HiRO-ACEv2 vs LFM2.5 2.6B Base：兩者皆非產品，且它們未完成的方式並不相同

將HiRO-ACEv2與LFM2.5 2.6B Base並排放置，你首先會注意到的是，這兩者都不是開發者可以直接取用的東西。HiRO-ACEv2 是 Ai2 的第二代氣候模擬器，於 2026 年 10 月 12 日以一個 10.9 GB 的 Hugging Face 儲存庫形式上傳，沒有任何公告，並有一篇隔天標註日期的預印本；LFM2.5 2.6B Base 則是 Liquid AI 的 26.9 億參數預訓練檢查點，建立於 2026 年 8 月 1 日，其自家廠商明確形容它是那種只有在你需要大幅調適時才會去取用的檢查點。兩者都是原料。兩者如今都可下載。而它們各自算不上完成品的方式幾乎截然相反，而這正是這篇比較值得一寫、而非逕自略過的唯一理由。

Base 檢查點尚未完成，因為它還沒被教會遵循指令。HiRO-ACEv2 的未完成，在於它永遠不會是通用型模型——它是一個現身時就已訓練完成、已特化，且已被明示限制包裹的應用程式。前者是等待目的的基底。後者則是一個目的，卻沒有能承載其他任何事物的基底。

每個儲存庫實際上包含什麼

Liquid AI 的 Base 儲存庫是一個模型。模型卡列出橫跨 30 層的 26.9 億個參數——22 個雙閘控短卷積區塊與 8 層分組查詢注意力，這是 LFM2 系列據以建構的混合式配置——具備 131,072 個符記的上下文視窗、128,000 筆詞彙的詞彙表、34 兆個符記的預訓練，並涵蓋 16 種語言，包括英文、阿拉伯文、中文、法文、德文、義大利文、日文、韓文、葡萄牙文、西班牙文、越南文、泰文、印尼文、印地文、俄文與波蘭文。它僅支援文字，且未經指令微調。下載格式涵蓋原生 Transformers 檢查點、供 llama.cpp 使用的 GGUF、用於跨平台部署的 ONNX，以及適用於 Apple 晶片的 MLX；Q4_K_M 量化後約為 1.67 GB。

Ai2 的儲存庫在那個意義上並不是一個模型。它包含兩個檢查點——HiROv2.ckpt 約 1.28 GiB，以及 ACE2S-X-SHiELD.ckpt 約 2.98 GiB——再加上十年的 NetCDF 強迫資料，每個檔案約 609 MB、兩個初始條件檔案、三個 YAML 設定檔和一個 shell 指令碼。實際權重約 4.3 GiB，只占總計 10.9 GB 的一小部分；你下載的大部分內容，是該框架設計用來取用的輸入資料視窗。沒有量化、沒有替代執行環境、沒有 ONNX 匯出，也沒有更小的變體。只有一種執行方式，而 README 說明了做法：安裝 Ai2 的 fme 套件、編輯設定中的四個路徑、執行指令碼。

兩種不同類型的授權問題

授權標籤正是對比從哲學層面轉為實際層面的地方，也是這對組合真正不同於你在此可能預期見到的 Apache-2.0 發布模式之處。

• HiRO-ACEv2 — Apache 2.0，並附帶 Ai2 的《負責任使用準則》，將研究與教育意圖附加至該授權，且訓練資料歸屬於 X-SHIELD，由 GFDL 提供。

• LFM2.5 2.6B Base——LFM Open License v1.0，並非 OSI 式的寬鬆授權條款。其條款載於該儲存庫自身的 LICENSE 檔案，而商業條件正是你在以該檢查點建構產品之前，該閱讀該檔案、而非標籤的原因。

• 這對你即將做出的分支選擇意味著什麼——以 HiRO-ACEv2 而言，問題在於你的用途是否屬於研究；以 LFM2.5 2.6B Base 而言，問題則在於你的用途是否為商業用途，以及規模有多大。問題不同，答案就不同，而這兩者都不是「open」一詞所能回答的。

輸出形狀彼此毫無共同之處，而這正是有用之處

基礎檢查點的文字。逐個 token、以自迴歸方式，搭配常見的取樣介面——模型卡建議對後訓練同系列模型的生成風格使用 temperature 0.6 與 top-p 0.95，而基礎檢查點則要你自己決定。它下游的一切都是語言任務：續寫文件、分類一段文字、翻譯、輸出結構化資料，或作為微調的起點，用來教會它一個它尚未妥善涵蓋的領域或語言。

HiRO-ACEv2 會產生 3 公里解析度的網格化物理場——每六小時平均的地表降水率、瞬時 10 公尺向東與向北風，以及海平面氣壓——這些是由擴散模型從 100 公里輸入降尺度而來，而粗略狀態本身則由另一個 X-SHIELD 模擬器以自迴歸方式生成。這條流程完全與文字無關。真正重要的評估是輸出分布是否在直到其遠端尾部都與參考模擬相符，而這次發布背後的論文正是在探討這一點：作者報告稱，他們將參考降水與近地表風分布追蹤到第 99.9999 百分位，並大致遵循參考熱帶氣旋強度分布，還聲稱推論成本比傳統數值全球風暴解析模型低 300 倍以上。

那兩者都是廠商或作者的主張，且未經重現。差別在於重現者得做什麼。驗證關於 Base 檢查點的主張，需要一套任務套件，以及一個檢查點份量的 GPU 時數。驗證關於 HiRO-ACEv2 的主張，則需要一份十年期的強迫資料集、一個可供比對的參考模擬，以及遠尾端的分佈分析——這正是為什麼第二項主張很可能會在更長得多的時間內持續未受挑戰。

你實際上會分別在每一個上建置什麼

Base 檢查點的天然用途是調適，而 Liquid AI 對此異常直白：語言或領域專屬的助理、以專有資料進行訓練，或測試新的後訓練方法。這是一個價值在你投入工作之後才會浮現、而非之前的檢查點。經過後訓練的兄弟版本——三天前、7 月 28 日建立的 LFM2.5 2.6B——才是為代理式工作負載打造的，而下載數據完全說明了社群想要的是兩者中的哪一個：到十月中旬，後訓練模型已突破 114,000 次下載與 823 個讚，而 Base 僅有 6,282 次下載與 51 個讚。Base 是專家的工具，市場也已據此定價。

HiRO-ACEv2 的自然用途是執行系集。這個框架的賣點不是單一預報，而是許多預報：該論文的動機是要以足夠低廉的成本產生大規模系集，以便在 3 公里解析度下、涵蓋數十年期間與任意全球區域，研究熱帶氣旋行為與極端事件。你不會對它進行微調，而模型卡也沒有要你這麼做。你執行它，然後你要麼信任它的限制——九年的訓練資料、在 66°S 至 70°N 之外不具適用性、在 16×16 的一度訓練圖磚以上會出現補丁邊界假影——要麼不信任。

換句話說：這些模型中，一個是你會修改的起點，另一個則是你操作的工具。因為兩者都可下載，就把它們視為可互換的「開放模型」，這正是本頁旨在防範的錯誤。

它們唯一共同的一點：兩者都不是按 token 計費。

兩者真正交會之處在於成本形態。兩者都沒有價目表。LFM2.5 2.6B Base 之所以能免費下載、執行成本又低，正是因為它很小——在 bf16 下約幾 GB，量化後更遠低於 2 GB，而這正是 LFM2.5 設計的全部重點，也是它會與專門為裝置端工作微調的後訓練兄弟版本並存的原因。HiRO-ACEv2 便宜的原因則不同：它是一個用途狹窄的模擬器，其經濟效益來自取代極其昂貴的數值模擬，而不是來自能塞進手機裡。

所以，如果你的工作負載是文字，那麼 Base checkpoint 就是一個關於微調的問題，而這類工作負載的日常版本——也就是你想要一個模型來回答、而不是訓練一個 checkpoint 的那種——看起來像是一次呼叫，而不是一次下載。那正是 OrcaRouter 所處的層級：一把 API 金鑰橫跨兩百多個代管模型，並將供應商的標價原封不動轉嫁、不加收任何費用，且在供應商效能劣化時自動在供應商之間容錯移轉。這項比較中的兩個模型都不在那個目錄裡，而且以它們目前的形式也不可能在裡面；LFM2.5 2.6B Base 是 checkpoint 而非服務，而 HiRO-ACEv2 完全沒有請求形式的介面。我們所路由的是它們周遭的一切——摘要、擷取、測試框架程式碼，以及將下載的產物轉變成管線的 agent 迴圈。

揀貨，實務上

如果你有某個領域或語言的資料，是基礎模型未曾見過足夠份量的，而且你有算力做後訓練，那麼 LFM2.5 2.6B Base 會是比大多數競爭對手更便宜的起點——在你讀你期待已久的基準測試之前，先讀授權條款檔案，因為在這個檢查點上，授權條款才是決定你的專案是否獲准的文件。如果你想在裝置上執行一個小型代理式模型，你要的是後訓練過的同系列版本，而不是 Base；而下載數字顯示，社群比你更早得出這個結論。如果你想要的是在三十年模擬氣候上的 3 公里大氣場，這兩者都無關，而本文中只有一個檔案是相關的。

值得記住的重點是，「開放權重」本身已不再是有用的分類。一個基礎檢查點、一個後訓練過的同系列模型，以及一個研究用模擬器，都可能掛著聽起來寬鬆的標籤，卻各自用這個標籤指涉三種截然不同的事物。

像這樣的比較，也正是失效模式會浮現的地方：這一類模型背後有紀錄的 AI 事故與代理失效，都彙集在OrcaRouter AI 事故檔案庫，其中每一筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。