liquid, LFM2.5-2.6B đạt 51.87 trên AIME25, 59.17 trên IFBench, 80.07 trên Multi-IF, 56.88 trên BFCLv4, 77.83 trên ToolSandbox và 26.89 trên BrowseComp+ bên trong khung OpenClaw, được đo so với gemma-4-E2B-it (5.1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) và Qwen3.5-9B (9.7B). Tóm tắt của Liquid là nó dẫn đầu mọi benchmark tuân theo chỉ dẫn và gần như mọi benchmark sử dụng công cụ, và biểu đồ của chính họ thẳng thắn về các ngoại lệ: Qwen3.5-9B vượt trội trên AIME25 với 56.07 và trên BFCLv4 với 60.13. Các tuyên bố về tốc độ cũng tuân theo quy tắc tương tự — 220 token/s giải mã trên M5 Max, 113 trên Ryzen AI Max+ 395, khoảng 30 trên điện thoại, dưới 2.5 GB bộ nhớ, và khoảng 15K token đầu ra/s ở độ đồng thời cao trên một H100 — tất cả đều do nhà cung cấp đo, chưa được bất kỳ ai khác xác minh.

Cái bẫy nằm ở chỗ cho rằng bất kỳ điều gì trong số đó đều chuyển giao được. Những điểm số đó là sản phẩm của một quy trình bốn giai đoạn được áp dụng lên trên checkpoint này: hai vòng tinh chỉnh có giám sát, chuyên môn hóa giáo viên theo từng miền, chưng cất on-policy đa miền, sau đó là học tăng cường agentic với GRPO chạy bên trong các môi trường thực tế. Gọi công cụ và làm theo hướng dẫn chính là những hành vi mà quy trình đó cài đặt. Lấy các trọng số gốc, bạn đang bắt đầu trước tất cả những điều đó. Những gì bạn kế thừa là phần tiền huấn luyện — các ngôn ngữ, kiến thức thế giới, khả năng xử lý ngữ cảnh dài, kiến trúc lai hiệu quả — và bạn nên giả định rằng mình không kế thừa bất kỳ điểm số agentic nào.

151 lượt tải về không chỉ là sớm — mà còn lệch khỏi chính khuôn mẫu của gia đình.

Liquid thường xuyên phát hành các checkpoint nền, vì vậy bản phát hành này không có gì đặc biệt về loại hình. Chính sự bỏ bê mới là điều có thể đo lường được. So sánh từng kho lưu trữ nền LFM2.5 với phiên bản instruct cùng ngày cho thấy một chuẩn mực nội bộ rõ ràng — và một ngoại lệ rõ ràng.

• LFM2.5-230M — 58.676 lượt tải về so với 6.982 của bản gốc: khoảng 8 trên 1.

• LFM2.5-350M — 94.526 so với 9.397: khoảng 10 trên 1.

• LFM2.5-1.2B — 583.914 cho bản Instruct so với 17.867 cho bản gốc: khoảng 33 trên 1.

• LFM2.5-8B-A1B — 171,520 so với 3,996: khoảng 43 trên 1.

• LFM2.5-2.6B — 47,393 so với 151: khoảng 314 trên 1.

Một phần điều đó chỉ đơn giản là do thời gian; kho lưu trữ cơ sở được tạo vào ngày 1 tháng 8 và mô hình hướng dẫn đã có lợi thế bốn ngày cộng với một bài đăng ra mắt. Nhưng các điểm kiểm tra cơ sở cũ hơn trong họ này dao động từ 8:1 đến 43:1, vì vậy một bậc độ lớn vượt qua mức tệ nhất trong số đó là một sự bất thường thực sự chứ không phải là lỗi làm tròn của một kho lưu trữ mới.

Số lượt thích kể một câu chuyện tinh tế hơn. Kho lưu trữ cơ sở có 28 lượt thích so với 151 lượt tải xuống — khoảng một dấu trang cho mỗi năm lượt tải. Mô hình hướng dẫn có 232 lượt thích so với 47.393, khoảng một cho mỗi 204. Mọi người đang đánh dấu checkpoint cơ sở để quay lại, chứ không phải tải về. Hai bản tinh chỉnh từ cộng đồng và bảy bản lượng tử hóa đã tồn tại trong cây mô hình của nó, đó là diện mạo của giai đoạn tiên phong áp dụng trước khi khối lượng lớn đến.

"Không có hạn chế" không phải là điều mà giấy phép nói.

Trang ra mắt của Liquid mô tả bản phát hành này là open-weight: "Tải xuống, tinh chỉnh và triển khai mà không bị hạn chế." Tệp trong kho lưu trữ nói điều gì đó hẹp hơn, và đây là phần nên đọc hai lần nếu bạn đang cân nhắc xây dựng sản phẩm dựa trên các trọng số này.

Giấy phép này là LFM Open License v1.0 — không phải Apache-2.0, không phải MIT, và không phải các điều khoản giống như hầu hết các mô hình open-weight nhỏ mà bạn có thể đang so sánh nó với. Trích dẫn trực tiếp từ tệp, Điều 5 có tiêu đề "Commercial Use Limitation" và nội dung như sau: "Các quyền được cấp theo Giấy phép này cho Sử dụng Thương mại có điều kiện là Bạn hoặc Pháp nhân của Bạn không vượt quá Ngưỡng," tiếp theo là "Mọi Sử dụng Thương mại của Tác phẩm hoặc Tác phẩm phái sinh bởi một Pháp nhân vượt quá Ngưỡng sẽ không được cấp phép theo Thỏa thuận này." Điều 1 định nghĩa Ngưỡng là "doanh thu hàng năm từ 10 triệu đô la Mỹ ($10,000,000) trở lên."

Vậy nên cách đọc thực tế là:

• Dưới 10 triệu USD doanh thu hàng năm — bạn có một quyền rộng rãi, vĩnh viễn, miễn phí bản quyền bao gồm sao chép, tạo tác phẩm phái sinh, phân phối và cấp phép lại, kể cả sử dụng thương mại.

• Từ 10 triệu USD trở lên — việc sử dụng thương mại không được cấp phép theo thỏa thuận này. Không phải "yêu cầu ghi công," không phải "yêu cầu thông báo." Bạn cần liên hệ với Liquid, đó có lẽ là lý do thẻ kết thúc bằng một liên kết đến đội ngũ bán hàng của họ.

• Các tác phẩm phái sinh kế thừa giới hạn này. Bản tinh chỉnh checkpoint này là một Tác phẩm phái sinh, vì vậy một mô hình bạn dành cả một quý để huấn luyện sẽ mang cùng khoản cấp phép có điều kiện doanh thu. Nếu công ty của bạn vượt qua ngưỡng — hoặc bị một công ty đã vượt ngưỡng mua lại — các điều khoản mà sản phẩm của bạn phụ thuộc sẽ thay đổi ngay bên dưới nó.

• Các tổ chức phi lợi nhuận đủ điều kiện được miễn trừ: Ngưỡng này không áp dụng cho tổ chức 501(c)(3) hoặc tổ chức tương đương ở nước ngoài sử dụng tác phẩm cho mục đích phi thương mại hoặc nghiên cứu. Các nghĩa vụ thông thường vẫn được áp dụng — chuyển tiếp giấy phép, giữ nguyên thông báo ghi nhận tác giả, đánh dấu các tệp bạn đã thay đổi.

Không điều nào trong số này khiến bản phát hành trở nên keo kiệt; ngưỡng 10 triệu đô la miễn trừ gần như mọi công ty khởi nghiệp và mọi nhà nghiên cứu, và đó là một cách hợp pháp để công bố trọng số. Nhưng "không giới hạn" là lời tiếp thị mà giấy phép mâu thuẫn, và sự không khớp này gây hậu quả nặng nề nhất ngay tại đây. Tinh chỉnh một checkpoint cơ sở là cách tốn kém nhất và khó có thể đảo ngược nhất để áp dụng một mô hình. Đó là nơi tồi tệ nhất để phát hiện ra một điều khoản doanh thu.

Ai thực sự nên vượt qua trạm kiểm soát này

Hướng dẫn của riêng Liquid hẹp một cách đáng ngạc nhiên, và đáng để tuân theo: trên thẻ mô hình có ghi rằng checkpoint đã tiền huấn luyện là "chỉ được khuyến nghị cho các tác vụ đòi hỏi tinh chỉnh nặng, như các trợ lý dành riêng cho ngôn ngữ (ví dụ tiếng Nhật) hoặc dành riêng cho lĩnh vực (ví dụ y tế), huấn luyện trên dữ liệu độc quyền, hoặc thử nghiệm các phương pháp hậu huấn luyện mới." Từ "only" đó thực sự có ý nghĩa. Nếu bạn muốn một agent trên thiết bị có thể gọi công cụ, thì LFM2.5-2.6B đã hậu huấn luyện chắc chắn là điểm khởi đầu tốt hơn, còn checkpoint cơ sở sẽ khiến bạn lãng phí cả tháng.

Những trường hợp mà nó thực sự là lựa chọn đúng đắn:

• Một ngôn ngữ mà hậu huấn luyện phục vụ chưa đầy đủ. 34T token trải trên 16 ngôn ngữ là một nền tảng đa ngôn ngữ vững chắc, và Liquid đã chứng minh cách làm này ngay tại nội bộ với một bản dựng tiếng Nhật thuộc dòng 1.2B. Việc tiếp tục tiền huấn luyện trên ngôn ngữ của bạn, sau đó tự tinh chỉnh theo hướng dẫn của riêng bạn, sẽ giúp tránh phải chống lại một cá tính hậu huấn luyện lấy tiếng Anh làm trung tâm.

• Một ngành dọc được quản lý với dữ liệu độc quyền. Dưới 2,5 GB khi suy luận, không phụ thuộc đám mây và một giấy phép đủ linh hoạt dưới ngưỡng doanh thu là sự kết hợp hiếm có cho các triển khai y tế, pháp lý hoặc công nghiệp khi dữ liệu không thể rời khỏi thiết bị.

• Nghiên cứu hậu huấn luyện.Liquid đã công bố công thức của mình — SFT, chuyên môn hóa giáo viên, MOPD, RL tác nhân — và sau đó chuyển giao đầu vào chính xác cho công thức đó cùng với đầu ra. Việc có thể chạy phương pháp của riêng bạn trên cùng trọng số khởi tạo và diff với một bộ triển khai tham chiếu mạnh là điều hiếm có và có giá trị.

• Các mục tiêu chưng cất.Một mô hình lai 2.6B giải mã ở 220 token/giây trên một chiếc laptop là một 'học sinh' hấp dẫn để nén một 'giáo viên' lớn hơn nhiều thành thứ có thể phát hành.

Cặp cuối cùng đó mới chính là nơi chi phí thực sự dồn về, và nó không phải là giờ GPU — mà là dữ liệu. Pipeline của Liquid chạy trên quá trình chuyên biệt hóa giáo viên (teacher specialisation) và chưng cất on-policy (on-policy distillation), nghĩa là điều kiện tiên quyết thực sự để tái tạo bất cứ thứ gì tương tự là một khối lượng lớn dữ liệu sinh ra từ các mô hình mạnh hơn, cộng với các cặp ưu tiên và các bản rollout phần thưởng xác minh được. Đó là một công việc nhiều mô hình trước khi nó là một công việc huấn luyện: bạn muốn so sánh các giáo viên ứng viên trên miền dữ liệu của mình, rồi sinh dữ liệu với khối lượng lớn từ mô hình nào thắng. Đây là phần công việc mà sản phẩm của chúng tôi nhắm vào — OrcaRouter đặt hơn 200 mô hình sau một API key với mức cộng giá 0%, nên thứ bạn trả cho một bộ SFT tổng hợp là giá niêm yết của nhà cung cấp thay vì một khoản phí định tuyến (khi nhà cung cấp giảm giá, khoản đó nằm về phía chúng tôi ngay trong ngày), cơ chế failover tự động giúp một lượt chạy sinh dữ liệu kéo dài hai mươi giờ không chết giữa chừng vì một giờ cao điểm tồi tệ của một nhà cung cấp nào đó, và DSL định tuyến cho phép bạn rải một prompt duy nhất qua nhiều giáo viên và giữ lại câu trả lời tốt nhất. Để nói rõ điều chúng tôi không cung cấp: LFM2.5-2.6B-Base không có trên OrcaRouter và không có nhà cung cấp hạ tầng suy luận nào lưu trữ nó — bạn tự chạy các trọng số này. Chúng tôi hữu ích cho các giáo viên, chứ không phải cho học sinh.

Sự phân chia tương tự cũng đáng lưu ý cho bất cứ thứ gì bạn phát hành. Bài viết của Liquid lập luận rằng các tác nhân cục bộ khiến suy luận trở nên miễn phí và loại bỏ chi phí theo token như một ràng buộc — điều này đúng với token biên chứ không đúng với tổng hóa đơn: bạn đã trả trước cho nó bằng phần cứng, và mô hình 2.6B vẫn có trần giới hạn. Liquid cũng tự nói ra điều đó, khuyến nghị không nên dùng dòng mô hình này cho các tác vụ agentic nặng về lập trình hoặc tri thức. Mô hình bền vững là một mô hình cục bộ được tinh chỉnh xử lý đường chính có khối lượng lớn trên thiết bị và chuyển phần nhỏ khó lên mô hình biên giới qua API, giữ được lợi ích về quyền riêng tư và độ trễ ở những nơi quan trọng mà không giả vờ rằng 2.6B tham số có thể làm được mọi thứ.

Con đường từ những trọng số này đến một thứ có thể sử dụng được.

{{1}}Bài đăng ra mắt không đề cập gì đến điều này, nhưng thẻ mô hình cơ sở âm thầm mang theo thứ thực dụng nhất trong toàn bộ kho lưu trữ:{{/1}} {{2}}bảy notebook Colab sẵn sàng chạy{{/2}} {{3}}bao phủ chính xác các giai đoạn trong quy trình{{/3}} {{4}}mà một checkpoint cơ sở cần{{/4}}. {{5}}Hai trong số đó là tiếp tục tiền huấn luyện{{/5}} — {{6}}một cho hoàn thiện văn bản, một cho dịch thuật{{/6}} — {{7}}đây là bước chỉ có ý nghĩa khi xuất phát từ trọng số cơ sở và là bước không ai viết hướng dẫn cả{{/7}}. {{8}}Các notebook còn lại bao gồm tinh chỉnh có giám sát qua Unsloth và TRL, DPO qua TRL, và GRPO qua cả hai{{/8}}. {{9}}Liquid cũng cung cấp LEAP Finetune như một bộ công cụ huấn luyện riêng{{/9}} {{10}}nếu bạn không muốn tự lắp ráp một bộ{{/10}}.

Đọc tài liệu tinh chỉnh của Liquid dựa trên hình dạng của mô hình này, trình tự thực tế sẽ như sau:

• Trước tiên, hãy nhắc nó như một trình hoàn thiện, trước khi bạn huấn luyện bất cứ điều gì.Bỏ qua template chat trên thẻ. Few-shot, văn bản thô, chuỗi dừng của riêng bạn. Đây là cách bạn biết được liệu quá trình tiền huấn luyện đã bao quát lĩnh vực và ngôn ngữ của bạn hay chưa, từ đó quyết định xem bạn có cần tiếp tục tiền huấn luyện hay có thể bỏ qua thẳng đến SFT.

• Chỉ tiếp tục tiền huấn luyện nếu bạn đang bổ sung kiến thức hoặc một ngôn ngữ. Đây là nhánh tốn kém — quy mô kho ngữ liệu, không phải quy mô ví dụ — và là điều duy nhất mà phiên bản anh em hậu huấn luyện thực sự không thể mang lại cho bạn.

• Sau đó SFT với LoRA, trên 500 đến 5,000 ví dụ.Hướng dẫn của chính Liquid là chất lượng và phân bố quan trọng hơn số lượng, và các ví dụ nên khớp với đầu vào sản xuất. Ở 2.6B, một lượt LoRA rất ngắn: tài liệu ghi nhận một lần chạy 1.2B chỉ mất từ vài phút đến vài chục phút trên một GPU hiện đại, vì vậy kích thước này vẫn là một vòng lặp trong cùng buổi chiều.

• Hãy đóng băng một tập dữ liệu giữ riêng trước khi bạn huấn luyện. Thẳng thắn, và đáng để nhắc lại đặc biệt ở thời điểm này, vì không có baseline được công bố nào để so sánh — bộ eval của bạn là con số duy nhất mà mọi người có được.

• Preference hoặc RL nằm ở giai đoạn cuối, và chỉ khi hành vi là vấn đề. Các công thức DPO và GRPO đều tồn tại cho dòng mô hình này, nhưng chúng là sự tinh chỉnh trên nền một mô hình vốn đã trả lời được; tìm đến chúng trước khi SFT được áp dụng chính là cách các dự án base-checkpoint bị đình trệ.

Lưu ý những gì không có trong danh sách đó: không mục nào ở đây cần kernel tùy chỉnh, trình huấn luyện được vá hay file mô hình hóa. Vì LFM2.5 tái sử dụng kiến trúc LFM2, checkpoint cơ sở sẽ khớp ngay vào bộ công cụ tiêu chuẩn, và toàn bộ chi phí của dự án này chỉ là kho ngữ liệu và bộ đánh giá mà bạn xây dựng cho nó.

Điều gì sẽ thay đổi cục diện

Có ba điều đáng để theo dõi, tất cả đều không tốn kém để Liquid giải quyết và không có điều nào được giải quyết hôm nay.

The first is base evaluations. A single MMLU-Pro or GPQA number on the pre-trained checkpoint would tell fine-tuners more than every agentic benchmark in the launch post combined, and the fact that 34T tokens went in makes its absence more curious, not less. The second is the card itself — a base repository whose heading names a different model, whose quick-start applies a chat template to a non-chat model, and whose frontmatter misspells base_model is a ten-minute fix that would stop people concluding the weights are broken when the instructions are. The third is the LFM2.5 technical report. The citation block points at arXiv 2511.23404, which is the LFM2 technical report from November 2025; the 2.5 generation's own paper is not out, so the pre-training data mix behind those 34T tokens remains undisclosed.

Cho đến lúc đó, tóm tắt trung thực là đây là một mô hình nền tảng 2.6B được thiết kế tốt, huấn luyện kỹ lưỡng, tối ưu hiệu quả, với đối tượng người dùng được mô tả rõ ràng một cách bất thường, được công bố mà không có số đo hiệu năng nào và kèm theo giấy phép giới hạn doanh thu, và cho đến nay hầu như chưa ai thực sự đưa nó vào sử dụng. Nếu bạn nằm trong đối tượng mà thẻ mô tả hướng đến, thì nó đáng để bạn dành thời gian GPU — và bạn sẽ là một trong những người đầu tiên ở bất kỳ đâu biết được nó thực sự tốt đến mức nào.

Những câu hỏi đáng trả lời

Đây có phải là cùng một checkpoint mà LFM2.5-2.6B được post-train từ đó, hay là một lần pre-training riêng biệt?

Thẻ thông tin nêu rằng LFM2.5-2.6B-Base "là checkpoint tiền huấn luyện chỉ dành cho văn bản, được dùng để tạo ra tất cả các biến thể LFM2.5-2.6B," vì vậy đây chính là đầu vào thực tế của pipeline đã công bố, chứ không phải một bản phát hành song song hay cắt giảm. {{1}}Điều này khiến nó trở nên hữu ích cho nghiên cứu hậu huấn luyện:{{/1}} phương pháp của bạn và bốn giai đoạn của Liquid đều bắt đầu từ cùng một bộ trọng số, {{2}}nên việc so sánh giữa chúng có ý nghĩa thực chất.{{/2}} {{3}}Cần lưu ý rằng repository gốc được tạo vào ngày 1 tháng 8 và được sửa đổi lần cuối vào ngày 4 tháng 8 — đúng ngày ra mắt:{{/3}} {{4}}hãy kiểm tra lịch sử commit trước khi cho rằng file bạn tải xuống từ sớm chính là file đã được phát hành chính thức.{{/4}}

Tôi có thể tinh chỉnh nó và bán kết quả không?

Nếu doanh thu hàng năm của pháp nhân của bạn dưới 10.000.000 USD, thì có — khoản tài trợ LFM1.0 bao gồm {{1}}việc sử dụng thương mại các tác phẩm phái sinh{{/1}}, với điều kiện {{2}}giữ nguyên thông báo giấy phép và ghi nhận tác giả cũng như đánh dấu các tệp đã thay đổi{{/2}}. Ở mức từ ngưỡng đó trở lên, {{3}}việc sử dụng thương mại mô hình hoặc bất kỳ sản phẩm phái sinh nào từ mô hình nằm ngoài phạm vi giấy phép{{/3}} và cần {{4}}một thỏa thuận riêng với Liquid{{/4}}. Ngưỡng này áp dụng theo {{5}}doanh thu của pháp nhân bạn, chứ không phải theo mô hình hoặc doanh thu mà mô hình tạo ra{{/5}}, vì vậy {{6}}cùng một bản tinh chỉnh có thể được cấp phép cho công ty này nhưng không được cấp phép cho công ty khác{{/6}}, và {{7}}một công ty tăng trưởng vượt qua mốc này sẽ không được giữ khoản tài trợ mà họ từng có{{/7}}.

Tại sao không chỉ tinh chỉnh mô hình LFM2.5-2.6B đã được hậu huấn luyện thay vào đó?

Đối với hầu hết các dự án, bạn nên làm vậy, và thẻ mô hình của Liquid cũng nói rõ điều đó. Lý do để bắt đầu từ checkpoint gốc là khi quá trình hậu huấn luyện đang chống lại bạn thay vì hỗ trợ bạn: việc tiếp tục tiền huấn luyện cường độ cao trên một ngôn ngữ mới hoặc một kho ngữ liệu chuyên ngành dù sao cũng có xu hướng làm hỏng hành vi đã được tinh chỉnh theo hướng dẫn, và các mẫu từ chối, quy ước gọi công cụ cùng phong cách phản hồi do SFT và RL nhúng sâu vào rất khó gỡ bỏ và dễ gây xung đột. Nếu bạn đang bổ sung kiến thức hoặc ngôn ngữ, hãy bắt đầu từ bản gốc. Nếu bạn chỉ đang điều chỉnh hành vi ở mức độ nhỏ, hãy bắt đầu từ mô hình đã qua hậu huấn luyện và giữ lại bốn giai đoạn công việc mà ai đó đã trả phí.