UserRepGen-4B so với LFM2.5 2.6B Base: Nguyên liệu thô và Chi tiết hoàn thiện

Cách nhanh nhất để thấy điều gì phân biệt microsoft/UserRepGen-4B với LFM2.5-2.6B-Base là đếm số định dạng. Checkpoint 2,69 tỷ tham số của Liquid AI được phát hành theo bốn cách — trọng số Transformers gốc, GGUF cho llama.cpp, ONNX cho các runtime đa nền tảng, và MLX cho Apple Silicon — bởi vì nó tồn tại để được người khác điều chỉnh và triển khai. Còn về phía Microsoft UserRepGen-4B chỉ phát hành theo một cách: một tệp safetensors bfloat16 chưa lượng tử hóa duy nhất ở kích thước 9.078.620.536 byte, kèm một card nêu rõ rằng "hiện không có định dạng tối ưu hóa hoặc dành riêng cho thiết bị nào." Một cái là nguyên liệu thô. Cái kia là một bộ phận hoàn thiện. Chúng không phải là đối thủ cạnh tranh; chúng là hai giai đoạn liên tiếp của cùng một công việc, và đặt chúng cạnh nhau là cách rõ ràng nhất để thấy điều thực sự thay đổi giữa việc bắt đầu một fine-tune và việc phát hành nó.

Hai vị trí trong ngăn xếp

LFM2.5-2.6B-Base là checkpoint tiền huấn luyện nằm bên dưới dòng LFM2.5 của Liquid AI — bản mà mọi biến thể hậu huấn luyện đều được xây dựng từ đó. Nó cố ý chưa từng được tinh chỉnh theo hướng dẫn. Thẻ mô hình của chính nó chỉ khuyến nghị nó cho "các tác vụ đòi hỏi tinh chỉnh chuyên sâu, như trợ lý theo ngôn ngữ cụ thể (ví dụ: tiếng Nhật) hoặc theo lĩnh vực cụ thể (ví dụ: y tế), huấn luyện trên dữ liệu độc quyền, hoặc thử nghiệm các phương pháp hậu huấn luyện mới." Hỏi nó một câu và nó sẽ tiếp tục văn bản của bạn thay vì trả lời, vì việc trả lời chưa bao giờ là một phần trong quá trình huấn luyện của nó.

UserRepGen-4B là hình hài của bước tiếp theo. Microsoft đã lấy Qwen3.5-4B, thêm một LoRA hạng 64, huấn luyện nó bằng tinh chỉnh có giám sát trực tuyến thông qua chưng cất hindsight trong suốt tháng Bảy và tháng Tám năm 2026, rồi công bố kết quả vào ngày 14 tháng 10 mà không hề thông báo và không có bài báo. Nó chỉ làm đúng một việc — đọc một cuộc hội thoại nhiều lượt và viết mô tả JSON hai trường về người dùng trong đó — và không làm gì khác.

Vậy cách diễn giải trung thực không phải là "cái nào tốt hơn." Mà là: một trong những thứ này là thứ bạn tinh chỉnh, còn cái kia là thứ mà một phòng thí nghiệm tạo ra bằng cách tinh chỉnh một thứ khác.

Những gì bản tải xuống thực sự mang đến cho bạn

• Tham số và dung lượng — LFM2.5-2.6B-Base có 2,69 tỷ tham số trong một kiến trúc hybrid; UserRepGen-4B là mô hình thuộc lớp 4B với tệp trọng số được công bố khoảng 9,1 GB ở định dạng bfloat16 và không có bản dựng nhỏ hơn nào.

• Ngữ cảnh — 131.072 token trên checkpoint Liquid, so với chuỗi huấn luyện 9.216 token trên bản của Microsoft (8.192 prompt, 1.024 completion), với việc sử dụng mở rộng hoàn toàn không được hỗ trợ.

• Định dạng — GGUF, ONNX và MLX cùng với trọng số gốc, so với một tệp safetensors.

• Giấy phép — LFM Open License (lfm1.0) ở một bên, MIT cùng một Apache 2.0 được kế thừa ở bên kia. Cả hai đều đủ thoáng để xây dựng dựa trên; nhưng chúng không phải là cùng một văn bản.

• Ngôn ngữ — mười sáu ngôn ngữ được đặt tên trên thẻ Liquid, chỉ có tiếng Anh trên thẻ của Microsoft.

• Mức độ tiếp nhận — LFM2.5-2.6B-Base đã công khai từ ngày 1 tháng 8 năm 2026 và hiện đạt khoảng 6.282 lượt tải xuống cùng 51 lượt thích. UserRepGen-4B, được tải lên vào ngày 14 tháng 10, đều ở mức 0 ở cả hai chỉ số vào thời điểm bài viết này được thực hiện.

Chỉ một trong những dòng đó là nói về chất lượng. Còn lại là nói về việc thứ đó có lọt qua được cánh cửa bạn đang có hay không.

Hai kiến trúc được xây dựng cho hai căn phòng trái ngược nhau.

Liquid mô tả LFM2.5 là "một họ mô hình hybrid mới được thiết kế để triển khai trên thiết bị", và cấu trúc của checkpoint cơ sở bắt nguồn từ đó. Ba mươi lớp, trong đó hai mươi hai lớp là các khối tích chập ngắn có cổng kép và tám lớp attention truy vấn nhóm, vốn từ 128.000 token và ngân sách huấn luyện 34 nghìn tỷ token. Các khối tích chập tốn ít bộ nhớ và có độ trễ dễ dự đoán; toàn bộ thiết kế hướng đến điện thoại, máy tính xách tay và các thiết bị biên.

UserRepGen-4B thừa hưởng giả định ngược lại. Xương sống của nó là một ngăn xếp sinh có điều kiện Qwen3.5 tiêu chuẩn — 32 lớp, kích thước ẩn 2,560, 16 đầu chú ý với 4 đầu khóa-giá trị, từ vựng 248,320 token, và một tháp thị giác được mang theo nguyên vẹn từ checkpoint gốc dù mô hình chỉ xử lý văn bản và hình ảnh được nêu rõ là không được hỗ trợ. Microsoft báo cáo việc lưu trữ nó bằng vLLM trên các GPU H100, A100, RTX A6000 và B200. Đó là danh sách linh kiện máy chủ, không phải danh sách linh kiện cho thiết bị biên.

Một đội ngũ lựa chọn giữa chúng thực ra là đang chọn xem sẽ chấp nhận ràng buộc nào: bộ nhớ trên thiết bị và một runtime mà bạn phải tinh chỉnh cho vào guồng, hay phần cứng trung tâm dữ liệu và một mô hình vốn đã làm được đúng một việc của nó.

Nơi việc tinh chỉnh thực sự làm thay đổi con số

Đây là phần của phép so sánh mà một mô hình base không thể trả lời, theo đúng định nghĩa. LFM2.5-2.6B-Base không công bố bất kỳ benchmark tác vụ nào, vì một checkpoint base không có tác vụ — các chỉ số chất lượng của dòng mô hình này thuộc về phiên bản anh em đã được hậu huấn luyện.

RepGen-4B công bố một kết quả, và đó là bằng chứng mạnh mẽ nhất trong toàn bộ bản phát hành. Trong một đánh giá độ trung thực trên 700 cuộc hội thoại, được chấm theo thang điểm từ 1 đến 10:

• Qwen3.5-4B base, backbone chưa được điều chỉnh — 3.41 best-of-1, 4.42 best-of-3.

• GPT-5.5 được nhắc lệnh làm cùng công việc ở dạng dùng sẵn — 3.90 và 4.90.

• UserRepGen-4B — 4,95 và 6,02.

Mọi con số đều là của chính Microsoft, được tạo ra trong một vòng lặp nơi GPT-5.4 mini đồng thời đóng vai trò trình mô phỏng, trợ lý và giám khảo. Chưa có gì được tái lập một cách độc lập. Nhưng hình dạng của kết quả mới là điều đáng nói: tinh chỉnh một mô hình nền 4B vượt qua một mô hình tổng quát tiên tiến ở một tác vụ hẹp là một kết quả thật, đo lường được, và đó chính xác là kết quả mà LFM2.5-2.6B-Base tồn tại để giúp khả thi cho tác vụ của người khác. Thẻ của Microsoft cũng cho thấy hai lựa chọn thay thế rõ ràng cho học tăng cường — OPSD ở 4.46/5.60 và GRPO ở 3.57/4.59 — đều thua tinh chỉnh có giám sát thông thường, một lời cảnh báo về việc mặc định rằng phương pháp nặng hơn sẽ thắng.

Một trong những cái này có trang quyền riêng tư, và nó không phải là bản cơ sở.

Một mô hình cơ sở được huấn luyện trước không có mục quyền riêng tư vì nó không đưa ra tuyên bố nào về con người. UserRepGen-4B có một mục như vậy vì nó có đưa ra tuyên bố. Thẻ của nó báo cáo rằng với hơn 147 người dùng, một bộ chọn xác định cuộc trò chuyện nào trong bốn cuộc trò chuyện đến từ cùng một người đạt 51,02% khi sử dụng các mô tả hành vi của mô hình, so với 44,22% trên các cuộc trò chuyện thô và 25% khi chọn ngẫu nhiên — phần tóm tắt nhận diện người đó tốt hơn nguồn. Microsoft gắn nhãn nó là rủi ro liên kết và nêu rằng các biểu diễn không phải là dữ liệu ẩn danh.

Sự bất đối xứng đó mang tính cấu trúc, không phải là khiếm khuyết ở bất kỳ bản phát hành nào. Ngay khi đầu ra của một mô hình là mô tả về một con người, bề mặt đạo đức sẽ thay đổi, và thẻ mô hình phải thể hiện điều đó. Bất kỳ ai tinh chỉnh LFM2.5-2.6B-Base hướng tới một mục tiêu tương tự cũng nên lường trước rằng mình sẽ phải tự viết phần tương tự cho chính mình.

Việc chọn cơ số sẽ quyết định điều gì về sau

Có một hệ quả bậc hai khi vay mượn một mô hình nền mà hiếm khi được cân nhắc vào thời điểm tinh chỉnh: nó quyết định thứ bạn có thể gọi sáu tháng sau. Microsoft đã xây dựng dựa trên Qwen3.5-4B, và dòng họ đó được cung cấp thương mại — Qwen3.5-Flash với ngữ cảnh hơn một triệu token ở mức $0.10 mỗi triệu token đầu vào và $0.40 mỗi triệu token đầu ra, Qwen3.5-27B ở mức $0.086 và $0.688, Qwen3.5-35B-A3B ở mức $0.057 và $0.459, tất cả đều có thể truy cập thông qua một khóa OrcaRouter ở mức giá niêm yết của nhà cung cấp mà không cộng thêm gì, và tất cả đều có thể nằm sau cơ chế chuyển đổi dự phòng tự động để một checkpoint nghiên cứu chỉ tồn tại trên đĩa của bạn không trở thành điểm lỗi đơn trong một pipeline. Chúng tôi không cung cấp UserRepGen-4B, và chúng tôi cũng không cung cấp LFM2.5-2.6B-Base — cả hai đều là bản tải xuống, và bản tinh chỉnh mô hình nhỏ mà bạn tạo ra từ checkpoint Liquid sẽ do bạn tự lưu trữ. Nhưng phía trợ lý của vòng lặp, hoặc trình đánh giá, hoặc đường dự phòng, có thể là một lệnh gọi API trên một khóa bạn đã có. Đó là một quyết định thiết kế bạn đưa ra ngay từ đầu, khi bạn chọn mô hình nền nào để thích ứng.

Bạn thực sự muốn cái nào?

Nếu bạn có một tác vụ và không có mô hình cho nó, LFM2.5-2.6B-Base là điểm khởi đầu phù hợp: đủ nhỏ để tinh chỉnh trên phần cứng khiêm tốn, đủ lai để chạy trên thiết bị, và được phát hành ở mọi định dạng bạn sẽ cần sau khi huấn luyện xong. Nếu bạn có một pipeline mô phỏng người dùng và cần một thành phần biến một cuộc trò chuyện đã kết thúc thành một mô tả hành vi có thể mang theo, UserRepGen-4B đã tồn tại, và việc nó chỉ là một tệp ở một định dạng là một hạn chế chứ không phải lý do để làm lại công việc. Điều cần chú ý là liệu Microsoft có tiếp nối nó bằng bài báo mà thẻ mô hình của nó vẫn hứa hẹn hay không. Với Liquid, câu hỏi mở thì khác và cũ hơn: những nhóm nào sẽ tiếp nhận mô hình cơ sở và họ tạo ra gì từ nó.

Các mô hình nền tảng sinh ra là để được thích ứng, và thích ứng chính là nơi mọi thứ đổ vỡ: những sự cố AI và thất bại của agent đã được ghi nhận liên quan đến các mô hình thuộc lớp này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều mang nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp.