ZwZ2-9B 对比 LFM2.5 2.6B Base：一个值得理解的范畴错误

把 ZwZ2-9B与LFM2.5 2.6B Base并排放在一起，看起来像是在做规模对比，其实并不是。ZwZ2-9B 是 inclusionAI 于 2026 年 10 月 16 日发布的 94.1 亿参数视觉语言检查点，没有模型卡；LFM2.5 2.6B Base 是 Liquid AI 于 2026 年 8 月 1 日发布的 26.97 亿参数纯文本预训练模型，其模型卡用自己的话说，它是“用于创建所有 LFM2.5-2.6B 变体”的检查点。一个是你可以直接采用的成品。另一个是你可以在此基础上构建的基础。在两者之间做选择，不像在两辆车之间做选择——而像在一辆车和一块发动机缸体之间做选择，而唯一有用的问题是，你实际需要的究竟是哪一个。

所以这篇文章做了两件事。它会给你两者的真实数字，因为你来这里就是为了做比较，而这些数字值得了解。然后，它会解释这种比较所掩盖的区别，因为一旦搞错，团队就会在不需要的微调上耗到第三周，或者为了一个 3B 笔记本模型就能胜任的任务，去运行 9.4B 的服务器模型。

这些工件实际上分别是什么

LFM2.5 2.6B Base 是刻意未完成的。它是 Liquid AI 的 LFM2.5-2.6B 系列根基处的预训练检查点——30 层交替使用双门控短卷积块和分组查询注意力，预训练使用了 34 万亿个 token，词表包含 128,000 个 token，位置上限为 128,000。它仅支持文本。它专为端侧部署而设计，这是 Liquid AI 在模型卡中使用的说法，而“Base”后缀的全部意义在于，经过后训练的对话变体和智能体变体是从它衍生出来的独立下载项。你应该用它进行微调，或将其他模型蒸馏进它。开箱即用时，它并不是一个助手。

ZwZ2-9B 是恰好相反的一类对象。它是一个已经定型、却尚未被描述的检查点。其配置包含一个 27 层视觉塔、图像和视频 token ID、一个上限为 768 帧的视频处理器、一个内置默认系统提示的聊天模板，以及其 32 层中有 24 层运行线性注意力，而不是不断增长的键值缓存。这是一个部署目标，而不是训练基底。缺失的正是购买者会询问的一切：没有许可证字段，没有评估结果，没有说明它是在什么数据上训练的，也没有在 inclusionAI 的十个公开合集中留下任何条目。

• 参数 — ZwZ2-9B：9,409,813,744。LFM2.5 2.6B Base：26.97亿。

• 用途——面向部署形态的多模态检查点，对比用于微调的预训练基座模型。

• 模态类型 — 文本、图像和视频 vs 仅文本。

• 上下文上限 — 262,144 个位置，对比 128,000（Liquid AI 的规格卡将其取整为 131,072）。

• 词汇量 — 248,320 vs 128,000。

• 注意力设计 — 24 个线性层加 8 个全注意力层，对比 22 个卷积层加 8 个注意力层。

• 许可证 — 未声明，而 LFM Open License v1.0 是自定义许可证，而非 Apache-2.0。

• 文档 — 无，对比模型卡、技术报告和明确的训练预算。

其中有两行比看起来更有意思。两个模型都恰好采用 8 个注意力层，而其余部分都用更廉价的东西填充——ZwZ2-9B 用循环线性注意力，LFM2.5 2.6B Base 用短卷积。这种趋同并非巧合；这正是过去两年里“高效架构”所意味着的东西，只不过是从相反的方向、在相反的规模上殊途同归。而上下文上限并不是一场竞赛：262,144 对 128,000 几乎说明不了什么，因为 2.7B 模型是为放在笔记本电脑上而打造的，在那里，二十五万 token 的缓存并不是现实的工作集。

“Base”这个词就是整个决定

如果从这次配对中只带走一件事，那就带走这一点。基础检查点没有指令遵循能力，没有值得依赖的聊天格式，也没有安全调优——如果你在构建领域模型，这反而是优点，因为这意味着你在训练自己的模型时，不必去对抗别人的对齐。如果你想得到的是一个助手，那这就是缺陷，因为你会花头两周重新发现：预训练模型是在补全文本，而不是回答问题。

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

部署计算，才是真正差异所在

一个 2.697B 的文本模型和一个 9.41B 的视觉模型并不是同一硬件上的替代方案。LFM2.5 基础版是为手机、笔记本电脑和单板机打造的；Liquid AI 的定位是端侧推理，而一个量化到四比特的 2.7B 检查点只有几 GB。ZwZ2-9B 则保留了 27 层视觉塔以及 32 层语言层，每个方向还有大约 2 GB 的嵌入矩阵——仅词表本身就是一张 248,320×4,096 的表——所以它属于服务器，或者至少是一台配有真正加速器的台式机。

这就是为什么对大多数团队来说，诚实的架构不是“二选一”。而是两层。把小型且有文档记录的模型放在延迟和隐私很重要、任务范围又狭窄的地方，并把困难的情况路由到托管模型，让可变成本只在困难情况出现时才出现。把这种拆分做对，比本页上任何单一模型选择都更有价值，而且它也是最难在以后更改的，因为它会触及你的代码。

在单一接口背后完成这一切，正是路由器的意义所在。OrcaRouter 通过一个兼容 OpenAI 的端点和一把 API 密钥公开 200 多个模型，并支持自动故障转移，因此廉价层级和昂贵层级之间只差一个模型字符串，而不是两套集成——而且提供商标价按 0% 加价透传，所以运行昂贵层级的成本与在其他任何地方相同。我们不托管 LFM2.5 2.6B Base，也不托管 ZwZ2-9B，因此这两者都不是我们能替你做出的决定——Liquid AI 通过厂商自己的渠道分发其自有权重，而 inclusionAI 根本没有发布任何端点。我们今天能在这种划分的托管侧提供的，是qwen/qwen3-vl-8b-instruct，一个 8B 视觉语言模型，具有 131K token 上下文，每百万输入 token 收费 $0.18、每百万输出 token 收费 $0.70，这是小型多模态层级最接近的、有文档记载的替代方案。

授权是这两者分歧最为显著之处

这两个许可证都不是 Apache-2.0，而且其原因的差异颇为重要。LFM2.5 2.6B Base 以 LFM Open License v1.0 发布，这是一份自定义许可证——它已公开发布、可读，而且与家族中其他模型所用的是同一份许可证，这意味着你只需做一次法律审查，就能覆盖你接触到的每一个 LFM2.5 模型。ZwZ2-9B 则未声明任何许可证。缺少许可证并不等同于宽松许可证；在没有明确授权的情况下，保守的解读是：并未授予任何权利，而这比一份你可以阅读和评估的自定义许可证是实质上更糟糕的处境。

对于你打算微调、并可能再分发的基础检查点来说，这可不是一个无关紧要的脚注。衍生作品条款恰恰是自定义许可证往往会有自己看法的条款，而完全没有任何相关条款，也并不会以对你有利的方式解决。

如何选择，直截了当地说

如果你的文本任务范围较窄、有明确的目标设备，并且有意愿自行开展训练，那就选择 LFM2.5 2.6B Base——同时要接受：指令跟随能力得由你自己来提供。它已记录的训练预算和明确声明的许可证意味着你清楚自己的起点是什么。

如果需要输入中包含图像或视频，你有足够的 GPU 来服务一个 9.4B 模型，并且愿意成为地球上第一个评估它的组织，那就选择 ZwZ2-9B。最后那句话不是修辞。在投入之前，需要回答的问题是：它是否接受你的图像格式，在禁用思考时是否返回你需要的输出形态，以及你实际将依据哪个许可证运行。这三个问题中有两个在仓库中有答案。第三个则没有。

基准测试会过时，价格会变动，但失败记录不会：这一类模型背后有据可查的 AI 事故与智能体故障，均收录于OrcaRouter AI 事故档案库，其中每条记录都带有各自的来源、严重程度、置信度评级和争议标记。