ZwZ2-9B so với LFM2.5 2.6B Base: Một lỗi phạm trù đáng để hiểu

Đặt ZwZ2-9B cạnh LFM2.5 2.6B Base trông giống như một phép so sánh kích cỡ, và nó không phải là một phép so sánh như vậy. ZwZ2-9B là một checkpoint thị giác-ngôn ngữ 9,41 tỷ tham số mà inclusionAI đăng ngày 16 tháng 10 năm 2026 mà không có thẻ mô hình; LFM2.5 2.6B Base là một mô hình tiền huấn luyện chỉ văn bản 2,697 tỷ tham số mà Liquid AI công bố ngày 1 tháng 8 năm 2026, với một thẻ mô hình nói theo đúng lời của nó rằng nó là checkpoint "dùng để tạo ra tất cả các biến thể LFM2.5-2.6B". Một cái là thứ bạn đem vào dùng. Cái kia là thứ bạn xây dựng dựa trên. Chọn giữa chúng không giống như chọn giữa hai chiếc xe — mà giống như chọn giữa một chiếc xe và một khối động cơ, và câu hỏi hữu ích duy nhất là bạn thực sự cần cái nào trong hai thứ đó.

Vậy nên bài viết này làm hai việc. Nó cung cấp cho bạn những con số thực tế về cả hai, bởi bạn đến đây để tìm một phép so sánh và những con số đó đáng để nắm. Và sau đó, nó giải thích sự khác biệt mà phép so sánh ấy che giấu, bởi hiểu sai điều đó chính là cách các đội ngũ rơi vào cảnh đã ba tuần tinh chỉnh một mô hình mà họ không hề cần, hoặc chạy một mô hình máy chủ 9.4B cho một tác vụ mà một mô hình laptop 3B lẽ ra đã có thể xử lý.

Thực chất mỗi tạo tác này là gì

LFM2.5 2.6B Base cố ý chưa hoàn thiện. Đây là checkpoint tiền huấn luyện ở gốc của dòng LFM2.5-2.6B của Liquid AI — 30 lớp xen kẽ giữa các khối tích chập ngắn có cổng kép và attention truy vấn theo nhóm, 34 nghìn tỷ token tiền huấn luyện, từ vựng 128.000 token và giới hạn 128.000 vị trí. Nó chỉ dùng văn bản. Nó được thiết kế để triển khai trên thiết bị, đó là cụm từ Liquid AI dùng trong thẻ mô hình, và toàn bộ ý nghĩa của hậu tố "Base" là ở chỗ biến thể hội thoại sau huấn luyện và biến thể tác nhân là những bản tải xuống riêng biệt được dẫn xuất từ nó. Bạn được kỳ vọng sẽ tinh chỉnh nó hoặc chưng cất vào nó. Khi dùng ngay, nó không phải là một trợ lý.

ZwZ2-9B là kiểu đối tượng trái ngược. Nó là một checkpoint đã định hình hoàn chỉnh nhưng chưa từng được mô tả. Cấu hình của nó chứa một tháp thị giác 27 lớp, các token id cho ảnh và video, một bộ xử lý video giới hạn ở 768 khung hình, một chat template với system prompt mặc định được gắn sẵn, và 24 trong số 32 lớp của nó chạy attention tuyến tính thay vì bộ nhớ đệm key-value tăng dần. Đó là một mục tiêu triển khai, chứ không phải một nền tảng huấn luyện. Điều còn thiếu là mọi thứ mà người mua sẽ hỏi đến: không có trường giấy phép, không có kết quả đánh giá, không có tuyên bố về dữ liệu nó được huấn luyện, và không có mục nào trong bất kỳ bộ sưu tập công khai nào trong mười bộ sưu tập công khai của inclusionAI.

• Tham số — ZwZ2-9B: 9.409.813.744. LFM2.5 2.6B Base: 2,697 tỷ.

• Mục đích — một checkpoint đa phương thức được định hình cho triển khai so với một mô hình nền đã được huấn luyện trước để tinh chỉnh.

• Các phương thức trong — văn bản, hình ảnh và video so với chỉ văn bản.

• Giới hạn ngữ cảnh — 262.144 vị trí so với 128.000 (thẻ của Liquid AI làm tròn thành 131.072).

• Từ vựng — 248.320 so với 128.000.

• Thiết kế attention — 24 lớp tuyến tính cộng 8 lớp full-attention so với 22 lớp tích chập cộng 8 lớp attention.

• Giấy phép — không có giấy phép nào được công bố so với LFM Open License v1.0, đây là giấy phép tùy chỉnh chứ không phải Apache-2.0.

• Tài liệu — không có gì so với một thẻ mô hình, một báo cáo kỹ thuật và ngân sách huấn luyện được công bố.

Có hai dòng ở đó thú vị hơn vẻ ngoài của chúng. Cả hai mô hình đều dừng đúng ở 8 lớp attention, và cả hai lấp phần còn lại bằng một thứ rẻ hơn — ZwZ2-9B với attention tuyến tính hồi tiếp, LFM2.5 2.6B Base với các tích chập ngắn. Sự hội tụ đó không phải là ngẫu nhiên; đó chính là ý nghĩa của "kiến trúc hiệu quả" trong hai năm qua, được đạt tới từ những hướng đối lập và ở những quy mô đối lập. Và các giới hạn ngữ cảnh không phải là một cuộc thi: 262.144 so với 128.000 gần như chẳng nói lên điều gì, bởi mô hình 2,7B được tạo ra để chạy trên một chiếc laptop, nơi bộ đệm một phần tư triệu token không phải là một tập làm việc thực tế.

Từ “Base” chính là toàn bộ quyết định

Nếu bạn chỉ rút ra được một điều từ sự kết hợp này, hãy rút ra điều này. Một checkpoint cơ sở không có khả năng tuân theo chỉ dẫn, không có định dạng trò chuyện nào đáng để dựa vào, và không có tinh chỉnh an toàn — và đó là một đặc điểm nếu bạn đang xây dựng một mô hình chuyên ngành, vì điều đó nghĩa là bạn không phải đấu tranh với căn chỉnh của người khác khi bạn huấn luyện mô hình của mình. Đó là một khiếm khuyết nếu bạn muốn có một trợ lý, vì bạn sẽ dành hai tuần đầu tiên để phát hiện lại rằng các mô hình tiền huấn luyện hoàn thành văn bản thay vì trả lời câu hỏi.

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

Bài toán triển khai, đó chính là nơi khác biệt thực sự nằm ở.

Một mô hình văn bản 2,697B và một mô hình thị giác 9,41B không phải là những lựa chọn thay thế trên cùng một phần cứng. Bản nền LFM2.5 được xây dựng cho điện thoại, máy tính xách tay và máy tính bo mạch đơn; cách định vị của Liquid AI là suy luận trên thiết bị, và một checkpoint 2,7B được lượng tử hóa xuống bốn bit chỉ nặng vài gigabyte. ZwZ2-9B giữ một tháp thị giác 27 lớp song song với 32 lớp ngôn ngữ và khoảng 2 GB ma trận embedding ở mỗi hướng — chỉ riêng từ vựng đã là một bảng 248.320 x 4.096 — nên nó thuộc về máy chủ, hoặc ít nhất là một máy tính để bàn với bộ tăng tốc thực sự.

Đó là lý do vì sao kiến trúc trung thực cho hầu hết các nhóm không phải là “chọn một”. Nó là hai tầng. Đặt mô hình nhỏ đã được tài liệu hóa ở nơi độ trễ và quyền riêng tư quan trọng và tác vụ thì hẹp, rồi định tuyến các trường hợp khó đến một mô hình chạy trên dịch vụ lưu trữ, nơi chi phí biến đổi chỉ xuất hiện khi trường hợp khó xuất hiện. Phân tách đúng như vậy có giá trị hơn bất kỳ lựa chọn mô hình đơn lẻ nào trên trang này, và đó cũng là điều khó thay đổi nhất về sau, bởi vì nó là thứ chạm đến mã của bạn.

Việc thực hiện điều đó sau một giao diện duy nhất chính là mục đích của một router. OrcaRouter cung cấp hơn 200 mô hình từ một endpoint tương thích OpenAI và một khóa API, với tính năng chuyển đổi dự phòng tự động, nên hạng rẻ và hạng đắt chỉ cách nhau một chuỗi mô hình thay vì hai tích hợp — và giá niêm yết của nhà cung cấp được chuyển qua với mức chênh 0%, vì vậy chạy hạng đắt có cùng chi phí như ở bất kỳ nơi nào khác. Chúng tôi không lưu trữ LFM2.5 2.6B Base và chúng tôi không lưu trữ ZwZ2-9B, nên cả hai đều không phải là lựa chọn mà chúng tôi có thể đưa ra thay bạn — Liquid AI phân phối trọng số của riêng mình thông qua các kênh của chính nhà cung cấp, và inclusionAI hoàn toàn chưa công bố endpoint nào. Điều chúng tôi có thể đặt vào phía được lưu trữ của sự phân chia đó hôm nay là qwen/qwen3-vl-8b-instruct, một mô hình ngôn ngữ-thị giác 8B với ngữ cảnh 131K token ở mức $0.18 mỗi triệu token đầu vào và $0.70 mỗi triệu token đầu ra, đây là phương án thay thế được ghi nhận gần nhất cho hạng đa phương thức nhỏ.

Cấp phép là lĩnh vực mà hai điều này khác biệt rõ rệt nhất

Cả hai giấy phép đều không phải Apache-2.0, và lý do thì khác nhau theo một cách có ý nghĩa quan trọng. LFM2.5 2.6B Base được phát hành theo LFM Open License v1.0, một giấy phép tùy chỉnh — nó được công bố, có thể đọc được, và là cùng giấy phép mà phần còn lại của dòng họ này sử dụng, nghĩa là một lần rà soát pháp lý bạn thực hiện sẽ bao quát mọi mô hình LFM2.5 mà bạn đụng tới. ZwZ2-9B không tuyên bố gì cả. Một giấy phép bị thiếu không phải là một giấy phép mang tính permissive; khi không có sự cấp phép rõ ràng, cách hiểu thận trọng là không có quyền nào được trao, và đó là một vị thế tệ hơn đáng kể so với một giấy phép tùy chỉnh mà bạn có thể đọc và đánh giá.

Đối với một checkpoint cơ sở mà bạn định tinh chỉnh và có thể phân phối lại, đây không phải là một chi tiết nhỏ. Các điều khoản về tác phẩm phái sinh chính là điều khoản mà các giấy phép tùy chỉnh thường có ý kiến riêng, và việc hoàn toàn không có bất kỳ điều khoản nào cũng không giải quyết theo hướng có lợi cho bạn.

Cách chọn, nói một cách đơn giản

Hãy chọn LFM2.5 2.6B Base nếu bạn có một tác vụ văn bản hẹp, một thiết bị mục tiêu và sự sẵn lòng tự chạy quá trình huấn luyện — và chấp nhận rằng chính bạn là người cung cấp khả năng tuân theo chỉ dẫn. Ngân sách huấn luyện được tài liệu hóa và giấy phép được nêu rõ của nó nghĩa là bạn biết mình đang bắt đầu từ đâu.

Hãy chọn ZwZ2-9B nếu bạn cần hình ảnh hoặc video trong đầu vào, bạn có đủ GPU để phục vụ một mô hình 9.4B, và bạn sẵn sàng trở thành tổ chức đầu tiên trên Trái Đất đánh giá nó. Mệnh đề cuối đó không phải là cách nói tu từ. Trước khi cam kết, những câu hỏi cần trả lời là liệu nó có chấp nhận các định dạng hình ảnh của bạn hay không, liệu nó có trả về dạng đầu ra mà bạn cần khi tắt thinking hay không, và bạn thực sự sẽ hoạt động dưới giấy phép nào. Hai trong số ba điều đó đã có câu trả lời trong kho mã nguồn. Điều thứ ba thì không.

Điểm chuẩn thì lỗi thời, giá cả thì biến động; nhưng hồ sơ thất bại thì không: những sự cố AI và lỗi tác nhân (agent) được ghi nhận đằng sau các mô hình thuộc nhóm này đều được tập hợp trong the OrcaRouter AI Incident Archive, nơi mỗi mục đều đi kèm nguồn riêng, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ đánh dấu tranh chấp.