MiniCPM5-2B vs LFM2.5 2.6B Base：成品模型 vs 构建你自己的原材料

过去一个月最有趣的两款小模型发布，处于同一重量级别，却正处于生命周期中截然不同的阶段。MiniCPM5-2B 是成品：一个 2.5B 稠密模型，由 ModelBest 和 OpenBMB 于 7 月 19 日在世界人工智能大会上发布，其开放权重于 9 月 6 日和 7 日悄然上线 Hugging Face，背后有完整的后训练流水线，采用 Apache-2.0 许可，可直接投入服务。LFM2.5 2.6B Base 是 Liquid AI 的纯文本预训练检查点——该公司称这一原始基座“仅推荐用于需要大量微调的任务”，没有指令微调、没有聊天模板、也没有任何已发布的基准测试，因为基座模型本身不参与评分；从中微调出的模型才参与评分。对它们进行比较，实际上是在问你在构建的哪一层上做选择：一个今晚就能用的模型，还是打造你自己的模型的原料。

这两张模型卡都以不同的措辞写着“不供直接使用”，而厂商都把这句放在了开头几行。MiniCPM5-2B 的模型卡描述了一个稠密的 Llama 架构 Transformer：总参数 2,516,756,480（非嵌入参数 1,981,982,720），42 层，分组查询注意力（GQA），出厂配置下支持 131,072 token 的上下文窗口，并配有一套后训练方案——深度思考 SFT、专门化 RL、同策略蒸馏——直接瞄准智能体行为与工具使用。Liquid 为 LFM2.5 2.6B Base 发布的模型卡则描述了一个 2.69B 的混合模型：在二十二个双门控短卷积块之上堆叠八个 GQA 层，用约 34 万亿 token 在 16 种语言上进行预训练，上下文长度 128K，然后就此止步：这个基础模型的存在，就是为了被继续训练或微调成别的东西。一个是终点；另一个是起跑线。

Liquid 实际发布了什么

LFM2.5 2.6B Base 于八月初上架 Hugging Face，作为 Liquid 的 LFM2.5-2.6B 系列预训练基础模型。其模型卡展示了该系列的表格——包含 base 版本，以及 Liquid 为智能体工作负载（含工具调用）微调后的 LFM2.5-2.6B 后训练版本——并明确说明 base 是用于创建所有变体的纯文本检查点。它的全部职责就在于此：你基于 2.69B 混合架构和 34 万亿 token 的多语言基础，在自己的领域上继续预训练或进行 SFT，之后你发布的任何东西都会继承其许可条款。模型卡上没有基准测试，因为目前还没有可测试的对象；该模型没有经过指令微调，因此开箱即用时它会继续生成文本，而非回答问题。它的权重约占 2.5GB，并支持 Transformers、vLLM、SGLang、MLX 和 llama.cpp，这使它成为手机级和边缘级微调项目的可行基座。

这一对比中的实际注意事项：如果你想要的是Liquid推出的可运行的小模型，那么与MiniCPM5-2B公平对标的应当是经过后训练的LFM2.5-2.6B，而非Base版本。Base版本是当你打算自行进行后训练时才会选择的版本——这正是MiniCPM5-2B自己的基准测试表对比的是该系列中经过指令微调的兄弟模型，而非这一原始检查点的原因。

OpenBMB 发布了什么，以及它为何与众不同

MiniCPM5-2B 作为一款成品发布，且附带了工厂蓝图。如果说 Liquid 交给你的是一块基座和需要自己下的功夫，OpenBMB 则把整套东西开放地交到你手上：最终经过 RL + OPD 后训练的检查点、GGUF、MLX、GPTQ、基座版、SFT 版以及配套的 draft 模型，还有——真正改变对比格局的那部分——训练语料本身，以 Apache-2.0 许可发布，构成 UltraData 系列。模型卡显示，在厂商自选的 2B–4B 开源模型对比集中，内部平均得分为 53.9；其中 AIME 2025/2026 为 86.5，SWE-bench Verified 上厂商自测为 46.4，这些数字目前均未经独立复现。它的定位是拿来运行，而不是拿来训练：发布时的宣传重点是零日适配九大芯片家族及 ARM、通过 XML 风格调用实现原生工具调用，以及面向交互使用的快速/深思混合响应模式。

记分牌，诚实标注

• 你获得的内容 — MiniCPM5-2B：一个完整、可直接服务的聊天模型，外加开放的训练数据。LFM2.5 2.6B Base：一个预训练基础模型，你可将其微调为完整模型。

{{1}}• 参数 — MiniCPM5-2B：总参数量 2.52B / 非嵌入参数 1.98B，稠密 Llama 风格。{{/1}}{{2}}LFM2.5 2.6B Base：2.69B 混合架构（8 个注意力块 + 22 个短卷积块）。{{/2}}

• 上下文 — MiniCPM5-2B：出厂配置中为 131,072 个 token。LFM2.5 2.6B Base：原生 128K。

• 语言 — MiniCPM5-2B：以英语和中文为中心的卡片与数据。LFM2.5 2.6B Base：在16种语言上进行预训练。

• 基准测试 — MiniCPM5-2B：完整厂商测试套件（内部平均 53.9；未复现）。LFM2.5 2.6B Base：按设计，基础模型本身未发布任何基准测试。

• 许可证 — MiniCPM5-2B：Apache-2.0 适用于其权重和已发布数据。LFM2.5 2.6B Base：采用 LFM Open License v1.0，年收入低于 1000 万美元可免费使用，且该收入上限同样适用于你的衍生作品。

上面的计分板以六行讲述了同一个故事：两个模型都很小，属于128K级且与Apache相关，但一列以运行中的服务告终，另一列则以关于由谁来进行训练的决策告终。

许可证即功能

对于构建者而言，许可授权上的差距是那份清单上最不耀眼、却最具决定性的一项。OpenBMB 将 MiniCPM5-2B 及其发布的数据置于 Apache-2.0 许可下：你可以将其作为服务运行、对其微调并在此基础上构建商业产品，没有收入上限，除保留署名外也无任何继承性义务。Liquid 的 LFM Open License v1.0 是真正开放权重的，但设有收入条件——年收入低于 1000 万美元的组织可获得广泛的商业授权，达到或超过该门槛的组织则不能；而且这一上限会沿袭到你所微调的任何模型上，因此基于 LFM2.5 2.6B Base 构建的产品会随着你公司的发展而承载同样的上限。这并不使 Liquid 的许可显得不合理；而是使它成为一个条款：一家希望增长并越过该上限的初创公司，从第一天起就必须围绕它来做规划，这也是“成品模型”这一框定最重要的原因。如果你要构建的是打算长期做大做强的产品，Apache-2.0 加开放数据与一份设有上限的许可是不同种类的原材料。

构建与购买的分岔，已具体化

把它框定为“自研还是购买”（build-versus-buy），这个选择就不再令人困惑。MiniCPM5-2B 是“购买”路径：最艰巨的工作——为了让一个小模型胜任智能体式、长上下文任务而进行的后训练——已经完成，许可证也很干净，你剩下的工作只是服务部署和评估。代价是你采纳了别人在后训练上的取舍，而且它那些核心数字已经是一周前的，出了实验室就无人验证过。LFM2.5 2.6B Base 是“自研”路径：你购买 Liquid 的架构和预训练成果，自己完成后训练——这也是你放弃 Liquid 已在售的指令微调姊妹模型 LFM2.5-2.6B、转而选择基础版的唯一诚实理由。当你有一个现成模型覆盖不到的领域、语言或行为画像时，这条路才说得通。它的工作量只会更大，起步时没有任何已发布的基准，而且会把收入上限条款一并延续下去。回报是你将拥有一个别人没有的模型——而且，由于 OpenBMB 开放了 MiniCPM5-2B 自己的数据，你现在有了第二条抵达那里的途径：在一个久经验证的 Apache-2.0 配方上继续训练，而不是从裸基础模型起步。

两者的路由现实

目前这两个检查点都没有出现在任何托管目录中，所以这一层的问题关乎它们周围的生态，而非交付方式。一旦你把 MiniCPM5-2B 服务化，或把微调后的 LFM2.5 2.6B Base 变成自己的东西，想要与已在使用的托管模型做可逆试比，最稳妥的路径就是通过同一个带自动故障转移的 API——新的或衍生的技术栈即使卡住也不会让生产环境宕机，且供应商挂牌价以 0% 加价透传，因此 A/B 对比的成本很低。不过，就“自建还是购买”这一决策本身而言，诚实的做法与对待小型开放模型时一贯如此：真正重要的基准，是你在自己的硬件和自己的数据上跑出来的那个，而不是印在任意一张模型卡上的那个。

您实际要买的是哪一层？

当你想要一个成品级、采用 Apache-2.0 许可、可在设备端运行的模型——今晚就能部署，并能在开放数据上进行微调时，选择 MiniCPM5-2B；但你要接受：它那张令人印象深刻的模型卡尚未经证实，需要你自己复现验证之后，才能赢得生产环境下的信任。当你打算对自己的模型做后训练，并希望以 Liquid 的混合架构和 16 种语言基础作为起始权重时，选择 LFM2.5 2.6B Base；但你要接受微调带来的成本、零已发布基准，以及无论你最终发布什么，都会随之而来的 1000 万美元收入上限。这两者并非同一任务上的对手；它们是在同一套硬件上的两种不同任务。唯一错误的选择是：买下其中一个，却以为自己买的是另一个。