LFM2.5-24B-A2B 與 Ternary Bonsai 2 27B 的對決：差別在於 2 位元和一條雲端連線

這是最簡短誠實的答案。 LFM2.5-24B-A2B是 Liquid AI 打造的文字專用混合專家模型，設計用來在沒有網路的機器上運行於代理迴路中，於 2026 年 10 月 13 日發表，總參數 24.0B、活躍參數 2.45B。 Ternary Bonsai 2 27B是 Prism ML 於 2026 年 9 月 17 日在 Apache 2.0 授權下發布的 Qwen3.8-27B 低位元改寫版，將每個權重儲存為三種符號之一，有效位元數為 1.76 位元，並把 53.81 GB 的 FP16 模型縮小成 5.93 GB 的下載檔。兩者都小到足以在本機容納，且都是開放權重，而它們並不是要做同一件事。Liquid 的模型是訓練來呼叫工具的。Prism 的模型是一個全精度視覺語言模型，穿著一套便宜許多的外衣。

這個配對之所以值得用一整頁來討論，在於每一個都會告訴你它自身證據薄弱之處，而這兩個弱點正好相反。

每一項究竟是什麼，只保留真正要緊的部分

LFM2.5-24B-A2B 保留了 LFM2 架構：40 層、30 個雙閘控短卷積區塊與 10 個分組查詢注意力層，每個區塊有 64 個專家並採用 top-4 路由，131,072 個詞元的上下文、128,000 個詞元的詞彙表，輸入文字、輸出文字。Liquid 的後訓練流程最後是在 OpenClaw、Hermes Agent、Pi 和 OpenCode 中執行的代理式強化學習階段。廠商明確建議將它搭配檢索或網路搜尋使用，而不要在知識性問題上信任它——而在它自家的發布表格上，AA-Omniscience 那一列是 −24.90，正是這項建議的數字化呈現。

Ternary Bonsai 2 27B 是與 Qwen3-27B 相同的神經網路，只是以不同方式表示。Prism ML 白皮書將 27.4B 參數拆分為：語言主幹中的 24.35B，分布於 64 層；嵌入層與 LM 頭的 2.54B；以及 27 個區塊的視覺塔中的 0.47B——該視覺塔以大小 0.63 GB 的獨立 4 位元 mmproj 檔案形式提供，且僅在圖像送入時載入。基礎模型的混合注意力——48 層 Gated DeltaNet 線性注意力層與 16 層全注意力層交錯、隱藏大小 5,120、248,320 個詞元的詞彙表——原樣繼承。262,144 個詞元的亦然。

最快將它們區分開來的界線在於模態。Ternary Bonsai 2 27B 接受影像。LFM2.5-24B-A2B 則不接受，而且沒有任何量化技巧能改變這點。

品質，就在他們兩人各自僅有的那張桌上

Prism ML 以一套 20 項基準測試，將其建置版本與全精度原始版本進行比較，並回報它保留了98.2%的平均值——83.9 對上 85.4。那是廠商自家的測試框架，問世僅一個月，無人重現。無論有意或無意，這也正是那種會掩蓋自身分布情況的主張，因為那 1.8 分並非平均分散。

• 數學 — 96.57 對 97.06。實際上不相上下。

• 程式設計 — 81.58 對 82.17。 很接近，而這正是這項壓縮技術引發爭論的類別。

• 指令遵循 — 82.66 對 81.25。壓縮後的模型領先，這是表中唯一真正令人驚訝的一行。

• 知識與推理——83.95 對 86.66。 下降了 2.7 點，也是導致短少 1.8 的最大單一因素。

• 代理式與工具呼叫 — 77.57 對 79.74，涵蓋 τ2-Bench 的 80.22 與 BFCL v3 的 74.92。

現在在這裡使用那張表格的問題在於。Prism 的數字，是其建置版本對照自身全精度基準所得的結果。Liquid 的數字——AutomationBench 27.69、LiveClaw 48.09、ToolSandbox 80.71、BFCLv4 65.01、IFEval 96.75、IFBench 74.69——則是對照另一組模型、在不同的測試框架上、使用不同的生成設定所得到的。沒有任何一項基準測試同時出現在這兩張表格中。任何人只要把 BFCLv3 74.92 和 BFCLv4 65.01 並列，然後宣布贏家，就是拿兩個不同的測試來比較，還把它稱為結果。

執行階段才是兩者真正分道揚鑣的地方。

這部分並非廠商宣稱，而是你花一個下午就能實際驗證的相容性事實。

Prism ML 必須為該架構撰寫核心，因為封裝格式與大部分為線性的注意力都很不尋常。原版 llama.cpp 會將 Prism 的兩種封裝都視為未知類型而拒絕——而且更危險的是，它會毫無異議地載入較舊的三元格式，並產生流暢的胡言亂語，因為激活值並未套用相符的旋轉。如果你在不知道 Ternary Bonsai 2 27B 的執行檔上執行它，你不會得到錯誤。你會得到自信滿滿但錯誤的輸出。

LFM2.5-24B-A2B 的風險概況則恰好相反。Liquid 列出首日即支援 llama.cpp 的 GGUF、MLX、vLLM、SGLang 與 ONNX，另有 FP8、ONNX 與 4-bit MLX 的姊妹儲存庫——這是一次常規的發布。那邊尚未有答案的問題在於效能，而非正確性：廠商宣稱在 Apple M5 Max 上每秒 184 個 token、在 AMD Ryzen AI Max+ 395 上每秒 114 個，這些數字尚未被重現，而「比次佳模型快最多 1.7 倍」的標題說法，也沒有附上任何已公布的基準。

在這裡，0% 加成實際上重要在哪裡？

在這兩個模型之間，路由這個切入角度確實很尷尬，值得據實以告，而不是加以美化。Ternary Bonsai 2 27B 是一個下載項目：Prism ML 以 Apache 2.0 授權在 Hugging Face 上發布，而整套技術的重點就在於由你自己執行。LFM2.5-24B-A2B 主要也是個本地產物，Liquid 的 Console 端點為每百萬輸入詞元 $0.10—— 快取為 $0.05 ——以及每百萬輸出 $1.00，作為代管替代方案。兩者的核心價值主張都不是按用量計費的 API 呼叫。

路由層真正有價值的地方，是與它們並存，而不是取而代之。Ternary Bonsai 2 27B 所壓縮自的基礎模型——qwen/qwen3.8-27b，由 Alibaba 於 2026 年 8 月 13 日發布——在我們的目錄上以每百萬輸入 0.33 美元、每百萬輸出 2.40 美元的價格提供服務，這意味著同一項任務可以改用所提供的完整精度模型來執行，同時你還可以用相同的提示詞評估那個 5.93 GB 的本地版本。這是一場成本低廉的公平比較，也正是 Prism 自家那份 20 項基準表無法替你做到的。

授權條款，並非任何一方的註腳

Ternary Bonsai 2 27B 採用 Apache 2.0 授權，沒有營收觸發條款，也沒有使用領域條款；其衍生自的 Qwen3.8-27B 權重也是如此。LFM2.5-24B-A2B 則以 Liquid 的 lfm1.0 授權推出，那是另一種法律文件，有其自身的商業條款。純就工程角度來看，這兩個模型足夠接近，選擇往往取決於部署形態——本機執行器對上本機視覺推理器——但授權是唯一不會隨基準測試週期變動的輸入，而且在你要把產品建立在這兩者之一以前，值得對照你自己的營收數字檢查一下。

每家廠商沒測到的東西，才是該盯緊的地方。Prism ML 公布了保留率百分比，卻沒公布 1.76 位元模型在你的資料上、各工作負載的實際行為；而一個平均達 98.2% 的壓縮產物，仍可能對你最在意的那個類別來說是錯誤的工具——程式碼能力的下滑，整體來看幅度不大，卻會在某個特定地方造成最嚴重的打擊。Liquid 公布了一張代理式表格，卻沒有獨立欄位，也完全沒有針對 131K 脈絡窗的長上下文檢索數據。這兩個缺口都得靠基準測試的發布來補上，而不是一篇部落格文章；哪家廠商先推出，就能把這場爭論推進得比上次那 1.8 個百分點遠得多。

在我們的事件檔案中追蹤即時模型中斷與降級情況，並查看哪些路由已順利完成容錯移轉。