Dessa vs LFM2.5 2.6B Base：一个你能拥有的检查点 vs 一个你只能听见的声音

LFM2.5-2.6B-Base 是一个拥有 26.9 亿参数的文件，体积约 2.5 GB，可在手机上运行，并且附带一份许可证，允许你对其进行微调并发布成果。Dessa 是 Block 于 2026 年 10 月 23 日发布的全双工语音模型，仅使用人类对话训练，据称速度足以在 MacBook Pro M4 Max 上运行。你无法下载 Dessa，无法微调它、测量它，也无法调用它。它只是一份等候名单。

把这两者放进同一句话里，显然有失公平：一个是预训练文本检查点，另一个是成品级的对话行为。但这种不公平恰恰是有用之处。团队真正面对的问题不是“哪个模型更好”，而是“我能基于哪个模型建立业务”；在这个问题上，可下载的基础检查点与封闭的研究预览版之间的差距，比任何基准测试的差异都更大。

LFM2.5-2.6B-Base究竟是什么

Liquid AI 于 2026 年 8 月 4 日发布了 LFM2.5 系列。Base 后缀比参数规模更重要：这是预训练检查点，而不是经过指令微调的助手。它已阅读 34 万亿个 token，并学习了 16 种语言的统计结构，但尚未被教导遵循指令、进行对话或使用工具。如果你直接向它输入提示，得到的是补全，而不是对话。

该架构是混合式的。共三十层，其中22层是双门控短卷积块，8层是分组查询注意力，这是 Liquid 自第一代 LFM2 以来一直在完善的设计。词表大小为128,000个token，通过针对非拉丁文字的原位分词器扩展，比上一代翻了一倍。上下文长度为131,072个token，是通过专门的中期训练扩展实现的，而不是在预训练阶段达成。

指令微调版本 LFM2.5-2.6B 是公布了基准测试表的那个：AIME25 51.87，LiveCodeBench v6 59.41，IFBench 59.17，BFCLv4 56.88，ToolSandbox 77.83，Claw-Eval 英语 62.85。这些是厂商报告的数据，属于后训练模型，而非基础模型。Liquid 自己也建议不要将该系列用于智能体编程或知识密集型工作；在一个每个小模型都被说成能越级挑战的市场里，这是一个有用的诚实信号。

为什么仍值得将基础检查点与最终行为进行比较

基础模型只是一个起点。它的价值在于你能用它做出什么：在你的领域数据上继续预训练，在你的转录文本上做监督微调，为窄任务蒸馏出一个学生模型。Dessa 则是相反类型的产物。它以行为的形式出现——轮流发言、反馈性回应、情绪时机——而其中没有任何部分可供修改。

所以，这个比较实际上关乎控制权。{{1}}LFM2.5-2.6B-Base{{/1}}为你提供权重、许可证，以及完成工作的义务。{{2}}Dessa{{/2}}为你提供一个演示，以及获得访问权的可能性。{{3}}对于研究实验室来说，后者可能更有价值。{{4}}对于产品团队来说，前者是唯一能产出可交付成果的选项。{{/4}}{{/3}}

规格表，正反两面排在同一行

LFM 的数据来自 Liquid 的模型卡和发布公告；Dessa 的数据来自 Block 的页面。所有由厂商报告的数字均已按此标注。

• 参数——LFM2.5-2.6B-Base 总参数 2.69B，对比 Dessa 未披露。

• 架构 — LFM2.5-2.6B-Base 是短卷积与分组查询注意力的混合架构，共 30 层；相较之下，Dessa 的端到端语音到语音架构未公开。

• 上下文 — LFM2.5-2.6B-Base 为 131,072 个 token，而 Dessa 未注明。

• 模态——LFM2.5-2.6B-Base 为文本输入、文本输出，而 Dessa 为音频输入、音频输出。

• 权重 — LFM2.5-2.6B-Base 可下载，包括 GGUF、ONNX 和 MLX 版本，而 Dessa 则没有。

• 许可证 — LFM2.5-2.6B-Base 采用 LFM Open License v1.0，商业使用附有条件；而 Dessa 未发布许可证。

• 内存 — LFM2.5-2.6B-Base 运行时低于约 2.5 GB，相比之下，Dessa 需要 MacBook Pro M4 Max 或更高配置，按每个 Block 计。

• 速度 — LFM2.5-2.6B-Base 在 Apple M5 Max 上约为每秒 220 个 token，在手机上约为 30 个；厂商报告的数据对比 Dessa 的“快于实时”，但未给出具体数字。

• 价格 — LFM2.5-2.6B-Base 免费提供权重，而 Dessa 未定价。

• 可用性 — LFM2.5-2.6B-Base 自 2026 年 8 月 4 日起已正式可用，而 Dessa 则需加入等待名单。

设备预算就是整个论点的关键所在。

Liquid 的卖点在于部署经济性：模型小到能塞进树莓派，快到能在手机上运行，便宜到无需 GPU 账单。其宣称的吞吐量——在 M5 Max 上约为每秒 220 个 token，在 Ryzen AI Max+ 395 上为 113 个，在手机上约为 30 个——正是决定端侧助手是“秒回”还是“卡死”的那类数字。每秒 30 个 token 已快于阅读速度，而阅读速度正是聊天界面的相关阈值。

Dessa 的部署主张是：一台售价远超 2,000 美元、搭载顶级 Apple 芯片的笔记本电脑。这仍然是本地的，而本地确实有实实在在的优势：没有按 token 计费，没有网络往返，数据也不会离开设备。但这是一个不同的市场。一个 26 亿参数的模型可以随应用一同发布；而需要 M4 Max 的模型则是开发者工具或桌面端功能。如果你的产品运行在手机上，那么这种比较到内存这条线就结束了。

许可才是真正的分水岭

LFM Open License v1.0 并非 OSI 批准的开源许可证，这一点值得直说。商业使用是允许的，但收入超过一定门槛的组织——Liquid 的条款将其定为年收入 1000 万美元——需要单独的商业许可证。这是一个实实在在的限制。它也是一个已知的限制：有文档、有门槛，也有可以谈判的对象。

Dessa 没有许可证，因为 Dessa 没有分发。你无法遵守并不存在的条款，也无法围绕等候名单构建采购论证。对企业而言，“带收入门槛的定制许可证”意味着一轮法律审查。“未公布条款”则是一个阻碍。

如果你如今想在手机上使用语音代理

这两个模型都不是完整的答案，但 LFM 这一侧至少是个起点。手机语音代理需要三个部分：语音识别、语言模型和语音合成。经过微调后，LFM2.5-2.6B-Base 可以充当中间那一部分——base 检查点是一个文本模型，所以它本身听不到任何东西，而它 131K 的上下文足以容纳很长的对话历史外加检索到的笔记。

微调才是那个有意思的选项。手握权重，你就可以用自己领域的对话进行训练，并按自己的标准评估结果。这正是 Dessa 的公告所邀请、却又不允许的实验：拿一个具备语音能力的小型技术栈，用真实对话训练它，看看情绪时机是否会涌现。Block 表示，它在一台 GB200 NVL72 机架上从零开始做到了这一点。一个只有几块 GPU 的团队，可以在一个 LFM 基座模型上跑这个问题的低成本版本，并在一周内学到一些东西。

如果你不想在设备端运行语言模型，OrcaRouter 会用一个 API 统一接入 200+ 个模型，0% 加价并支持自动故障转移，因此推理步骤可以放在云端，而音频仍留在本地。明确一下范围：LFM2.5 2.6B Base 不在我们的目录中——它是一个下载项，而这正是它的意义所在。我们路由的是托管模型；而这个模型就是要在你部署它的地方运行。

谁应该选哪个

• 你需要掌控模型、权重和路线图——LFM2.5-2.6B-Base，然后进行微调。

• 你需要在廉价硬件上离线运行——LFM2.5-2.6B-Base。

• 你需要一个几 GB 以内的文本核心或智能体核心——经过后训练的 LFM2.5-2.6B，而不是基础版。

• 你需要实时、可打断、富有情感表现力的语音——两者中只有 Dessa 是针对这一目标的，而它目前不可用。

• 你需要一份本季度就能签署的许可证——LFM2.5-2.6B-Base，且营收条款已核实。

• 你需要发布一个可复现的结果——LFM2.5-2.6B-Base，因为可复现性需要一个文件。

能一锤定音的实验

取 1,000 小时带转录文本的对话音频，在文本侧微调 LFM2.5-2.6B-Base，并加装一个强大的语音识别器和一个语音合成器。以基于轮次的基线为对照，衡量打断恢复能力和情感恰当性。如果结果接近 Block 的片段所暗示的水平，那么 Dessa 的优势就比演示集锦所暗示的更窄：它可能是架构上的胜利，但并非无懈可击。

如果不是这样，支持语音原生训练的理由就更充分了，而缺少 Dessa 权重文件就成了这次比较中最重要的事实。无论哪种情况，这项测试在开放一侧可以运行，在封闭一侧则不能。这种不对称就是对那个核心问题的回答，而且在 Block 交付客户能实际拿到手的东西之前，它都将是答案。