Ling 3.0 Tiny vs LFM2.5-2.6B-Base：兩種免費，今日只有一個能回答你

這兩個模型都是免費的。這幾乎是它們唯一共同之處。Ling 3.0 Tiny，Ant Group InclusionAI 的 79 億參數混合專家推理模型，之所以免費，是因為有人運行伺服器並把 API 指向它——你把金鑰貼進客戶端，它就會立刻回答你那段文字，無需訓練、無需 GPU。LFM2.5-2.6B-Base，Liquid AI 的 26.9 億參數預訓練檢查點，之所以免費，是因為有人發布了權重檔案——截至最後統計有 151 次下載，沒有任何推理服務商託管它，而且模型卡建議這個基礎模型「僅適用於需要重度微調的任務。」一個是裝了計量器的產品，另一個是原材料。這個比較是在探討你實際上需要哪一種免費；因為不管這兩個模型連續多少個月都標示「$0」，它們也不可能適用於同一種人。

這些名稱讓人容易忽略其差異。兩者都屬於「微型／小型模型」類別，而這個類別已成為2026年AI領域中最擁擠的貨架。兩者都僅限文字，兩者都具備足以執行實際工作的上下文長度，兩者也都能在適度的預算下運行真正實用的模型。但它們出自不同的設計哲學，由不同的陣營所擁有，並透過完全不同的管道租用或購入。在你做出選擇之前，最值得問的一個問題是：你需要的是答案，還是權重？

Ling 3.0 Tiny，免費 API

Ling 3.0 Tiny 於 2026 年 8 月 6 日發布，採取了典型的低調發布模式：由螞蟻集團旗下模型部門 InclusionAI 在商業 API 上架，而非透過主題演講發表。其架構為專家混合模型，總參數達 79 億，每個 token 約有 13 億參數被啟動——規模小到可以低成本部署，但又大到足以具備真正的推理能力。它支援 256K token 的上下文視窗（商業列表顯示為 262K），最多可輸出 32K token，並提供兩種可在每次請求中切換的模式：預設開啟的「Thinking」模式，會花費額外 token 進行推理；以及直接回答的「Instant」模式。原生函式呼叫與提示詞快取均有宣傳，這對 Agent 相關工作至關重要。

定價正是「免費」需要好好拆解的地方。如今這個模型確實可以免費呼叫：它被列為 inclusionai/ling-3.0-tiny:free，輸入和輸出的費率都是 $0，而且另一個閘道目前以免費促銷形式運行它，名為 inclusionai/ling-3.0-tiny-free，直到 2026 年 8 月 14 日太平洋時間上午 8:00 為止。促銷結束後，適用 Vercel 所列的費率表：每百萬輸入代幣 $0.06、每百萬輸出代幣 $0.18、每百萬快取輸入代幣 $0.01。這是真實的價格——大約是降價後 GPT-5.6 Luna 層級的三分之一，給你一個規模概念——但這不是你在八月中之後還能指望的「免費」。任何假設 Ling 3.0 Tiny 永久 $0 的人，都是在把開發建立在一個會結束的促銷上。

LFM2.5-2.6B-Base，免費權重

LFM2.5-2.6B-Base 是另一種完全免費的類型。它是 Liquid AI 的 LFM2.5-2.6B 系列背後的預訓練基礎檢查點，於 2026 年 8 月 4 日在 Hugging Face 上發布——同週 O​penAI 將 GPT-5.6 Luna 的價格調降 80%，這多少說明了為什麼整個市場如此擁擠。該基礎模型是一個擁有 26.9 億參數的 bfloat16 模型，採用混合架構：22 個雙門控短卷積區塊加上 8 個分組查詢注意力層，擁有涵蓋 16 種語言的 128,000 token 詞彙表，以及約 34 兆的預訓練 token——對於這個規模的模型來說，這是一段異常長的訓練。

從所有可得的衡量標準來看，它也是未被衡量的。Liquid 自家的發布讓經過後訓練的姊妹模型 LFM2.5-2.6B 獲得了基準測試表格和 47,000 次首週下載，而基礎 checkpoint 只得到一個括號附註和 151 次下載。基礎模型沒有任何已發表的評測——在 Liquid 的任何平台上都沒有 MMLU、GPQA 或困惑度（perplexity）數據。它僅支援文字。根據 repository 的 config.json，它的上下文長度是 128K（模型卡片宣稱 131,072，而 config 才是訓練腳本實際打包時所用的數值）。而且沒有任何推論服務供應商託管它，所以要親眼見識這些權重的能耐，唯一的方法就是自己微調並部署——而這正是模型卡片叫你做的事。它以 LFM Open License v1.0 授權釋出，該授權將商業使用限制在年收入 1,000 萬美元以內，並將此上限延伸至衍生作品，例如你微調出來的模型。

誠實的記分板

這場對決的證據情況，是你在兩款2026年模型之間所能見到最懸殊的。Ling 3.0 Tiny 有一項獨立評分：Artificial Analysis 在 Intelligence Index 上給它 23 分，在其尺寸類別的 56 個模型中排名第 6，而該類別的中位數為 8 —— 對如此小的模型來說遠高於平均。該指數是九項評估的綜合結果，包括 Terminal-Bench 2.1、GPQA Diamond 和 Humanity's Last Exam，由第三方執行，而非由供應商選定。

LFM2.5-2.6B-Base 完全沒有任何分數。人們為該系列引用的 agentic 數字——ToolSandbox 77.83、IFBench 59.17、Multi-IF 80.07、AIME25 51.87——屬於後訓練的 LFM2.5-2.6B，這些是廠商回報的數據，而且是四階段後訓練流程的產出，該流程並不存在於基礎 checkpoint 中。取得基礎權重，你繼承的是預訓練的成果——語言、世界知識、長上下文能力——但完全沒有指令遵循分數榜上的任何成績。基礎模型所攜帶的唯一數字是 34T 訓練 token，這是一個預算，而非結果。目前還沒有人回報這些 token 買到了什麼。

區隔它們的六個維度，每個一行：

• 價格 — Ling 3.0 Tiny 免費促銷結束後（免費至8月14日）每1M為 $0.06 / $0.18，而 LFM2.5-2.6B-Base 下載費用為 $0，再加上你的訓練帳單，永久如此。

• 上下文 — Ling 3.0 Tiny 為 256K token，而 LFM2.5-2.6B-Base（config.json）則為 128K token，兩者相差 2 倍。

• 參數 — MoE 總參數 7.9B，其中約 1.3B 為活躍參數，對比 2.69B 的密集模型；兩者皆為純文字。

• 獨立評分 — Ling 3.0 Tiny AA 智慧指數 23（#6/56）對比 LFM2.5-2.6B-Base 零公開評測結果。

• 模式 — Ling 3.0 Tiny：思考/即時切換、函式呼叫、提示快取；LFM2.5-2.6B-Base：在你對它進行後訓練之前，什麼都沒有。

• 已上線 — Ling 3.0 Tiny 今日已在其自有商業端點上線，相比之下 LFM2.5-2.6B-Base 目前在全球沒有任何推理提供商託管。

不對稱性正是關鍵：你今天下午就能花一點小錢，用你自己的提示詞對 Ling 3.0 Tiny 進行 A/B 測試，而且得到的數字是可以查證的。基礎檢查點是對你自身微調功力的賭注，目前尚無外部驗證可用。

「免費」的代價：被計量的答案 vs 停止的計量表

Ling 3.0 Tiny 的計費器在促銷結束後絕不會停止。無論你以何種並發度執行，每個輸入和輸出的 token 都會按所列費率計費，永遠如此。還有一項隱藏成本：Artificial Analysis 在對其 56 個模型類別進行評分時，測得該模型生成了 2.1 億個輸出 token——相比之下中位數為 6300 萬——並將其標記為「非常冗長」。一個推理模型在思考時會耗用額外的輸出 token，其每項任務的實際成本高於價目表所示的數字，而這種冗長性部分侵蝕了價格優勢。今日免費的定價加上明日按冗長輸出計費，是一項真實的經濟權衡，而非四捨五入的誤差。

基礎檢查點的「免費」是另一種計算方式：下載不需任何費用，但接著消耗的是你的資料、一次訓練流程，以及硬體。一個 100K 範例的監督式微調資料集，生成所需的 token 費用大約是十美元；一個 1M 範例的資料集則接近一百美元。微調本身——2.6B 在單張 GPU 上是短時間的執行——需要數小時的機器時間，再加上你的工程時間。要部署它，你需要一台裝置；Liquid 報告該系列在 Apple M5 Max 上解碼速度約為每秒 220 個 token，在 Ryzen AI Max+ 395 上為每秒 113 個 token，這些由供應商在後續訓練的姊妹版本上測得，而基礎版本本身沒有任何速度數據。實際上，這意味著一台你已經擁有的筆電，或一台約 1,500 美元起的新機器。

決定性的差異，與本部落格過去用來比較 {{1}}LFM2.5-2.6B-Base{{/1}} 與重新定價後的 {{2}}GPT-5.6 Luna{{/2}} 的差異相同：一個計費器永遠不停，另一個在訓練結束當天停止。{{3}}Ling 3.0 Tiny{{/3}} 永遠以你的並發量按 token 收費。基礎模型的邊際 token 在訓練結束後即免費，無論並發量多寡，只要你能餵養多少並發 agent 都可以。這才是 {{4}}2.6B{{/4}} 在成本上真正擊敗計量 API 的唯一情境：高流量、高並發、永遠在線的工作負載。

誰應該選哪個

如果…，請選擇 Ling 3.0 Tiny

本週你就需要一個能用的模型：一個可以透過 OpenAI 相容端點呼叫的強大文字推理模型，具備 256K 上下文、工具呼叫，以及一個你可以自行查閱的獨立評分。免費期間給了你一個真實的窗口，可以在付費之前針對自己的工作負載進行評估；即使在促銷結束後，以其實測智慧分數高於同級而言，$0.06 / $0.18 的費率也極具競爭力。你是在用計量表租用智慧，而你對此感到自在。

如果……，選擇 LFM2.5-2.6B-Base

你在打造一個模型，而非租用一個模型：某個現成模型未能充分服務的語言或領域、某個資料不能離開裝置的受監管垂直產業、後訓練研究，或是蒸餾學生模型。你的工作負載並發量夠高，以至於零邊際成本勝過按量計費的帳單，而且你能接受授權條款中的營收上限。你也要對自己誠實面對風險：沒有已發表的評測、沒有部署路徑，以及一個你必須在沒有基準可瞄準的情況下除錯的微調模型。

誠實的混合體 — 以及路由器的定位

閱讀這個配對組合最有用的方式，是將其視為單一系統的兩半，而非兩個競爭對手。基礎檢查點真正的先決條件是資料：Liquid 自身的後訓練配方依賴於教師特化與同策略蒸餾，這意味著要讓基礎模型發揮效用，得先從一個多模型的資料生成任務開始，然後才進入訓練任務。這正是像 Ling 3.0 Tiny 這類便宜且能力足夠的 API 模型——或者，若追求更高品質，OrcaRouter 上任何文字層級——得以勝任小型本地學員模型之教師角色的地方。趁免費額度還在的時候趕快使用，生成微調語料庫，然後將基礎模型訓練成你真正擁有的東西。

{{1}}在 API 方面，在我們談論自家產品之前，先說一個誠實的提醒：{{/1}} {{2}}Ling 3.0 Tiny 和 LFM2.5-2.6B-Base 都不在 OrcaRouter 上。{{/2}} {{3}}Ling 3.0 Tiny 由它自己的商業端點提供服務，而基礎檢查點則沒有任何人在託管。{{/3}} {{4}}OrcaRouter 真正有價值的用途，是承載教師模型以及圍繞它們的 API 流量——{{/4}} {{5}}Qwen 3.7 Flash 每 1M 只要 $0.03 / $0.13，{{/5}} {{6}}Gemini 3.5 Flash-Lite 每 1M 只要 $0.30 / $2.50，{{/6}} {{7}}還有 200 多個模型，只需一把金鑰就能使用，且零加成，{{/7}} {{8}}所以你支付的就是廠商的牌價，供應商降價當天就生效。{{/8}} {{9}}對於一個不能半途而廢的資料生成任務來說，跨供應商的自動故障轉移比模型選擇更重要。{{/9}} {{10}}但我們並未託管本文討論的這兩個模型中的任何一個，我們也不會假裝有。{{/10}}

裁決

這與其說是兩款廉價模型之間的較量，不如說是兩種花錢方式之間的分岔。如果你需要答案——能幹、可查證、可租用的答案——Ling 3.0 Tiny 今天上線，下週之前免費，獨立評測分數高於同級，促銷結束後定價依然便宜。如果你想擁有模型——離線、私有、零邊際成本，微調成屬於你自己的東西——LFM2.5-2.6B-Base 是少數真正未經測量的 2.6B 檢查點之一，背後有 34T tokens 的預訓練，你將是全球最早發掘它有多好的人之一。兩者都免費。但它們以不同的貨幣免費：Ling 3.0 Tiny 消耗你的計量額度，而 LFM2.5-2.6B-Base 消耗你的一次訓練。