MiniCPM5-2B-DSpark 对比 LFM2.5-2.6B-Base：一个是服务的原料，一个是训练的原料

2026年初秋发布的两款最有趣的小型模型中，有这样一个共同点：两者都无法开箱即用，而且两家厂商都在各自的模型卡的第一句话中说明了这一点。MiniCPM5-2B-DSpark是OpenBMB于2026年9月6日悄然发布到Hugging Face的DSpark草稿检查点——它是MiniCPM5-2B的3.238亿参数配套模型，后者是ModelBest于2026年7月19日在WAIC上发布的密集2.52B端侧模型——并且在你将它与该目标模型一起加载到投机解码引擎中之前，它什么也做不了。LFM2.5-2.6B-Base是Liquid AI的预训练文本检查点，自2026年8月1日起就在Hugging Face上，Liquid自己的模型卡称其为“仅预训练文本检查点”，仅推荐用于需要大量微调的任务。一个是用来加速服务已训练完成模型的原料；另一个是用于从头训练你自己的模型的原料。它们摆在不同的架子上，构建者可能会犯的错误就是拿错了那个。

它们之所以值得放在一起比较，是因为两者面向的是同一类硬件和同一个2026年愿景——在手机、笔记本电脑和边缘盒子上实现够用的AI——却从构建流程的两端相向而行。如果你想要一个可直接部署的端侧模型，外加免费的加速效果，OpenBMB的整套技术栈可以原样开源交付给你。如果你想自己掌控后训练环节，Liquid则把基底材料和所需的功夫一并交到你手上。这篇文章要谈的是，你实际需要购买的到底是哪一层。

两张卡片上写着“不可直接使用”，但用的是不同的方言。

并排阅读这两张模型卡，端倪就在这种配对措辞中。MiniCPM5-2B-DSpark 的模型卡通篇都在描述另一个模型：一个目标模型、另一个共享的分词器、草稿层、接受长度、一条同时接收目标路径和草稿路径的 SGLang 启动命令。这个草稿模型没有自己的独立身份——五个全注意力层、323,776,001 个参数、块大小为七、在 MiniCPM5-2B 生成的 70.5 亿 token 的响应上训练了六个 epoch，并以 Apache-2.0 许可发布，启用了 DSpark 方法（arXiv 2607.05147）的置信度头和马尔可夫头。其目的是吞吐量：一次提议最多七个 token，让 2.52B 的目标模型一遍验证该块，保留其接受的部分。

上面提到的 openbmb/MiniCPM5-2B-DSpark 卡片是此次发布的全部公开信息——这是一个未附带任何公告的服务附件，报告了受理长度，但没有端到端的加速效果。

LFM2.5-2.6B-Base 的模型卡是以一个尚不存在的模型为对象撰写的：你的模型。这个 2.69B 混合架构模型在二十二个双门控短卷积模块之上堆叠了八个分组查询注意力层——这是 Liquid 专为端侧部署设计的架构——并在约 34 万亿 token、16 种语言、128K 上下文的语料上完成训练。它仅支持文本，未经指令微调，也不发布任何自己的基准测试结果，因为预训练基座模型不参与评分；由它微调出来的产品才参与评分。它的用途是在你的数据上做继续预训练或 SFT（监督微调），此后你发布的任何东西都会继承其许可条款。

上方LiquidAI/LFM2.5-2.6B-Base的卡片显示了家族表——基础模型与经过后训练的LFM2.5-2.6B智能体模型——以及将基础模型定义为原始材料的“仅文本预训练检查点”说明。

这些仓库，一个维度一个维度地看。

• 角色 — MiniCPM5-2B-DSpark：加速一个现有的、已完成的目标模型。LFM2.5-2.6B-Base：作为基底，后训练即得成品模型。

• 参数 — MiniCPM5-2B-DSpark：324M 草稿模型用于 2.52B 稠密目标模型。LFM2.5-2.6B-Base：2.69B 混合模型（注意力 + 短卷积块）。

• 上下文 — MiniCPM5-2B 目标：原生 128K。LFM2.5-2.6B-Base：原生 128K。

• 你需要添加的内容——MiniCPM5-2B-DSpark：一个服务引擎（SGLang DSPARK）和目标模型。LFM2.5-2.6B-Base：一次微调运行、一套评估套件和一个推理栈。

• 基准测试 — MiniCPM5-2B-DSpark：仅给出 repo 接受长度（每步贪心聚合 5.52），没有加速倍数数据。LFM2.5-2.6B-Base：基础模型本身未公布任何基准数据。

• 许可证 — MiniCPM5-2B-DSpark：Apache-2.0，无附加条件。LFM2.5-2.6B-Base：LFM 开放许可证 v1.0 — 年收入不超过 1000 万美元可免费商用，且该上限同样适用于你所微调的任何模型。

上面的记分牌就是画成卡片的配料架：其中一列是成品模型的配套附加组件，另一列是训练基质，供一个在你构建之前尚不存在的模型使用。

1000万美元的差额

对于构建者来说，许可差距是那份清单上最不显眼却最具决定性的一项。ModelBest 和 OpenBMB 将 MiniCPM5-2B 及其草稿模型置于 Apache-2.0 许可之下：你可以部署目标模型、运行草稿模型，并在此基础上构建商业产品，没有收入上限，除署名要求外无需承担任何继承义务。Liquid 的 LFM Open License v1.0 允许商业使用，但设有上限——年收入低于 1000 万美元时免费，而且这一上限会延伸到你的衍生作品中，因此你基于 LFM2.5-2.6B-Base 微调出的产品同样受此上限约束。这并非意味着 Liquid 的许可不合理；而是意味着，对于希望突破上限、迈向规模化发展的初创公司来说，从第一天起就必须围绕这一条款进行规划。如果你的项目收入预期很小，或者你只是在评估研究用途，那么这一上限就不是问题。如果你正在打造一个打算做大做强的产品，Apache-2.0 则是另一种性质的原材料。

开发者面临的自研与购买的岔路口

{{1}}把它看作关于模型本身的"自建 vs. 购买"决策，选择就不再令人困惑了。{{/1}} MiniCPM5-2B-DSpark 就是"购买"路径：繁重的工作——针对智能体、长上下文任务对端侧模型进行后训练——在 MiniCPM5-2B 中已经完成，草稿模型只是叠加其上、无需额外许可的加速层。你买到的是一个已成型的模型和一份加速，两者都是 Apache-2.0 许可，剩下要做的只有提供服务和评测。悬而未决的问题本质上是量化问题：OpenBMB 已测出草稿模型的接受率（贪心解码下每个验证步骤接受 5.52 个 token），但未测出它的墙钟时间收益，因此你仍需在自己硬件上对 SGLang 部署进行基准测试，才能知道你买到的到底是什么。

LFM2.5-2.6B-Base 走的是“构建”路线：你购买的是预训练基底，自行完成后训练，这也是选择基座模型而非 Liquid 已出售的、经后训练的 LFM2.5-2.6B 姊妹模型的唯一正当理由。当你拥有现成模型覆盖不到的领域、语言或行为画像时，这条路线就很有意义——你采用 Liquid 的架构和 34 万亿 token 的基础，让它为你所用。这无疑是更多的工作量，从零个已发布的基准起步，并继续承担收入上限。回报则是一个独一无二、别人没有的模型。

路由的现实

目前，这两个检查点都没有出现在任何托管目录中，包括 OrcaRouter 的目录——草稿模型本质上是一个本地服务附件，而 Liquid 的基础则是一个自托管微调项目。这正是路由层仍然有用的地方，而无须假装托管其中任何一个：一旦你已部署或微调了任一模型，位于你自己端点前面的那一层，就能让试用它们变得可逆。将测试路径指向一个 MiniCPM5-2B-plus-draft SGLang 构建，而生产环境继续使用你今天所提供的任何模型；让自动故障转移捕捉停滞，并让你所对比的托管模型的提供商目录价格以 0% 加价直接透传。这里这一层的重点不是交付——而是这两种成分都不会让你不可逆地绑定。

你在哪个货架购物？

当你今天就需要一个已完成的、采用Apache-2.0许可的端侧模型，并希望有一个可能让它更快的草稿模型时，请选择MiniCPM5-2B-DSpark（连同其目标模型）——同时接受这一点：你必须自行测量草稿模型的加速效果，因为厂商并未提供测量数据。当你打算对自己的模型进行后训练，并希望以Liquid的混合架构和16语言基础作为起始权重时，请选择LFM2.5-2.6B-Base——同时接受微调费用、零已发布基准测试结果，以及一项会随你发布的任何产品一并附带的1000万美元收入上限。这两者并非同一任务上的对手；它们是在同一硬件上承担两种不同任务的产品。唯一错误的选择，就是买了其中一个，却以为自己在买另一个。