Perceptron Mk1.5 so với LFM2.5-2.6B-Base: Thuê khả năng nhận thức, hay sở hữu checkpoint và tự mình hoàn thiện nó

Cả hai mô hình này đều nhắm đến phần cứng mà bạn có thể cầm bằng một tay. Perceptron Mk1.5 là một mô hình tri giác dành cho các tác nhân có hiện thân mà nhà cung cấp nói rằng nó có mặt trên drone, robot bốn chân, kính thông minh và điện thoại. LFM2.5-2.6B-Base là một checkpoint trọng số mở 2,69B do Liquid AI xây dựng một cách rõ ràng để triển khai trên thiết bị — đủ nhỏ để chạy trong bộ nhớ dưới 2,5GB. Tham vọng vật lý chung đó là điểm duy nhất chúng có chung, và đó là một cái bẫy đối với bất kỳ ai so sánh chúng trên bảng thông số. Perceptron Mk1.5 là một sản phẩm hoàn chỉnh mà bạn thuê theo token: đầu vào là văn bản, hình ảnh, video và âm thanh, đầu ra là văn bản cùng hình học mà máy đọc được, đã hoạt động từ ngày 25 tháng 9 năm 2026. LFM2.5-2.6B-Base là một nền tảng tiền huấn luyện thô chưa qua tinh chỉnh theo chỉ dẫn, không có mẫu trò chuyện và không có tuyên bố về điểm chuẩn — một checkpoint được phát hành để người khác hoàn thiện. Một trong số chúng trả lời một câu hỏi ngay hôm nay; cái còn lại là nguyên liệu thô cho một mô hình sẽ làm được điều đó.

So sánh chỉ hoạt động nếu bạn đặt tên cho giai đoạn

Đặt một API đã được đưa vào phục vụ bên cạnh một checkpoint cơ sở không phải là một cuộc so tài trực tiếp, và giả vờ rằng không phải vậy sẽ tạo ra một bảng vô nghĩa, trong đó một bên “thắng” mọi hàng vì nó đã được nhà cung cấp của mình hoàn thiện còn bên kia thì chưa được bắt đầu. Câu hỏi hữu ích là bạn đang ở giai đoạn nào của công việc.

Liquid AI đã phát hành dòng LFM2.5 dưới dạng một tập hợp các checkpoint, và bản base là bản đầu tiên. Thẻ mô hình của nó liệt kê tổng cộng 2,69 tỷ tham số trải qua 30 lớp — 22 khối tích chập ngắn cổng đôi và 8 khối attention truy vấn theo nhóm — được huấn luyện trên khoảng 34 nghìn tỷ token, với từ vựng 128.000 token, độ dài ngữ cảnh 131.072 token và hỗ trợ 16 ngôn ngữ bao gồm tiếng Anh, tiếng Trung, tiếng Nhật, tiếng Hàn và tiếng Ả Rập. Nó chỉ dành cho văn bản, là một mô hình ngôn ngữ nhân quả và không hơn gì cả, và khuyến nghị của chính Liquid rất thẳng thắn: checkpoint này dành cho các tác vụ cần tinh chỉnh chuyên sâu, chẳng hạn như trợ lý theo ngôn ngữ cụ thể hoặc theo lĩnh vực cụ thể, huấn luyện trên dữ liệu độc quyền, hoặc thử nghiệm các phương pháp hậu huấn luyện mới. Điều biến nó thành tác nhân gọi công cụ mang lại các điểm số đã công bố của dòng mô hình này là quy trình hậu huấn luyện bốn giai đoạn của Liquid, thứ mà bản base không bao gồm.

Perceptron Mk1.5 nằm ở đầu bên kia của vòng cung đó. Perceptron đã hoàn tất quá trình hậu huấn luyện, quyết định định dạng đầu ra và định giá kết quả — 0,15 USD mỗi triệu token đầu vào và 1,50 USD mỗi triệu token đầu ra, với đầu vào được lưu đệm ở mức 0,0375 USD. Các thông số kỹ thuật của nó cụ thể theo cách mà checkpoint cơ sở không có: ngữ cảnh 36.864 token, đầu ra tối đa 8.192 token, bốn phương thức đầu vào, một điều khiển reasoning_effort mặc định ở mức cao, gọi hàm trên chat completions, và các phản hồi được ràng buộc thông qua JSON Schema và regex.

Lý do cần cân nhắc cả hai là tổng chi phí sở hữu vận động theo hai hướng ngược nhau. Mk1.5 đắt đỏ trên mỗi token và miễn phí để bắt đầu. LFM2.5-2.6B-Base miễn phí ở biên và đắt ở đồng tiền duy nhất quan trọng đối với một checkpoint cơ sở — thời gian kỹ thuật của bạn.

Từng chiều một, với các vai trò được phân định rõ ràng

• Nó là gì — Perceptron Mk1.5 là một API nhận thức được lưu trữ với đầu ra không gian có cấu trúc. LFM2.5-2.6B-Base là một LM nhân quả đã huấn luyện trước 2,69 tỷ tham số có thể tải xuống.

• Đầu vào — Mk1.5 nhận văn bản, hình ảnh, video và âm thanh (WAV, MP3, FLAC). LFM2.5-2.6B-Base chỉ nhận văn bản, và chỉ văn bản mà thôi.

• Đầu ra — Mk1.5 trả về văn bản cùng với các điểm, hộp, đa giác, clip và các <track> có dấu thời gian tùy chọn, hoặc các phản hồi được ràng buộc bởi JSON Schema. Bản cơ sở trả về xác suất token cho token tiếp theo, và chưa có gì được tinh chỉnh để khiến điều đó trở nên hữu ích.

• Sử dụng độc lập — Mk1.5 hoạt động ngay khi bạn có khóa. LFM2.5-2.6B-Base không trả lời câu hỏi theo bất kỳ nghĩa sản phẩm nào; nó cần được tinh chỉnh, và thường là một mẫu trò chuyện, trước khi trở thành một mô hình bạn có thể phát hành.

• Ngữ cảnh — 36.864 token cho Mk1.5 so với 131.072 cho bản cơ sở. Checkpoint trên thiết bị chứa lượng văn bản gần gấp bốn lần so với bất cứ thứ gì mà mô hình nhận thức được phục vụ nắm giữ.

• Dấu chân — Mk1.5 chạy ở nơi Perceptron chạy nó, và công trình về độ trễ đã công bố của nó được thực hiện trên một chiếc H100 duy nhất. Bản base được thiết kế để chạy trên laptop, điện thoại hay một thiết bị edge với mức dưới 2,5GB.

• Bằng chứng — mọi con số năng lực của Mk1.5 đều là của riêng Perceptron, và không có chỉ số độc lập nào dành cho nó. Bản cơ sở hoàn toàn không có tuyên bố benchmark nào: Liquid công bố điểm số cho LFM2.5-2.6B đã qua huấn luyện hậu kỳ, không phải cho checkpoint này.

• Giấy phép — Mk1.5 là đóng, cho thuê theo từng token. LFM2.5-2.6B-Base được phát hành theo LFM Open License v1.0 với trọng số mà bạn tải xuống và giữ.

Tuyến đường trọng số, được tính chi phí một cách trung thực

Nếu sức hút của LFM2.5-2.6B-Base nằm ở việc trọng số được miễn phí, thì phiên bản trung thực của câu đó là: trọng số chỉ là phần rẻ nhất của dự án. Một lần fine-tune trên dữ liệu độc quyền đồng nghĩa với một dataset, một lượt huấn luyện, một bộ khung đánh giá để cho bạn biết liệu fine-tune có hiệu quả hay không, và một đường phục vụ — Transformers, vLLM hoặc SGLang, hoặc một trong các bản dựng GGUF, ONNX và MLX mà Liquid phát hành lần lượt cho triển khai trên CPU, đa nền tảng và Apple Silicon. Không có gì trong số đó là xa lạ, và với 2.69B, nó vừa vặn trên phần cứng mà một fine-tune 70B không bao giờ chạm tới. Nhưng một checkpoint base chỉ là điểm khởi đầu, và rủi ro về tiến độ nằm hoàn toàn ở phía bạn trong giao dịch này.

Đổi lại, bạn có được sự kiểm soát. Tokenizer 16 ngôn ngữ và ngữ cảnh 131K nghĩa là một bản fine-tune theo lĩnh vực không phải giành chỗ với quá trình tiền huấn luyện. Kích thước dưới 2,5GB nghĩa là mục tiêu triển khai là một thiết bị thay vì trung tâm dữ liệu — đó chính là toàn bộ mục đích của dòng mô hình này. Và LFM Open License cho phép bạn giữ lại kết quả — một chuyên gia mà không đối thủ nào có thể thuê từ cùng API mà bạn có thể.

Có một mẩu bằng chứng của bên thứ ba đáng biết trước khi bạn đặt cược vào nguồn gốc, và một khoảng trống. LFM2.5-2.6B đã qua hậu huấn luyện của Liquid thực sự có một phép đo độc lập: Artificial Analysis xếp nó ở Chỉ số Thông minh 8, đứng thứ 9 trong 49 mô hình cùng lớp. Checkpoint gốc thì không — không có trang nào cho nó, điều này là bình thường với một nền tảng đã tiền huấn luyện và đáng được nói thẳng ra thay vì coi đó là một phán quyết. Điều mà chỉ số của mô hình hậu huấn luyện cho bạn biết là những gì pipeline tạo ra từ điểm khởi đầu này ở đầu nhỏ của dải chỉ số, chứ không phải những gì bản tinh chỉnh của bạn sẽ tạo ra.

Tuyến API, và "on-device" có nghĩa gì đối với một mô hình được lưu trữ

Câu chuyện triển khai của Perceptron Mk1.5 phức tạp hơn danh sách mục tiêu của nó, và cần nói chính xác. Thông báo của nhà cung cấp nêu drone, robot bốn chân, kính thông minh và điện thoại là các mục tiêu triển khai. Bản thân mô hình được phục vụ từ api.perceptron.inc phía sau một khóa API, và bằng chứng về độ trễ mà Perceptron công bố là trung vị của ba lần chạy trên một H100 duy nhất. Một H100 duy nhất không phải là drone. Cách hiểu thực tế là Mk1.5 là lớp nhận thức cho một robot có liên kết mạng hoặc một hộp tính toán đồng hành, chứ không phải một mô hình chạy bên trong khung máy bay — và bất kỳ ai đang lên kế hoạch cho một thiết bị ngoại tuyến dựa trên nó nên kiểm tra giả định đó trước khi thiết kế phần cứng.

Điều mà tuyến API mang lại, nếu giả định về mạng vẫn đúng, là thứ mà một checkpoint cơ sở không thể cho bạn bằng bất cứ giá nào: tọa độ. Đầu ra <track> của Mk1.5 mang một quan sát không gian và dấu thời gian của nó, vì vậy một clip trả về dưới dạng vị trí đối tượng theo thời gian thay vì mô tả một cảnh. Thêm trường asset_idx, cho phép một yêu cầu truy cập riêng nhiều ảnh hoặc video, và dạng yêu cầu khớp với một vòng điều khiển — khung tham chiếu vào, hình học ra, không có bước phân tích cú pháp nào giữa mô hình và đoạn mã làm di chuyển thứ gì đó.

Các chi phí chính là những khoản đã liệt kê: 36.864 token ngữ cảnh, mức trần âm thanh 16.384 token cho mỗi mục mà tài liệu của Perceptron ước tính vào khoảng 21,8 phút ở tốc độ chừng 750 token mỗi phút, một reasoning_effort mặc định là high khiến bạn bị tính phí cho con đường suy luận đắt đỏ nhất trong mọi lần gọi mà bạn không cấu hình, cùng một loạt tuyên bố về điểm chuẩn do chính công ty bán mô hình đưa ra. Con số theo dõi bàn tay là con số bạn nên kiểm chứng với chính thước phim của mình: 0,9433 trên egocentric hand_box so với 0,4467 của Gemini 3.1 Pro trong lần chạy của chính Perceptron là một khoảng cách lớn, và những khoảng cách lớn trong đánh giá của nhà cung cấp chính là những thứ đáng để tái lập.

Cả hai đều không có trong danh mục của chúng tôi, và điều đó làm thay đổi quyết định.

Cả Perceptron Mk1.5 lẫn LFM2.5-2.6B-Base đều không được định tuyến trên OrcaRouter hiện nay. Mk1.5 hoàn toàn không có tuyến nào, nên để truy cập nó phải dùng API riêng của nhà cung cấp — pip install "perceptron>=0.4.0" và PERCEPTRON_API_KEY — còn Liquid AI thì không có mô hình nào ở bất kỳ kích cỡ nào trong danh mục của chúng tôi, nên checkpoint cơ sở phải tải xuống từ Hugging Face của Liquid chứ không phải là một lệnh gọi.

Điều đó ít quan trọng hơn vẻ ngoài của nó, bởi vì hai thứ đó không phải là những điểm cuối có thể hoán đổi cho nhau và không có lập luận nào về giá cả có thể khiến chúng trở thành như vậy. Điều mà một lớp định tuyến đóng góp ở đây chính là phần của quyết định vẫn còn để ngỏ. Nếu bạn xây dựng một dịch vụ nhận thức trên Mk1.5 và một chuyên gia văn bản trên LFM2.5-2.6B-Base đã được tinh chỉnh, thì bạn đang vận hành hai tích hợp và hai chế độ lỗi; một cổng tương thích OpenAI đặt trước chúng sẽ biến sự cố từ phía nhà cung cấp ở một trong hai bên thành một phương án dự phòng thay vì một tác vụ thất bại, và một quy tắc định tuyến có thể gửi lưu lượng thị giác và lưu lượng văn bản đến các mô hình khác nhau mà ứng dụng không cần biết cái nào là cái nào. Một API bao phủ hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển tiếp nguyên gốc, không cộng thêm 0% chính là phiên bản của điều đó, nơi một thay đổi giá từ nhà cung cấp được áp dụng ngay trong ngày thay vì phải chờ đến lần gia hạn tiếp theo của bạn — mặc dù đối với riêng hai mô hình này, hiện tại, cổng đó là một yếu tố cần cân nhắc trong kế hoạch chứ không phải một lối tắt sẵn có.

Bạn nên làm gì và nên đo lường những gì

Nếu nhiệm vụ của bạn là "tìm đối tượng này trong khung hình này và trả về vị trí của nó," hãy thuê Mk1.5 và kiểm tra tuyên bố hand-box trên video của chính bạn trước khi bạn cam kết một lộ trình sản xuất cho nó. Dự trù cho giả định về mạng, đặt reasoning_effort một cách có chủ đích thay vì chấp nhận high, và coi cửa sổ 36.864 token là ràng buộc cứng đúng như nó vốn là. Đầu ra có cấu trúc chính là sản phẩm, và nếu mã hạ nguồn của bạn có thể tiêu thụ một tọa độ mà không cần giai đoạn phân tích cú pháp, thì đó là một khoản tiết kiệm thực sự ở nơi mà hầu hết pipeline thị giác âm thầm đánh mất độ chính xác.

Nếu nhiệm vụ của bạn là "Tôi cần một mô hình 2.6B được tinh chỉnh trên dữ liệu mà không ai khác có, chạy ở đâu đó không có GPU," hãy tải LFM2.5-2.6B-Base và ước tính chi phí fine-tune một cách trung thực trước khi bắt đầu. Checkpoint thì miễn phí, còn phần kỹ thuật thì không, và bài học của chính dòng họ này — rằng phiên bản cùng dòng đã qua hậu huấn luyện đạt 8 điểm trên chỉ số độc lập — là lời nhắc rằng khoảng cách giữa một mô hình nền tảng và một mô hình hoàn chỉnh chính là nơi công việc thực sự diễn ra. Không lựa chọn nào trong hai lựa chọn này là câu trả lời sai. Chúng là những khoản đầu tư khác nhau, và sai lầm thực sự duy nhất là đối xử với một nền tảng mà bạn phải hoàn thiện như thể nó đã là một sản phẩm hoàn chỉnh.

Hai mô hình, hai tích hợp và hai kiểu lỗi là một tình thế tệ hơn vẻ ngoài của nó. Trên OrcaRouter, bạn có thể thiết lập chuyển đổi dự phòng tự động để sự cố từ phía nhà cung cấp ở một trong hai bên sẽ thoái hóa thành phương án dự phòng thay vì một tác vụ thất bại.