Beam 1.0 对比 LFM2.5 2.6B Base：未完成的基底与已完成的巨人

一个从未被教过如何回答问题的模型，正被拿来与一个经过规划训练的模型相比较。LFM2.5 2.6B Base是 Liquid AI 的 26.98 亿参数预训练检查点，于 2026 年 8 月 4 日依据 LFM Open License v1.0 发布，并被明确描述为用于微调的基础模型——它仅支持文本，由 30 层混合卷积与分组查询注意力构成，且未经过后训练。Reflection Beam 1.0是一个稀疏混合专家模型，总参数量 5013 亿、激活参数量 234 亿，经过监督与强化学习阶段的后训练，继 2026 年 10 月 5 日发布公告后，于 2026 年 10 月 16 日以 Apache 2.0 许可发布可下载权重。两者的规模差距是 185 比 1。但真正决定这一比较结果的差距并不在规模——而在于其中一个是你可以直接启动训练任务的原始基底，另一个则是可供你部署上线的成品。

两者都托管在 Hugging Face 上。两者如今都可下载。两者都指望你自己准备硬件。这就是它们全部的重叠之处，而把两者对照着读，是一种很有用的方式，可以看出开放权重生态在给归入同一标签的两样东西贴标签时，做法有多么不同。

这两个版本，正如其发行商所描述的那样

LFM2.5 2.6B Base的全称是 LFM2.5-2.6B-Base。其模型卡列出了 26.98 亿总参数——30 层中 22 层为双门控短卷积块，8 层为分组查询注意力——34 万亿 token 的训练预算、128,000 token 的词表以及 131,072 token 的上下文长度。它涵盖 16 种语言。它是一对模型中的一个：Liquid AI 还发布了针对智能体工作负载进行后训练的 LFM2.5-2.6B，而这是该系列中所有变体所源自的原始检查点。模型卡对基础模型的原话是，它是用于创建所有其他变体的预训练纯文本检查点。在 Hub 上，已经有 16 个基于它的微调衍生模型。

Beam 1.0则是相反的排布。Reflection 共发布 501.3B 总参数，每个 token 激活 23.4B，分布于 52 层——其中三层为稠密层，49 层为混合专家层，在此配置下共 256 个专家、每次路由其中八个。上下文窗口为 1,000,000 个 token。模态仅限文本，而模型卡对此直言不讳，毫无含糊。它提供三种精度：BF16、FP8 和 NVFP4，另附一个 2B 的 DFlash2 推测解码草稿模型。其聊天模板运行的是修改版 Harmony 格式，设有 analysis 与 final 两个通道，以及一个带六个具名档位的推理投入度设置。它的四个代码仓库于同一天发布，即 2026 年 10 月 16 日，Artificial Analysis 也在其模型页面上将此次发布登记为 2026 年 10 月 16 日。

再读一遍那两段，事情的大致轮廓就显现出来了。Liquid AI 发布了一个组件。Reflection 发布了一个完整的系统，带有通信格式和努力程度调节旋钮。两者都被称为“开放”，而这个词在承担两种不同的职责。

许可证是这两者最不相似的地方。

这是你无法从参数数量中获得的对比，也是最具实际影响的一个。

Beam 1.0 采用 Apache 2.0 许可。这是一种标准的宽松许可证，没有用户上限，没有月活跃用户门槛，也没有单独的商用层级。下载它、微调它、再分发衍生版本、销售成果。该模型卡还附有一份《负责任使用指南》和一份单独的安全技术报告，这些是政策文件而非许可证限制——它们规范的是可接受使用，而不是权重。

LFM2.5 2.6B Base 则不是。Hub 将其标记为 license:other，并将其许可证命名为 LFM Open License v1.0。实际区别并不在于一个是宽松许可证而另一个不是——Liquid AI 的许可证是为开放使用而写的——而在于这两种许可证必须以不同方式解读，并且其中只有一种能用一句话概括。如果你的计划涉及将衍生作品商业化再分发，本页中 Apache 2.0 那一侧无需分析。LFM 那一侧则要求你阅读许可证，因为自定义许可证从定义上说就是一份有人特意写下的文件。

这种不对称性在另一条轴上方向相反。Liquid AI 的检查点是 26.98 亿参数的稠密文本模型，这意味着许可证问题所涉及的东西可以放进单个消费级 GPU 或边缘设备。Reflection 的 Apache 2.0 授权则与一个 5010 亿参数的模型相关，其 bfloat16 权重约达 1 TB，而其 4 位变体的标称规模仍为 255B。对于一个你无法托管的模型，宽松许可证是一种不同性质的自由；而自定义许可证则适用于一个你可以托管的模型。

基础模型能做什么和不能做什么

关于基础检查点的文章必须把这一点讲清楚，因为这是人们浪费一下午时间最常见的方式。LFM2.5 2.6B Base 并未经过指令微调。它会续写你的文本。它不会回答你的问题、遵循你的格式、调用你的工具，也不会在你希望它停下时停下。它是一个起点，其行为完全取决于你训练它成为什么，而 Liquid AI 在模型说明中明确指出了这一点，而不是留待用户自己去发现。

那不是缺陷，也不是 Beam 1.0 的缩小版。34 万亿 token 的预训练运行和 30 层混合架构才是产品本身；缺少对齐正是关键所在，因为对齐是任务特定的，而发布基础模型的实验室是在有意把这一决定权交给任务的所有者。Hub 上的十六个衍生模型就是这种安排在实际中的样子。

对评估而言，其后果就是没有可供比较的基准表。Beam 1.0 的卡片则带有一整张——SWE-bench Verified 在 BF16 上 81.6%，Terminal Bench v2.1 80.1，GPQA Diamond 90.6，AIME 2026 97.7，LiveCodeBench 88.3，MCP Atlas 80.8，IFBench 79.6，全部由厂商报告，且无一被第三方复现——因为它是一个为具名工作负载构建的后训练模型，而这正是其买家所要的证据。LFM2.5 2.6B Base 则没有，这是有意为之。没有什么可打分的：该检查点的质量取决于你的微调把它变成什么样，而诚实的比较对象是一次训练运行，而不是排行榜上的一行。

钱都去哪儿了

这两款模型都不在 OrcaRouter 的目录中。我们实际路由的，是它们周围那个已被服务的世界：一条兼容 OpenAI 的密钥背后有 200 多个模型，提供商标价以 0% 加价原样透传，并跨提供商自动故障转移，因此性能下降的路由会自动改道，而不是直接失败。这里值得专门点出这一点，原因很具体：本页上的这两款模型，正处在同一个采购问题的两端。

LFM2.5 2.6B Base 下载不花分文，运行却要付出一切，所谓代价指的是一次训练运行，再加一台设备。Beam 1.0 下载不花分文，运行却要付出一切，所谓代价是服务一个 501B MoE，而且在撰写本文时，Reflection 并未公布任何 API 费率。Artificial Analysis 在 Beam 的页面上将价格字段记录为不可用，并指出其没有公开可用的 API。公告发布十二天后，那个附带 5010 亿参数基准表的模型，仍然没有任何财务团队能用的数字。

对于一位实际需求是本周在某个两种模型都不是为其设计的工作负载上进行推理的读者——比如摘要器、分类器、聊天界面——决策并不在这两者之间。真正的选择在于：自己微调 26.98 亿个参数，还是租用一个已经对齐并定价好的东西；而第二种选择才是你在投入前就能衡量的那个。

你到底在找哪一个

选择LFM2.5 2.6B Base，前提是你的问题比通用助手要窄。选择一个小型基础检查点的理由在于：你手上有一个任务，你手里有数据，而且你宁愿拥有这个产物，也不愿租用一次调用。131,072 token 的上下文对这个体量来说相当宽裕，16 种语言覆盖是实打实的，混合卷积栈是为端侧吞吐量而选的，而许可证允许你分发自己构建的成果。你要为此付出的是微调流水线、评估框架和对齐决策——这些检查点一样都不会提供。

选择Beam 1.0，如果你的任务正是其卡片所列举的那些之一：编码、工具使用、仓库级推理、长时程智能体执行。评估表直指这类工作，100 万 token 的上下文与之相匹配，FP8 和 NVFP4 版本让硬件层面的讨论比 501B 这个数字所暗示的更容易应对，而 Apache 2.0 许可证则为商业衍生版本扫清了障碍。而你要接受的，是服务基础设施、一份模板不允许你关闭的常开推理预算，以及一份你得自己动手估算的成本——因为厂商并未公布任何成本数据。

这两个模型并不构成竞争，而之所以值得做这个比较，恰恰是因为它表明“开放权重”本身能说明的东西少之又少。一个发布方交出的只是一个组件和一份训练预算；另一个交出的则是一套带有通信协议、以及一份可以直接贴进法律审查的许可证的系统。在下载之前先看清别人给你的究竟是哪一个，这才是大部分工作所在。

什么会改变局面

已发布的 Beam 1.0 API 价格，或带有价目表的托管 FP8 部署，会将该模型从“构建估算”一栏移到“比较数字”一栏，而这是其文档中唯一缺失的一行。对 Beam 的权重进行独立基准测试——现在既然权重已公开，这成为可能——将为厂商表格提供一个裁判，而这是 LFM2.5 2.6B Base 永远无法拥有的，因为目前尚无可以评分的东西。在这两者之一落地之前，准确的总结是：一个 27 亿参数的基础检查点和一个 5010 亿参数的后训练 MoE 均可免费下载，两者的运营成本都很高，但以完全不同的“货币”计价，而且彼此不能替代。

像这样的对比，也正是失效模式暴露出来的地方：这一类模型背后有据可查的 AI 事件和智能体故障，都收录在OrcaRouter AI Incident Archive中，其中每一条记录都带有自己的来源、严重程度、置信度评级和争议标记。