LFM2.5-24B-A2B 与 Ternary Bonsai 2 27B：区别在于 2 个比特和一条云连接

下面是最简短也最诚实的回答。LFM2.5-24B-A2B是一个纯文本的混合专家模型，由 Liquid AI 打造，目的是在无网络的机器上嵌入智能体循环中运行，于 2026 年 10 月 13 日发布，总参数量为 24.0B，激活参数为 2.45B。Ternary Bonsai 2 27B是 Prism ML 于 2026 年 9 月 17 日以 Apache 2.0 许可发布的对 Qwen3.8-27B 的低比特重写版本，它以 1.76 有效比特把每个权重存为三种符号之一，将 53.81 GB 的 FP16 模型压缩成 5.93 GB 的下载包。两者的体积都小到可以放在本地，也都是开放权重，但它们想做的事并不相同。Liquid 的模型被训练来调用工具。Prism 的模型则是一个全精度视觉语言模型，只不过穿了一身便宜得多的外衣。

这种组合之所以值得写上一页，是因为其中每一项都会告诉你它自身证据的薄弱之处，而这两处薄弱恰好相反。

每一个是什么，精简到真正重要的部分

LFM2.5-24B-A2B 沿用 LFM2 架构：40 层，30 个双门控短卷积块和 10 个分组查询注意力层，每个块 64 个专家、采用 top-4 路由，131,072 token 上下文，128,000 token 词表，文本输入、文本输出。Liquid 的后训练流程以一个智能体强化学习阶段收尾，该阶段在 OpenClaw、Hermes Agent、Pi 和 OpenCode 中运行。厂商明确建议将其与检索或网络搜索配合使用，而不要信任它来回答知识性问题——在其自己的发布表格中，AA-Omniscience 一行位于 −24.90，这正是该建议的数字形式。

Ternary Bonsai 2 27B 与 Qwen3.8-27B 是同一个网络，只是写法不同。Prism ML 的白皮书将 27.36B 参数拆分为：24.35B 位于语言主干中、分布在 64 个块里，2.54B 位于嵌入和 LM head 中，0.47B 位于一个 27 层的视觉塔中——该视觉塔以单独的 4-bit mmproj 文件形式发布，大小约为 0.63 GB，仅在图像到来时才会加载。基础模型的混合注意力——48 个 Gated DeltaNet 线性注意力层与 16 个全注意力层交错排列，隐藏大小为 5,120，词表为 248,320 个 token——被原封不动地继承下来。262,144 token 的上下文也是如此。

最快区分它们的分界线是多模态能力。Ternary Bonsai 2 27B 支持图像输入。LFM2.5-24B-A2B 则不支持，任何量化技巧都无法改变这一点。

品质，就在他们彼此仅有的那张桌上

Prism ML 在一套包含 20 项基准测试的测试集上，将其构建版本与全精度原版进行了对比测量，并报告称其保留了98.2%的平均水平——83.9 对 85.4。这是厂商自家的测试框架，问世仅一个月，无人复现。无论有意与否，这恰恰是那种会掩盖自身分布的声明，因为这 1.8 个百分点并非均匀分布。

• 数学 — 96.57 对 97.06。基本持平。

• 编程 — 81.58 对 82.17。很接近，而这正是压缩技术争论所针对的类别。

• 指令遵循——82.66 对 81.25。压缩后的模型领先，这是表格中唯一真正令人惊讶之处。

• 知识与推理——83.95 对 86.66。下降了 2.7 分，是缺失的 1.8 分中最大的单一贡献项。

• 智能体与工具调用 — 77.57 对比 79.74，涵盖 τ2-Bench 的 80.22 与 BFCL v3 的 74.92。

现在，在这里使用那张表的问题在于：Prism 的数值是它基于自身全精度底座构建的结果。Liquid 的数值——AutomationBench 27.69、LiveClaw 48.09、ToolSandbox 80.71、BFCLv4 65.01、IFEval 96.75、IFBench 74.69——则是针对另一组模型、在另一套测试框架上、使用不同的生成设置得到的。没有一个基准同时出现在两张表中。任何把 BFCLv3 74.92 和 BFCLv4 65.01 并排放置，然后宣布赢家的人，都是把两个不同的测试拿来比较，还称之为结果。

运行时才是两者真正分道扬镳的地方

这一点不是厂商的宣传说辞，而是一个你花一个下午就能碰到的兼容性事实。

Prism ML 不得不为这一架构编写内核，因为其打包格式和以线性为主的注意力机制都很不寻常。原版 llama.cpp 会将 Prism 的两种打包格式都当作未知类型而拒绝——而更危险的是，它会毫无怨言地加载一种更早的三元格式，并输出流利却毫无意义的胡说八道，因为没有对激活值施加匹配的旋转。如果你在不了解 Ternary Bonsai 2 27B 的二进制程序上运行它，你不会得到报错。你得到的是自信满满却错误的输出。

LFM2.5-24B-A2B 的风险状况则正好相反。Liquid 列出了对 llama.cpp（GGUF）、MLX、vLLM、SGLang 和 ONNX 的首日支持，外加 FP8、ONNX 和 4 位 MLX 的兄弟仓库——这是一次常规发布。那里的未决问题在于性能而非正确性：厂商给出的 Apple M5 Max 上每秒 184 个 token、AMD Ryzen AI Max+ 395 上 114 个 token 的数据均未被复现，而“比次优模型最高快 1.7 倍”这一主打说法也没有附上任何已公布的基线。

在这里，0% 加价到底在什么情况下才真正重要？

在这两个模型之间，路由这个角度确实很尴尬，值得直说，而不是粉饰一番。Ternary Bonsai 2 27B 是一个下载项：Prism ML 以 Apache 2.0 许可在 Hugging Face 上分发它，而整套技术的要点就在于你自己运行它。LFM2.5-24B-A2B 同样主要是一个本地产物，Liquid 的 Console 端点价格为每百万输入 token 0.10 美元——缓存命中为 0.05 美元——而每百万输出 1.00 美元则是托管替代方案。这两者的核心价值主张都不是按量计费的 API 调用。

路由层真正能赢得一席之地的地方，是站在它们旁边，而不是取代它们。Ternary Bonsai 2 27B 压缩所依据的基座模型——qwen/qwen3.8-27b，由 A​libaba 于 2026 年 8 月 13 日发布——在我们的目录中以每百万输入 $0.33、每百万输出 $2.40 的价格提供服务，这意味着同一个任务可以在已上线提供服务的全精度模型上运行，同时你在相同的提示词上评估 5.93 GB 的本地构建版本。这是一种以低成本进行的公平比较，而这正是 Prism 自己的 20 项基准测试表无法为你做出的比较。

该许可证不是任何一方的脚注

Ternary Bonsai 2 27B 采用 Apache 2.0 许可，没有营收触发条件，也没有使用领域条款；其衍生自的 Qwen3.8-27B 权重也是如此。LFM2.5-24B-A2B 以 Liquid 的 lfm1.0 许可证发布，这是一份不同的法律文书，带有自己的商业条款。从纯工程角度看，这两个模型足够接近，选择往往取决于部署形态——本地执行器还是本地视觉推理器——但许可证是唯一不随基准测试周期变化的输入，在基于任一模型构建产品之前，值得对照自己的营收数字核查一下。

每家厂商没有测量的那件事，才是值得关注的。Prism ML 公布了一个保留率百分比，却没有公布 1.76 比特模型在你的数据上按工作负载划分的表现，而一个平均达到 98.2% 的压缩产物，对你唯一在意的那一类任务来说仍可能是错误的工具——编码能力的下滑，总体上虽小，却会在某个具体环节造成最严重的冲击。Liquid 发布了一张智能体表格，既没有独立列，也完全没有针对 131K 窗口的长上下文检索数据。这两个缺口都要靠发布基准测试来填补，而不是靠一篇博客文章，而哪家厂商先发布，就会比最后那 1.8 个百分点把这场争论推进得远得多。

在我们的事故档案中追踪实时模型中断和降级，并查看哪些路由已成功完成故障转移。