Beam 1.0 對比 LFM2.5 2.6B Base：未完成的基底與已完成的巨人

一個從未被教導如何回答問題的模型，正被拿來與一個受過規劃訓練的模型相比。LFM2.5 2.6B Base是 Liquid AI 的 26.98 億參數預訓練檢查點，於 2026 年 8 月 4 日以 LFM Open License v1.0 發布，並被明確描述為微調的基礎——它是純文字的，由 30 層混合卷積與分組查詢注意力組成，且未經後訓練。Reflection Beam 1.0是一個稀疏專家混合模型，總參數 5,013 億、活躍參數 234 億，經由監督與強化學習階段完成後訓練，並在 2026 年 10 月 5 日發布公告後，於 2026 年 10 月 16 日以 Apache 2.0 釋出可下載的權重。規模差距是 185 比 1。但真正決定這項比較的差距並非規模——而是這兩者之中，一個是你投以訓練流程的原始基底，另一個則是你提供服務的產品。

兩者都在 Hugging Face 上。兩者今天都開放下載。兩者都預期你自己準備硬體。這就是它們重疊的全部，而把它們對照著讀，是很有用的方式，能看出開放權重生態系替它歸在同一標籤下的兩樣東西貼標籤的方式有多麼不同。

這兩張發行作品，正如其發行商所描述的那樣

LFM2.5 2.6B Base的全名是 LFM2.5-2.6B-Base。其模型卡列出總參數量為 26.98 億，30 層中有 22 層是雙閘控短卷積區塊，八層是分組查詢注意力，訓練預算為 34 兆個 token，詞彙量為 128,000 個 token，上下文長度為 131,072 個 token。它涵蓋 16 種語言。它是成對模型中的一個：Liquid AI 也發布了 LFM2.5-2.6B，這是針對代理式工作負載進行後訓練的版本，而這是該家族中每個變體所源自的原始檢查點。模型卡對基礎模型的自述是，它是用來建立所有其他變體的預訓練純文字檢查點。Hub 上已經有十六個在其之下微調的衍生模型。

Beam 1.0則是相反的安排。Reflection 以總計 501.3B 參數發布，每個詞元有 23.4B 活躍參數，橫跨 52 層——三層稠密與 49 層混合專家，在此配置中 256 個專家每次路由八個。上下文視窗為 1,000,000 個詞元。模態僅限文字，而模型卡也直言不諱地如此載明。它提供三種精度，BF16、FP8 與 NVFP4，外加一個 2B 的 DFlash2 推測解碼草稿模型。其對話範本採用修改過的 Harmony 格式，具有 analysis 與 final 通道，以及一個具備六個具名等級的推理強度設定。它的四個儲存庫於同一天發布，即 2026 年 10 月 16 日，而 Artificial Analysis 也在其模型頁面上將此次發布記錄為 2026 年 10 月 16 日。

再把那兩段讀一遍，這件事的輪廓就浮現了。Liquid AI 發布了一個元件。Reflection 發布了一套完整的系統，具備傳輸格式與投入度調節旋鈕。兩者都被稱為「open」，而這個詞正承擔著兩種不同的功能。

授權條款是兩者最不相似的地方。

這是無法從參數數量得出的比較，也是最具實際影響的一項。

Beam 1.0 採用 Apache 2.0。那是一份標準的寬鬆授權條款，沒有使用者上限、沒有每月活躍使用者門檻，也沒有另立的商業層級。下載它、微調它、重新散布其衍生作品、販售其成果。這張模型卡也附有《負責任使用指南》以及一份獨立的安全技術報告，這些是政策文件而非授權限制——它們規範的是可接受的使用方式，而非權重。

LFM2.5 2.6B Base 則不然。Hub 將它標記為 license:other，並將授權條款命名為 LFM Open License v1.0。實際差異並不在於一方是寬鬆授權、另一方不是——Liquid AI 的授權條款是為開放使用而寫的——而在於這兩種授權條款必須以不同的方式解讀，且只有其中一種能用一句話概括。如果你的計畫涉及以商業方式再散布衍生作品，本頁 Apache 2.0 的那一邊不需要任何分析。LFM 的那一邊則要求你閱讀授權條款，因為自訂授權條款按定義就是一份有人刻意寫下的文件。

這種不對稱在另一條軸線上則朝相反方向運作。Liquid AI 的檢查點是 26.98 億參數的稠密文字模型，這意味著授權問題所繫的，是某個你能放進單一消費級 GPU 或邊緣裝置的東西。Reflection 的 Apache 2.0 授權所附隨的，則是一個 5,010 億參數的模型，其 bfloat16 權重約達 1 TB，而四位元變體仍標示為 255B。對於一個你無法託管的模型採取寬鬆授權，與對於一個你能託管的模型採取自訂授權，是不同類型的自由。

基礎模型能做什麼、不能做什麼

一篇關於基礎檢查點的文章必須把這一點直白地說清楚，因為這是人們最常浪費一個下午的方式。LFM2.5 2.6B Base 並未經過指令微調。它會接續你的文字。它不會回答你的問題、遵循你的格式、呼叫你的工具，也不會在你想要它停下來時停下來。它是一個起點，其行為完全取決於你訓練它什麼；Liquid AI 在模型說明中明說了這一點，而不是留待使用者自行發現。

那不是缺陷，也不是 Beam 1.0 的縮小版。34 兆個 token 的預訓練作業與 30 層混合式架構就是產品本身；對齊的缺席正是重點，因為對齊依任務而異，而推出基礎模型的實驗室是刻意把這項決定交給負責該任務的人。Hub 上的十六個衍生模型，就是這種安排在實務中的樣貌。

對評估而言，其結果就是沒有可供比較的基準表。Beam 1.0 的模型卡上則載有完整的一份——SWE-bench Verified 在 BF16 上達 81.6%、Terminal Bench v2.1 為 80.1、GPQA Diamond 為 90.6、AIME 2026 為 97.7、LiveCodeBench 為 88.3、MCP Atlas 為 80.8、IFBench 為 79.6，全數由廠商自行提報，且無一經第三方重現——因為它是為特定具名工作負載打造的後訓練模型，而這正是其買方所要求的證據。LFM2.5 2.6B Base 則完全沒有，這是刻意設計。沒有東西可評分：這個檢查點的品質取決於你的微調能把它變成什麼，而誠實的比較基準是一場訓練執行，而非排行榜上的一列。

錢都到哪裡去了

這兩者都不在 OrcaRouter 的目錄中。我們實際路由的是圍繞它們的已上線世界：超過 200 個模型，全都藏在單一 OpenAI 相容金鑰之後，供應商定價以 0% 加價原樣傳遞，並具備跨供應商的自動容錯移轉，讓效能劣化的路由改道而非失效。這一點值得在此特別提出，原因很具體，因為本頁的這兩個模型正位於同一個採購問題的兩端。

LFM2.5 2.6B Base 下載免費，但運作起來卻要付出一切代價，這裡的意思是，成本在於一次訓練運行與一台裝置。Beam 1.0 下載免費，但運作起來卻要付出一切代價，這裡的意思是，成本在於服務一個 501B MoE，而且截至撰稿時，Reflection 並未公布 API 費率。Artificial Analysis 將 Beam 頁面上的價格欄位記錄為不可用，並指出沒有公開可用的 API。在公告發布十二天後，那個擁有 5010 億參數基準測試表的模型，其上仍然沒有任何財務團隊能使用的數字。

對於本週真正的需求，是在一個這兩個模型都不是為其量身打造的工作負載上進行推論的讀者——無論是摘要器、分類器，還是聊天介面——這個決定並不是在這兩者之間做選擇。而是在你自己微調 26.98 億個參數，與租用某個已經對齊且已定價的東西之間做選擇；而第二個選項，才是你在投入之前就能衡量的那個。

你實際上在找哪一個？

如果你的問題比通用助理更狹窄，就選用 LFM2.5 2.6B Base。選擇小型基礎檢查點的理由是：你有任務、你有資料，而且比起租用一次呼叫，你更想擁有實際產物。131,072 個 token 的上下文對這個規模來說相當寬裕，16 種語言的涵蓋範圍所言不虛，混合卷積堆疊是為了裝置端輸送量而挑選，而授權條款讓你可以散布自己打造的成果。你要投入的是微調流程、評估框架與對齊決策——這些都不是這個檢查點會提供的。

選擇 Beam 1.0，如果你的任務正是其模型卡所列出的其中一項：程式編寫、工具使用、儲存庫規模的推理、長時間跨度的代理式執行。評估表直指這類工作，1M token 的上下文與之相符，FP8 與 NVFP4 版本讓硬體方面的討論比 501B 所暗示的更容易處理，而 Apache 2.0 授權則為商業衍生版本掃清了障礙。你要接受的是服務基礎設施、一份範本不允許你關閉的常時開啟推理預算，以及一份因為供應商尚未公布而必須自行建立的成本估算。

這兩個模型並非處於競爭關係，而這項比較之所以值得做，正是因為它顯示出「開放權重」本身能告訴你的資訊有多麼少。其中一個發布者交出的是一個元件與一筆訓練預算；另一個交出的則是一套帶有傳輸協定與授權條款的系統，讓你能直接貼進法律審查。在下載之前先讀懂你被提供的是哪一種，就是大部分的工作。

什麼會改變局面？

一份已公布的 Beam 1.0 API 價格，或是一個附有價目表的託管 FP8 部署，會讓那個模型從「自行估算」那一欄移進「直接比數字」那一欄，而這正是它文件上唯一缺少的一列。對 Beam 的權重進行獨立基準測試——既然權重已經公開，現在做得到了——將為那張供應商比較表提供一位裁判，而這正是 LFM2.5 2.6B Base 永遠不可能擁有的，因為目前根本還沒有東西可以評分。在上述任一項成真之前，最準確的總結是：一個 27 億參數的基礎檢查點和一個 5,010 億參數的後訓練 MoE，兩者都能免費下載，兩者的營運成本都很高昂、卻是以截然不同的「貨幣」計算，而且彼此都不是對方的替代品。

像這樣的比較，也正是失效模式會顯現的地方：這一類模型背後有紀錄的 AI 事件與代理失敗，都收錄在 OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、可信度等級，以及爭議旗標。