Solar Mini 4 so với LFM2.5 2.6B Base: Chỉ số gấp ba lần, và một so sánh chi phí không hề tồn tại

Cách trung thực để so sánh Solar Mini 4 và LFM2.5 2.6B Base là thừa nhận ngay từ đầu rằng chúng không cùng một thị trường. Solar Mini 4 là mixture-of-experts thưa 35 tỷ tham số của Upstage, ra mắt ngày 22 tháng 9 năm 2026, kích hoạt khoảng 3 tỷ tham số mỗi token, độc quyền, và được tính phí $0.10 mỗi triệu token đầu vào và $0.40 mỗi triệu token đầu ra. LFM2.5 2.6B Base là checkpoint đã được huấn luyện trước 2.69 tỷ tham số của Liquid AI, được công bố lên Hugging Face vào đầu tháng 8 năm 2026 theo LFM Open License v1.0, đủ nhỏ để nằm trong bộ nhớ của một chiếc điện thoại. Một cái là một endpoint. Cái còn lại là một tệp trọng số, và nếu bạn đang đọc bài này vì bạn muốn chạy một mô hình thay vì gọi nó, thì cuộc so sánh đã kết thúc rồi.

Điều khiến sự ghép đôi này xứng đáng có hẳn một bài viết, dù sao đi nữa, chính là một chiều kích duy nhất mà chúng thực sự trùng nhau: cả hai đều đã được đặt lên soi bằng cùng một thước đo độc lập, và hình dạng của phép so sánh đó không giống như những gì các con số tham số dự đoán. Artificial Analysis cho Solar Mini 4 điểm 24 trên Intelligence Index v4.3.2 và đánh giá thế hệ LFM2.5 2.6B ở mức 8.4 — nhưng con số thứ hai chỉ là ước tính, và nó không đo lường checkpoint trong tiêu đề của bài viết này. Cả hai lưu ý đều quan trọng, và chúng là điều đầu tiên cần làm rõ.

Bảng thông số kỹ thuật, đặt cạnh nhau

• Tham số — Solar Mini 4 có tổng cộng 35B với 3B hoạt động; LFM2.5 2.6B Base là dense ở mức 2.69B, không giữ lại bất cứ thứ gì. Trọng số ở phía Upstage gấp mười ba lần với ngân sách tính toán mỗi token gần như tương đương.

• Kiến trúc — Solar Mini 4 là một mô hình hỗn hợp chuyên gia thưa. LFM2.5 2.6B Base có 30 lớp, 22 trong số đó là các khối tích chập ngắn có cổng kép và 8 lớp attention truy vấn nhóm, thiết kế lai mà Liquid xây dựng cho suy luận trên CPU và thiết bị biên.

• Huấn luyện — Upstage không công bố ngân sách token. Thẻ mô hình của Liquid ghi nhận 34 nghìn tỷ token và vốn từ vựng 128.000 token trải rộng 16 ngôn ngữ, trong đó có tiếng Hàn và tiếng Nhật.

• Giấy phép — Solar Mini 4 là độc quyền. LFM2.5 2.6B Base được phát hành theo LFM Open License v1.0 — cho phép dùng cho mục đích thương mại kèm theo các điều kiện, và có thể tinh chỉnh.

• Ngữ cảnh — Upstage ghi nhận 512K token, Artificial Analysis liệt kê 1,05M cho cùng mô hình, nên hãy coi giới hạn trần là chưa ngã ngũ. LFM2.5 2.6B Base chạy 131.072.

•Phương thức — cả hai đều nhận văn bản và xuất văn bản. Không cái nào nhận hình ảnh hay âm thanh.

• Giá — Solar Mini 4 ở mức $0.10 / $0.01 cho bộ nhớ đệm / $0.40 mỗi triệu token, hiện đang giảm 50% đến hết ngày 22 tháng 10 năm 2026. LFM2.5 2.6B Base hoàn toàn không có bảng giá; trang Artificial Analysis theo dõi giá của thế hệ LFM2.5 2.6B ở mức $0.00.

“8.4, ước tính” đo lường và không đo lường những gì

Mục từ của Artificial Analysis cho dòng LFM2.5 2.6B — mô hình đã qua huấn luyện hậu kỳ, không phải Base tiền huấn luyện — mang chỉ số 8.4 được gắn cờ là ước tính, với hầu hết các đánh giá thành phần của nó cũng được đánh dấu theo cùng cách. Đó là một vị trí trên bảng xếp hạng, chứ không phải một thông số kỹ thuật để xây dựng dựa trên đó, và không bao giờ nên được trích dẫn như thể ai đó đã chạy checkpoint Base qua bộ kiểm thử. Chưa ai làm vậy. Model card của chính Liquid hoàn toàn không công bố bảng benchmark nào cho LFM2.5 2.6B Base: đây là một checkpoint hoàn thành văn bản đã qua tiền huấn luyện, và card nói rõ rằng nó chỉ được khuyến nghị cho việc tinh chỉnh chuyên sâu.

Phiên bản anh em được chấm điểm là một sản phẩm khác. Bảng benchmark của Liquid cho LFM2.5 2.6B đã qua hậu huấn luyện cho thấy IFStruct ở mức 85,5 và Multi-IF ở mức 80,1, AIME25 ở mức 51,9, LiveCodeBench v6 ở mức 59,4, BFCLv4 ở mức 56,9 và τ³-Banking ở mức 5,7 — tất cả đều do nhà cung cấp chạy, tất cả đều trên bản tinh chỉnh theo chỉ dẫn, và con số τ³ chính là con số đọc như một lời cảnh báo.

Hồ sơ của Solar Mini 4 có hình dạng hoàn toàn khác. Nó đạt 83,3% trên AA-LCR v1.1 cho suy luận ngữ cảnh dài, 47,6% trên SciCode, và −10,8 trên AA-Omniscience với độ chính xác 18,4% và tỷ lệ không ảo giác 64,2%. Nó cũng đạt 1% trên Terminal-Bench 4.0 và 22,3% trên AutomationBench-AA. Cả hai họ mô hình đều yếu trong công việc agentic; mô hình của Upstage yếu trong công việc agentic nhưng lại đắt đỏ, một tình thế tệ hơn so với việc yếu trong công việc agentic nhưng miễn phí.

Điểm khiến Solar Mini 4 xứng đáng với mức giá của nó nằm ở quy mô lập luận. Với 88.300 token đầu ra cho mỗi tác vụ lập chỉ mục — trong đó 71.600 là lập luận — nó tiêu tốn năng lực tính toán theo cách mà một mô hình dense 2,6B không thể bắt chước chỉ bằng việc được đưa một prompt dài hơn. Một mô hình với 2,69B tham số có thể được yêu cầu suy nghĩ từng bước một; nó không thể được yêu cầu để có 35B tham số. Đó chính là sản phẩm thực sự.

Gấp ba lần chỉ số, và không có số liệu chi phí tương đương

Artificial Analysis đặt Solar Mini 4 ở mức 0,36 USD cho mỗi tác vụ chỉ mục hoàn thành, so với 0,02 USD cho Granite 4.2 3B, còn thế hệ LFM2.5 2.6B được định giá bằng không, nên không tồn tại con số chi phí trên mỗi tác vụ nào có thể biến đây thành một tỷ lệ công bằng. Do đó, cách diễn đạt “Solar Mini 4 tốn kém hơn nhiều so với LFM2.5 2.6B Base” là đúng và hơi lạc đề. Câu hỏi liên quan là liệu công việc trích xuất có cấu trúc trên tài liệu dài bằng tiếng Hàn mà Solar Mini 4 được tạo ra để làm có thể được thực hiện bởi một checkpoint tiền huấn luyện 2,69B hay không. Thông thường thì không, và khi đó so sánh trở thành Solar Mini 4 với một mô hình tổng quát tiên tiến, chứ không phải Solar Mini 4 với một mô hình điện thoại.

Trường hợp LFM2.5 2.6B Base thắng không phải là trường hợp nó rẻ hơn. Mà là trường hợp tác vụ đủ hẹp để việc tinh chỉnh thu hẹp khoảng cách. Trích xuất trường có cấu trúc từ một định dạng tài liệu đã biết, phân loại theo một taxonomy cố định, một trợ lý trên thiết bị phải hoạt động mà không cần mạng — đó là những tác vụ mà một checkpoint 2,69B cộng với dữ liệu huấn luyện của chính bạn đánh bại một mô hình tổng quát 35B cộng với một bảng giá, và tốn một instance GPU thay vì một máy đếm token. Liquid phát hành checkpoint base kèm các công thức continued-pretraining, LoRA SFT, DPO và GRPO thông qua Unsloth và TRL chính xác là để phục vụ hướng đi đó.

Gọi cái nào

Hãy chọn Solar Mini 4 khi đầu vào dài, đầu ra cần được suy luận, và thành phần ngôn ngữ có cả tiếng Hàn hoặc tiếng Nhật — và khi bảy phút giải mã cho mỗi tác vụ khó là mức chấp nhận được. Hãy chọn LFM2.5 2.6B Base khi trọng số cần thuộc về bạn, thiết bị không có mạng, và tác vụ đủ hẹp để tinh chỉnh. Những triển khai thú vị dùng cả hai, vì chúng không phải là những phương án thay thế cho nhau: một mô hình nhỏ chạy cục bộ đảm nhiệm việc định tuyến, khử thông tin nhạy cảm và trích xuất, còn mô hình được lưu trữ chỉ được gọi đến cho phần nhỏ yêu cầu thực sự cần 35 tỷ tham số.

Mô hình của Liquid không có trên OrcaRouter, và mô hình của Upstage cũng không, nên không tuyến nào trong hai tuyến đó là thứ chúng tôi có thể bán cho bạn. Điều chúng tôi có thể làm là phần biến so sánh này từ một quyết định thành một cấu hình: hơn 200 mô hình chỉ sau một khóa với markup 0% so với giá niêm yết của nhà cung cấp, với khả năng chuyển đổi dự phòng tự động giữa các nhà cung cấp và một DSL định tuyến cho phép bạn kết hợp nhiều mô hình thành một lệnh gọi duy nhất. Khi câu trả lời đúng là "cái rẻ phần lớn thời gian và cái tốt khi điều đó quan trọng," thì đó là một bài toán định tuyến, và đó là lý do DSL định tuyến tồn tại.

Con số mà cả hai nhà cung cấp đều không đưa lên slide

Độ trễ. Solar Mini 4 tiêu tốn 88.300 token đầu ra cho mỗi tác vụ Intelligence Index ở mức đo được là 204 token mỗi giây, vì vậy trung bình nó mất 430 giây — hơn bảy phút một chút — cho mỗi tác vụ khó. Thế hệ LFM2.5 2.6B, trên máy chủ mà Artificial Analysis đã kiểm thử, chạy ở 45,7 token mỗi giây với 2,8 giây chờ cho đoạn đầu tiên, nhưng đó là một máy chủ trung tâm dữ liệu đang giao tiếp với một mô hình mà bình thường sẽ chạy trên bàn làm việc của bạn. Các phép đo của chính Liquid cho thấy cùng kiến trúc đó đạt 220 token mỗi giây trên M5 Max, 113 trên Ryzen AI Max+ 395, và khoảng 30 token mỗi giây trên điện thoại — tức là một vòng lặp agent dùng được trên thiết bị không có kết nối mạng.

Nếu khối lượng công việc của bạn mang tính tương tác, thì sự so sánh không hề sát nút và không có điểm chuẩn nào có thể thay đổi điều đó. Nếu khối lượng công việc của bạn là theo lô và thứ đang chờ đợi là một tác vụ cron, thì bảy phút là ổn và độ sâu suy luận là xứng đáng.

Hai ghi chú về nguồn để kết lại. Mọi chỉ số của Artificial Analysis ở đây là phép đo độc lập của tổ chức đó trên một bộ đánh giá dùng chung; chỉ số LFM2.5 2.6B được nêu rõ là một ước tính và áp dụng cho mô hình đã qua hậu huấn luyện thay vì checkpoint Base đã qua tiền huấn luyện được nêu ở trên. Mọi chỉ số của Liquid AI là lần chạy của chính nhà cung cấp trên các benchmark của chính nhà cung cấp, chưa được tái lập — và bản thân checkpoint Base hoàn toàn không có điểm số nào được công bố, điều này là một thực tế về các mô hình tiền huấn luyện chứ không phải là lời chỉ trích đối với mô hình này.