LBS-27B：一個空儲存庫、一份 28 位元組的 README，以及一個無人解釋的 27B 名稱

2026 年 10 月 26 日 05:36 UTC，一個名為inclusionAI/LBS-27B的儲存庫出現在 Hugging Face 上。它包含兩個檔案。一個是 1,519 位元組的.gitattributes。另一個是一份恰好 28 位元組的 README，其全部內容是一個宣告 Apache-2.0 授權條款的 YAML 標頭。沒有模型卡、沒有設定檔、沒有分詞器、沒有權重、沒有評估表，而且在我們能找到的任何地方都沒有公告。該儲存庫沒有任何下載紀錄，按讚數為零。這就是 {{6}}LBS-27B{{/6}} 的全部公開紀錄{{7}}（截至今天早上）。{{/7}}LBS-27B（截至今天早上）。

這不是一則發布故事，因為什麼都還沒發布。這是一則關於模型所能發出的最早可能訊號的故事：一個名稱、一個擁有者和一份授權。對任何關注 Ant Group 的 inclusionAI 的人來說，有趣的問題不是 LBS-27B 得分多少。而是為什麼一個通常會隨附模型卡、技術報告和協同發布貼文出貨的實驗室，會先創造一個空殼——以及這個空殼能告訴你什麼、不能告訴你什麼。

證據，逐項列出

以下所有內容都可透過 Hugging Face 的公開 API 與該儲存庫的檔案樹狀結構查證。這裡沒有任何內容依賴實驗室內部的來源。

• 建立時間戳記——儲存庫記錄顯示為 created_at: 2026-10-26T05:36:52Z，而 lastModified 也落在同一秒。自此之後就沒有任何更動。

• 檔案 — .gitattributes 為 1,519 位元組，而 README.md 為 28 位元組。樹狀清單完全沒有回傳任何目錄，這表示沒有 config.json、沒有 model.safetensors 或分片索引，也沒有 tokenizer 檔案與生成設定。

• README 內容——這 28 個位元組是授權 frontmatter，除此之外別無他物：license: apache-2.0。沒有描述、沒有預期用途、沒有訓練資料註記、沒有基準測試列。

• 互動度 — 截至撰寫本文時，該模型有零個讚，且下載量未被追蹤。相較之下，inclusionAI 的 Ling-3.1-flash 自 10 月 13 日以來已有 150 個讚和 4,222 次下載。

• 公開討論——在開放網路、GitHub 與社群平台上搜尋這個確切字串，皆未傳回任何結果。沒有論文、沒有廠商部落格文章、沒有發布推文，倉庫本身也沒有任何討論串。

最後一點值得加個但書：發布當天早上沒有相關報導是正常的，也證明不了什麼。這個案例之所以不尋常，在於其組合——一個公開可見的儲存庫，卻完全沒有任何能讓人執行、檢視或評估該模型的產物。

這 28 個位元組究竟告訴了你什麼

許可證聲明是這個儲存庫裡唯一實質性的陳述，值得仔細閱讀，而不是略過不看。

Apache-2.0 是一種寬鬆、可商用且明確授予專利的授權條款。在權重尚未存在之前，就先於 README 的 frontmatter 中宣告採用此授權，是對於該模型將如何散布的一項意圖聲明。這並非保證——授權可能在權重發布前被更改——但這是在建立當下所做的刻意選擇。

這也背離了 inclusionAI 近來的慣例。Ling-3.0-flash 與 Ling-3.1-flash 皆採用 MIT 授權，而 LBS-27B 則宣告為 Apache-2.0。至於這究竟反映了不同的訓練資料來源、不同的內部團隊，或單純只是政策轉變，從該儲存庫中無從得知；任何告訴你其他說法的人，都只是在猜測。

這個.gitattributes檔案是標準的 LFS 與屬性樣板。它的存在表示該儲存庫是透過一般 Hugging Face 工具建立，而非手動拼湊而成，這與刻意設置的佔位符相符。它無法透露任何關於該模型的資訊。

為什麼這個實驗室的空儲存庫值得再看一眼

inclusionAI 是螞蟻集團的模型實驗室，其產出並非無足輕重。Ling 系列在 2026 年期間穩定發布：8 月 2 日的 Ling-3.0-flash、10 月 13 日的 Ling-3.1-flash、10 月 19 日的 Ling-3.0-flash-Santé，以及 10 月 21 日的 Ling-3.0-tiny-UBTree。該組織也維護用於語音的 Ming 和 LLaDA 擴散語言系列。這是一個有節奏、有發布流程且有受眾的實驗室。

它也是一家密切關注 27B 級別的實驗室。9 月 14 日，它發布了inclusionAI/Qwen3.8-27B-singprobe，這是一個小型的串流護欄探針，建構於阿里巴巴的 Qwen3.8-27B 之上，而非自家語言模型。這對 LBS-27B 而言是有用的背景資訊：inclusionAI 已經直接使用一個規模大致如此的 27B 模型，並且一直圍繞其中一個模型的隱藏狀態建構安全工具。

這些都無法確認 LBS-27B 究竟是什麼。但這確實意味著，這個儲存庫不太可能是某個無關帳號的隨手實驗。該組織清楚自己在做什麼，而且是刻意建立這個儲存庫的。

名字是這個故事裡最未經證實的部分

人們很容易把「27B」解讀為參數數量，把「LBS」解讀為架構系列。但這兩種解讀在該儲存庫中都找不到任何依據。

27B 是儲存庫名稱中的一個字串。它可能是總參數量，就像 Gemma 4 26B A4B 將 25.2B 向上取整為 26B 那樣。它可能是行銷上的尺寸而非參數量，就像 Qwen3.8-27B 在 Hugging Face 上標示為 28B 參數那樣。它可能是近似值。如果沒有 config.json，就無法區分稠密 27B 模型與總參數量 27B、僅部分參數啟用的混合專家模型，而這項區別會徹底改變服務成本、延遲與硬體需求的所有面向。

這些字母在任何地方都沒有展開說明。它們可能代表一個家族、一套訓練配方、一個內部代號，或是一條產品線。我們不會替它們憑空編造一個含義。

一個空儲存庫至少有三種尋常的解釋，而它們會導向不同的結論：

• 發布前的預留位置。倉庫會提早建立，以便在發布當天將內部工具、模型卡與權重推送到穩定的 URL。這是最常見的模式，也最有可能。

• 一次錯誤或過早的推送。有人在本應設為私有的情況下，公開建立了儲存庫。在這種情況下，名稱可能會改變，或者儲存庫可能完全消失。

• 一個已更名或取消的模型所留下的存根。儲存庫之所以還留著，是因為刪掉它比放著不管更麻煩。

公開紀錄中沒有任何內容能區分這兩者。lastModified 時間戳與 created_at 精確到秒相符，這與第一種解釋只有微弱的一致性——手動建立的儲存庫通常會顯示出一些編輯——但這並非證明。

要讓這成為一個模型，必須出現什麼？

如果你想要一份具體的觀察清單，而不是憑感覺，這些就是能讓 LBS-27B 從一個名字變成一個主張的產物。每一項都回答了目前儲存庫尚未解答的問題。

• config.json — 架構、層數、隱藏維度、詞彙表，以及關鍵的：是否有專家欄位。這個單一檔案即可判定是稠密模型還是 MoE，並給出有依據的參數量。

• 權重分片與索引——這正是「可下載的模型」與「只能紙上談兵的模型」之間的差別。索引也會揭示精度：BF16、FP8 或其他格式。

• 分詞器——詞彙量是判斷多語言意圖較好的代理指標之一，而它決定了非拉丁文字在 API 中的成本有多高。

• 一張附有評估列的模型卡——同樣重要的是，還要註明這些列使用的是哪些評測框架版本。沒有評測框架版本的基準數字，無法與任何東西相比。

• 廠商公告或技術報告——這種文件會告訴你，實驗室認為這個模型是為什麼而設計的。少了它，後續報導中的每一項定位主張，都只能從名稱推斷。

在那些之中至少前兩項存在之前，任何涉及 LBS-27B 的比較，都是在與假設做比較。我們已經寫下四個顯而易見的對照組合——分別對上 Gemma 4 26B A4B、Granite 4.2 30B、LFM2.5 24B A2B 與 Qwen3.8-27B——但每一篇都明確定位為該模型必須跨過的門檻，而非它已達成的結果。

如何在不下注於它的情況下持有未經證實的模型

對於任何在開源模型上開發的人來說，實際的問題不是「我該不該改用 LBS-27B」——目前根本還沒有東西可換。而是如何在尚未投入的前提下做好準備。這正是 OrcaRouter 真正派得上用場的地方。

坦白說可用性：LBS-27B 目前不在 OrcaRouter 上。我們的目錄列出 211 個模型，而它不是其中之一。我們不會暗示相反的情況，而且在有權重可提供服務之前，我們不會知道能否路由它。平台確實提供了一種測試新模型而不必讓它成為生產環境依賴的方法：整個目錄共用一組 API 金鑰、供應商服務品質下降時自動容錯移轉，以及一套路由 DSL，讓你可以將一部分流量傳送到新模型，並在同一工作負載上與現行模型比較。

這裡的 0% 加價有特定的重要意義。我們是直接轉嫁供應商的牌價，所以如果 inclusionAI 或託管合作夥伴在 LBS-27B 上線後調降價格，我方費率會當天跟著變動，而不是等到下一次合約續約。這是關於我們計費模式的說法，不是關於這個模型價格的說法，因為該價格目前還不存在。

要留意的破綻

第一個有意義的訊號不會是基準測試。它會是第一個加入 config.json 的提交。那個檔案會告訴你 LBS-27B 是稠密模型還是混合專家模型、它有幾層、是以多長的上下文長度訓練，以及名稱中的 27B 指的是總參數還是活躍參數。其他一切——基準測試、定價、比較——都取決於這些事實。

第二個訊號會是模型卡的定位框架。inclusionAI 的 Ling 系列模型卡向來以 agentic 與多語言能力宣稱打頭陣。如果 LBS 的模型卡也以同樣內容開場，那這款模型就是 Ling 家族中走通用路線的兄弟產品。如果它改以其他東西開場——長上下文、程式碼、效率——那就是更有意思、也更具體的故事。

目前，坦率的總結很短。有一個儲存庫存在。它採用 Apache-2.0 授權。它是空的。其背後的實驗室很認真，它所指向的 27B 級別賽道很擁擠，而且這個名稱尚未被任何人解釋。我們會在權重發布時更新這篇文章，在此之前不會。