Vyb 对比 LFM2.5 2.6B Base：输出归谁所有，比谁胜出更重要

无论是Vyb还是LFM2.5 2.6B Base，都不是那种你可以指派一个任务然后就不管了的模型；而且它们各自的短板几乎正好相反。Vyb 由 Coco Labs 于 2026 年 10 月 20 日发布，是一款需要排队等候名单才能使用的成品设计产品：它能把品牌资产转化为分层、可编辑的营销图形，而且没有公开 API，也没有公布价格。LFM2.5 2.6B Base 由 Liquid AI 于 2026 年 8 月 4 日发布，是一个拥有 26.98 亿参数的预训练检查点，完全未经过指令微调——如今可依据 LFM Open License v1.0 下载，一旦你有训练任务可以指向它，它就能派上用场，而在此之前则毫无用处。无论是排队等候型产品，还是基础检查点，都不会记录设计流水线在生产中如何失败，而这些事件被收录在OrcaRouter AI Incident Archive中，每条记录都带有各自的来源、严重程度、置信等级和争议标记。

所以真正值得比较的不是质量，也不是速度，而是所有权：你被允许拿这个产物做什么、你又能拿它的输出做什么，以及这两项限制中究竟是哪一项真正卡住了你的项目。

两件作品，用创作者自己的话来说

Vyb 被 Coco Labs 描述为“首个理解用户品味的设计模型”。它使用该公司称为 Cocolang 的内部结构化格式分层构建设计，将文本保留为文本、矢量保留为矢量，并无损导出到 Figma 等工具中。它会读取品牌的网站和文件，使输出中的标志、字体和颜色都是品牌已拥有的那些。访问方式为候补名单，附带 $10 生成额度。未披露参数数量，未披露架构，没有价目表，没有 API。

LFM2.5 2.6B Base 的完整名称是 LFM2.5-2.6B-Base。其模型卡列出：总计 26.98 亿参数，分布于 30 层，其中 22 层为双门控短卷积块，8 层为分组查询注意力；上下文长度为 131,072 个 token，词表大小为 128,000 个 token；在 34 万亿 token 上训练；覆盖 16 种语言。它仅支持文本。它是一对模型中的一个——Liquid AI 还推出了经过后训练、面向智能体工作的 LFM2.5-2.6B——而模型卡对基础检查点本身的描述是：它是该系列中每个变体所源自的模型。Hugging Face 上已有 16 个基于它的微调衍生模型。

把这两段放在一起读，轮廓就显现出来了。Liquid AI 发布了一个组件，并明确告诉你它由什么构成。Coco Labs 发布了一个产品，却几乎没告诉你它里面有什么。两者都是发布模型的正当方式；只是它们把功夫下在了不同的地方。

许可证实际允许的内容

这是整个比较中最具直接现实影响的部分，而它又分为两个方向。

• 再分发——LFM2.5 2.6B Base 以 LFM Open License v1.0 发布，这是一项在 Hub 上标记为 license:other 的自定义许可证。它旨在支持开放使用，并允许在附带条件的情况下进行商业部署，但它是一份有人特意撰写的文件，在你再分发衍生版本之前必须阅读。Vyb 则完全不发布任何条款，因为没有什么可再分发的：你得到的是设计，而不是权重。

• 输出所有权——这是在做决定之前需要核查的一点。由 Vyb 生成的设计，是在别人的基础设施上、依据一份尚未向你展示的协议生成的，因为等候名单并不是合同。由微调后的 LFM2.5 2.6B Base 生成的文本，则是在你自己的硬件上、用你持有的权重生成的。对于一个把营销活动资产当作产品本身的品牌来说，这种差别并非纸上谈兵。

• 修改——LFM 检查点中的每一项权重都归你所有，你可以继续预训练、微调、量化或蒸馏。Vyb 则完全无法修改。你可以编辑它的输出，而这正是关键所在，但你无法更改生成该输出的模型。

• 硬件——LFM2.5 2.6B Base 是稠密模型，且规模足够小，因此 Liquid AI 将该系列定位为面向手机和笔记本电脑；2.69B 检查点在四比特精度下只需一块消费级 GPU 或一台边缘设备。Vyb 无需硬件，这究竟是本清单上最好的还是最差的特性，取决于你的约束是资本还是控制权。

你实际会训练 LFM2.5 2.6B Base 去做的事

显然的用途，也是与设计管线配合、而非与之竞争的那一种。Vyb 负责放置文字；但总得有东西来撰写文字，以品牌认可的语气，按营销日历要求的数量来写。这是一项使用小型且定义明确的数据集的微调任务：十二个月已获批的标题、一份风格指南，以及被拒的案例。一个 2.69B 的基座检查点正合适——大到足以承载一种语气，小到可以在一张 GPU 上用一个下午完成训练，也小到每千次生成的服务成本低于一杯咖啡。

131,072 个 token 的上下文对于那项工作来说很宽裕。一本品牌手册加上一百个已批准的示例也能轻松容纳，这意味着微调可以以该指南为条件，而不是寄希望于它已被吸收。

LFM2.5 2.6B Base 不会做的，是在没有训练的情况下回答问题。它只会续写文本。它不会遵循格式、调用工具，也不会在你希望它停下时停下，因为这些都没有被训练进它里面。每一篇关于基础检查点的文章都会这么说，而每个团队还是会去尝试，所以：如果你想要一个今天就能写标题的模型，先做微调，或者使用经过后训练的同系列模型。基础检查点是一个起点，而不是一项服务。

每条路径的成本，已计算出来

Vyb 的成本目前只有一个数字：价值 10 美元的积分，免费，一旦你退出等候名单。此后的一切都是未知数，而这个未知数并不小——一个每月制作四十份素材的营销团队需要一个单份素材成本数字，来决定这个工具替代的是设计师的一个下午，还是一名设计师。

LFM2.5 2.6B Base 的成本可以精确到分，而且几乎完全是固定成本。权重是免费的。训练运行就是你的 GPU 小时数。服务就是你的推理，而在 2.69B 稠密模型规模下，这笔账并不光鲜：一张中端显卡就能轻松处理文案生成工作负载，生成第一千条标题的边际成本实际上就是电费。你真正花掉的是工程时间——数据流水线、评估集、护栏——而这正是人们在比较“免费权重”和“廉价 API”时容易忘记的那一项开支。

还有第三条路径，大多数团队最终都会采用它，值得为它命名。在品牌语调仍在定义阶段时，用托管模型来生成文案；一旦你拥有足够多经过批准的示例，使训练值得投入准备工作，就对 LFM2.5 2.6B Base 进行微调。这是一个路由问题，而不是模型问题：一个密钥即可访问 200+ 个托管模型，提供商目录价以 0% 加价透传，让你无需第二份合同就能从原型走向生产；而当经济性发生转变时，本地检查点就会接管。

对 Vyb 数据的如实解读

由于本页将四天前的厂商基准测试与两个月前的开放检查点并列放在一起，其来源就应当被直截了当地说明，而不是被埋没。

Coco Labs 发布了 VybBench，覆盖 145 款 Google 字体、100 种颜色和 200 项编辑，并报告字体保真度为 90.3%，而 ChatGPT Image 为 76.0%；颜色误差为 0.00，对比为 3.94；编辑中的平均像素变化为 11.9%，对比为 95.5%。该公司编写了这项基准，而其模型赢得了它。它还披露，Vyb 在编辑测试中收到了分层 SVG 输入，而对比模型收到的是扁平化 PNG，因为它们无法接受图层。这些都不意味着结果有误——图层格式本身就是产品——但这确实意味着这些数字衡量的是不同的输入契约，而不是两个模型执行完全相同的工作。尚无任何独立第三方复现过其中任何内容。

相比之下，LFM2.5 2.6B Base 是一个你今天下午就能自行下载并评估的检查点。这并不是在断言质量；而是在断言可验证性，而在这个维度上，两者不可同日而语。

哪一个阻挡你？

如果你的问题是已批准的设计无法在不重新生成的情况下编辑，那么在这两者中只有 Vyb 能给出答案，而且等待名单只需你投入一周时间，而不是一个季度的预算。如果你的问题是每个素材都需要一段以你的口吻撰写的标题，且数量之大没人愿意写，那么答案就是 LFM2.5 2.6B Base 加上一次微调运行，而且它现在就可用了。

如果你的问题是两者兼有，那它们就不是竞争对手——而是同一条流水线的两个阶段：一个租用，一个自有。真正需要做的决定不是选哪个模型，而是品牌的营销活动素材应该由它自有的模型来生产，还是由它拥有候补账户的模型来生产；而这个问题到2026年10月仍未解决，正是这次比较能告诉你的最有用的信息。