Dessa 對上 LFM2.5 2.6B Base：能擁有的檢查點，對比只能聽見的聲音

LFM2.5-2.6B-Base 是一個 26.9 億參數的檔案，大小約 2.5 GB，可在手機上執行，並隨附授權條款，允許你對它進行微調並發布成果。Dessa 是 Block 於 2026 年 10 月 23 日發表的全雙工語音模型，僅以人類對話訓練，據稱速度快到可在 MacBook Pro M4 Max 上執行。你無法下載 Dessa、微調它、測量它或呼叫它。它只是一個候補名單。

把這兩者放在同一句話裡，明顯不公平：一個是預訓練的文字檢查點，另一個是已完成的對話行為。但這種不公平正是有用之處。團隊實際面對的問題不是「哪個模型更好」，而是「我能靠哪個模型建立事業」；而在這個問題上，可下載的基礎檢查點與封閉的研究預覽版之間的差距，比任何基準測試的差異都更大。

LFM2.5-2.6B-Base究竟是什麼

Liquid AI 於 2026 年 8 月 4 日發布了 LFM2.5 系列。Base 這個後綴比參數量更關鍵：這是預訓練檢查點，而非經過指令微調的助理。它已讀取 34 兆個 token，並習得 16 種語言的統計結構，但尚未被教導如何遵循指令、進行對話或使用工具。若直接向它下提示，你得到的是續寫，而非對話。

此架構為混合式設計。共有三十層，其中 22 層是雙閘控短卷積區塊，八層是分組查詢注意力，這是 Liquid 自第一代 LFM2 以來持續精進的設計。詞彙表為 128,000 個詞元，透過針對非拉丁文字的就地分詞器擴充，較前一代倍增。上下文長度為 131,072 個詞元，是透過專門的中訓練擴充達成，而非在預訓練階段達成。

經過指令微調的同系列模型 LFM2.5-2.6B，才是擁有已公布基準測試表的那一個：AIME25 51.87、LiveCodeBench v6 59.41、IFBench 59.17、BFCLv4 56.88、ToolSandbox 77.83、Claw-Eval English 62.85。這些數字由廠商回報，且屬於後訓練模型，而非基礎模型。Liquid 本身也建議不要將該系列用於代理式程式設計或知識密集型工作；在每個小型模型都被形容為「以小搏大」的市場裡，這是個有用的誠實訊號。

為什麼比較基礎檢查點與完成後的行為仍然值得做

基礎模型是一個起點。它的價值在於你能從它打造出什麼：在你的領域上持續預訓練、用你的逐字稿進行監督式微調、為特定窄任務蒸餾出學生模型。Dessa 則是截然不同的產物。它以行為的形式出現——輪流發言、附和回應、情緒時機——而這些全都沒有開放出來供人修改。

所以，這項比較真正關乎的是控制權。LFM2.5-2.6B-Base 給你權重、授權條款，以及必須自行投入工作的義務。Dessa 給你一個示範，以及可能取得存取權的機會。對研究實驗室來說，後者可能更有價值。對產品團隊來說，前者才是唯一能產出可交付成果的選擇。

規格表，將兩面並列在同一行

LFM 的數字來自 Liquid 的模型卡與公告；Dessa 的數字來自 Block 的頁面。所有廠商回報的數字皆標明為廠商提供。

• 參數 — LFM2.5-2.6B-Base 總計 2.69B，對比 Dessa 未公開。

• 架構 — LFM2.5-2.6B-Base 是短卷積與分組查詢注意力的混合架構，共 30 層；相較之下，Dessa 為端對端語音轉語音，架構未公開。

• 上下文 — LFM2.5-2.6B-Base 131,072 個 token，相較之下 Dessa 未說明。

• 模態 — LFM2.5-2.6B-Base 是文字輸入、文字輸出，對比 Dessa 是音訊輸入、音訊輸出。

• 權重 — LFM2.5-2.6B-Base 可下載，包含 GGUF、ONNX 與 MLX 版本，相較於 Dessa 則無。

• 授權 — LFM2.5-2.6B-Base：LFM Open License v1.0，有條件商業使用；Dessa：未公布授權。

• 記憶體 — LFM2.5-2.6B-Base 執行時約低於 2.5 GB，相較之下 Dessa 每個 Block 需要 MacBook Pro M4 Max 或更高等級的機器。

• 速度 — LFM2.5-2.6B-Base 在 Apple M5 Max 上約每秒 220 個 token，在手機上約 30 個；前者為廠商自報數據，而 Dessa 則稱「快於即時」，但未提供具體數字。

• 價格 — LFM2.5-2.6B-Base 免費權重 vs Dessa 未提供價格。

• 可用性 — LFM2.5-2.6B-Base 自 2026 年 8 月 4 日起全面提供使用，而 Dessa 則需列入等候名單。

設備預算就是整場爭論的核心

Liquid 的賣點在於部署經濟學：一個小到能塞進 Raspberry Pi、快到能在手機上跑、便宜到不需 GPU 帳單的模型。其宣稱的吞吐量——在 M5 Max 上約每秒 220 個 token、在 Ryzen AI Max+ 395 上為 113 個、在手機上則約 30 個——正是決定裝置端助理感覺即時或壞掉的那種數字。每秒 30 個 token 比閱讀速度還快，而這正是聊天介面的相關門檻。

Dessa 的部署主張，是一台搭載頂級 Apple 晶片、售價遠超過 2,000 美元的筆記型電腦。那仍然是本機執行，而本機執行有實實在在的優勢：沒有按 token 計費的帳單、沒有網路往返、資料不會離開裝置。但那是另一個市場。26 億參數的模型可以隨應用程式一同出貨；需要 M4 Max 的模型則是開發者工具或桌面端功能。如果你的產品要在手機上執行，這個比較到記憶體這條界線就結束了。

授權才是真正的分水嶺

LFM Open License v1.0 並非 OSI 認可的開源授權，而這點值得直說。商業使用是允許的，但營收超過門檻的組織——Liquid 的條款將門檻訂在年營收 1,000 萬美元——需要另行取得商業授權。這是實質的限制。它也是已知的限制，有文件、有門檻，也有可以協商的人。

Dessa 沒有授權，因為 Dessa 沒有發行版本。你無法遵守根本不存在的條款，也無法靠候補名單建立採購理由。對企業而言，「設有營收門檻的自訂授權」是一項法務審查。「未公布條款」則是障礙。

如果你今天想在手機上使用語音代理

兩個模型都不是完整答案，但 LFM 這邊至少是個起點。手機語音代理需要三個部分：語音辨識、語言模型和語音合成。LFM2.5-2.6B-Base 可以作為中間那一塊，前提是你對它進行微調——基礎檢查點是文字模型，因此它本身不會聽到任何東西，而它的 131K 上下文足以容納很長的對話歷史加上檢索到的筆記。

微調是有趣的選項。手握權重時，你可以用自己領域的對話來訓練，並按自己的標準評估結果。這正是 Dessa 的公告所邀請、卻不允許的實驗：拿一個小型、具備語音能力的技術堆疊，用真實對話訓練它，看看情感時序是否會浮現。Block 表示，它在一台 GB200 NVL72 機架上從零開始做到了這件事。一個只有幾張 GPU 的團隊，可以在 LFM 基礎模型上跑這個問題的廉價版本，並在一週內學到一些東西。

如果你不想在裝置上執行語言模型，OrcaRouter 在 200 多個模型前面提供了單一 API，零加價並具備自動容錯切換，因此推理步驟可以留在雲端，而音訊仍留在本機。為釐清範圍：LFM2.5 2.6B Base 並不在我們的目錄中——它是一個下載項目，而這正是它的重點。我們負責路由託管模型；這一個則是要在你放置它的地方執行。

誰應該選哪個

• 你需要擁有模型、權重與發展藍圖——LFM2.5-2.6B-Base，然後進行微調。

• 您需要在廉價硬體上離線運作 — LFM2.5-2.6B-Base。

• 你需要一個幾 GB 以下的文字或代理核心——要用後訓練過的 LFM2.5-2.6B，而不是基礎版本。

• 你需要即時、可中斷、富有情感表現力的語音——兩者之中只有 Dessa 是針對這一點設計的，但它目前無法使用。

• 你需要一份本季就能簽署的授權 — LFM2.5-2.6B-Base，且營收條款已核對。

• 你需要發表可重現的成果——LFM2.5-2.6B-Base，因為可重現性需要有檔案。

能讓此事塵埃落定的實驗

取得 1,000 小時的對話音訊與轉錄稿，在文字端微調 LFM2.5-2.6B-Base，並接上強大的語音辨識器與語音合成器。以回合制基準來衡量中斷後的復原能力與情緒適切性。如果結果接近 Block 片段所暗示的水準，那麼 Dessa 的優勢就比展示影片所暗示的更窄：這或许是架構上的勝利，但並非牢不可破。

如果並非如此，語音原生訓練的理由就更強，而 Dessa 權重檔案的缺席就成了這項比較中最重要的重點。無論如何，這項測試在開放側可以執行，在封閉側則不行。這種不對稱就是對核心問題的答案，而且在 Block 交付客戶能實際拿到的東西之前，它都會一直是答案。