MiniCPM5-2B-DSpark 對比 LFM2.5-2.6B-Base：一個是服務用的原料，一個是訓練用的原料

2026 年夏末最受矚目的兩個小型模型發布有個共通點：兩者都無法開箱即用，而且兩家廠商都在各自模型卡片的第一句話中直言了這點。MiniCPM5-2B-DSpark 是 OpenBMB 於 2026 年 9 月 6 日低調發布到 Hugging Face 的 DSpark 草稿檢查點——它是 MiniCPM5-2B 的 323.8M 參數搭配模型，後者正是 ModelBest 於 2026 年 7 月 19 日在 WAIC 發表的稠密 2.52B 裝置端模型——在你於推測解碼引擎中將它與該目標模型並排載入之前，它不會產生任何作用。LFM2.5-2.6B-Base 是 Liquid AI 的預訓練文字檢查點，自 2026 年 8 月 1 日起便上架 Hugging Face；Liquid 自己的卡片稱其為「預訓練純文字檢查點」，僅建議用於需要重度微調的任務。前者是加速成品模型推論服務的原料，後者則是你從零訓練自有模型的原料。兩者被放在不同的貨架上，而打造者最容易犯的錯誤，就是伸手拿錯了那一個。

讓它們值得比較的原因在於，它們瞄準相同的硬體與相同的 2026 年願景——在手機、筆電與邊緣裝置上實現具備能力的 AI——卻從建置流程的兩端切入。如果你想要一個可部署的裝置端模型，加上免費的加速效果，OpenBMB 的技術堆疊會把整套方案攤開給你。如果你想要自行掌握後訓練階段，Liquid 則提供你基礎材料與人力。這篇文章要談的，是你實際上在為哪一層選購。

兩張以不同方言寫著「不可直接使用」的卡片

將兩張模型卡並排對照，破綻就藏在配對語言裡。MiniCPM5-2B-DSpark 的卡片完全以另一個模型為主軸來撰寫：目標、它所共用的 tokenizer、草稿層、接受長度，以及一條同時吃進目標路徑與草稿路徑的 SGLang 啟動指令。這份草稿沒有自己的身分——五個全注意力層、323,776,001 個參數、區塊大小為七、以 MiniCPM5-2B 生成的 70.5 億個回應 token 訓練六個 epoch，並在啟用 DSpark 方法（arXiv 2607.05147）的 confidence 與 Markov heads 之下，以 Apache-2.0 授權釋出。其目的在於吞吐量：一次最多提出七個 token，讓 2.52B 的目標模型在單一趟中驗證整個區塊，並保留它所接受的內容。

上述 openbmb/MiniCPM5-2B-DSpark 卡片正是此次發佈對外公開的全部內容——一個沒有附帶公告的服務配件，報告了接受長度，卻沒有端到端加速。

LFM2.5-2.6B-Base 的卡片描述的是「你的模型」——一個尚不存在、但即將由你打造的模型。這個 2.69B 混合式架構，將八層分組查詢注意力疊加在二十二個雙閘控短卷積區塊之上——這是 Liquid 專為端側部署設計的架構——並以約 34 兆個 token、涵蓋 16 種語言、128K 上下文進行訓練。它純文字、未經指令微調，且不發布任何自身的基準測試數據，因為預訓練基礎模型本來就不該拿來評分；真正該評分的是由它微調而生的產品。它的任務是在你的資料上進行持續預訓練或 SFT 微調，之後你無論發布什麼，都將繼承其授權條款。

上方的 LiquidAI/LFM2.5-2.6B-Base 模型卡顯示了系列表格——基礎模型與後訓練的 LFM2.5-2.6B 代理型模型之對比——以及「僅文字預訓練檢查點」的說明，該說明將基礎模型界定為原始素材。

儲存庫，按維度逐一檢視。

• 角色 — MiniCPM5-2B-DSpark：加速既有的、已完成的目標。LFM2.5-2.6B-Base：作為你後訓練成成品模型的基底。

• 參數 — MiniCPM5-2B-DSpark：324M 草稿，對應 2.52B 密集目標模型。LFM2.5-2.6B-Base：2.69B 混合模型（注意力 + 短卷積區塊）。

• 上下文 — MiniCPM5-2B 目標：128K 原生。LFM2.5-2.6B-Base：128K 原生。

• 你必須加入的內容 — MiniCPM5-2B-DSpark：一個服務引擎（SGLang DSPARK）與目標模型。LFM2.5-2.6B-Base：一次微調運行、一套評估套件，以及一個推論堆疊。

• 基準測試 — MiniCPM5-2B-DSpark：僅有 repo 接受長度（貪婪聚合每步 5.52），沒有加速倍數數據。LFM2.5-2.6B-Base：基礎模型本身沒有發布任何數據。

• License — MiniCPM5-2B-DSpark: Apache-2.0，無附加條件。LFM2.5-2.6B-Base: LFM Open License v1.0 — 年營收不超過 1000 萬美元可免費商用，{{1}}且此上限{{/1}}會由{{2}}你微調出的任何模型{{/2}}繼承。

上方的計分板是以卡片形式呈現的配料架：其中一欄是成品模型的盛盤附加元件，另一欄則是訓練基材，供一個在你建構出來之前尚不存在的模型使用。

一千萬美元的差別

對開發者而言，授權條款的差異是那份清單上最不搶眼、卻最具決定性的一欄。ModelBest 和 OpenBMB 將 MiniCPM5-2B 及其草稿模型放在 Apache-2.0 之下：你可以部署目標模型、執行草稿模型，並在其上開發商業產品，沒有營收上限，除署名外沒有繼承義務。Liquid 的 LFM Open License v1.0 允許商業使用，但設定上限——年營收低於 1000 萬美元時免費，且該上限會帶入你的衍生作品中，因此你從 LFM2.5-2.6B-Base 微調出的產品也承受相同天花板。這並不表示 Liquid 的授權不合理；而是使它成為一項新創公司若想擴張超過上限，就必須從第一天起規劃因應的條款。如果你的專案營收目標不大，或者你只是在評估研究用途，這個上限根本不是問題。如果你正在打造一個打算壯大的產品，Apache-2.0 是另一種原材料。

開發者的自建與外購分岔點

把這個決定當成是「自建 vs. 購買」的問題——針對模型本身——選擇就不再令人困惑。MiniCPM5-2B-DSpark 是「購買」的路徑：艱苦的部分——為代理式與長上下文工作對裝置端模型進行後訓練——已經在 MiniCPM5-2B 中完成了；而草稿只是疊加在上方、無需額外授權的加速層。你購買的是現成模型與加速，兩者均為 Apache-2.0，接下來只剩服務部署與評估。開放問題在於量化：OpenBMB 已量測草稿的接受率（貪婪解碼下每個驗證步驟 5.52 個 token），但尚未量測它的實際時間效益；因此，你仍然必須在自己硬體上對 SGLang 部署進行基準測試，才能知道你所購買的成果。

LFM2.5-2.6B-Base 是「建構」路線：您購買的是預訓練基底，並自行完成後續訓練——這是選擇基礎模型而非 Liquid 已販售的 LFM2.5-2.6B 後訓練版本的唯一正當理由。當您擁有現成模型無法涵蓋的領域、語言或行為特徵時，這條路線就說得通——您採用 Liquid 的架構與 34 兆 token 的基礎，讓它成為您專屬的模型。這嚴格來說是更多的工作，起步於零發布基準，並沿襲收入上限。回報是您將擁有一個別人都沒有的模型。

路由的現實

如今，這兩個 checkpoint 都不會出現在任何託管目錄中，OrcaRouter 的目錄也包括在內——draft 本質上就是一個本地服務的附屬配件，而 Liquid 的基底則是一個自託管微調專案。路由層正是在這裡維持其作用，同時不必假裝託管其中任何一個：一旦你已經將任一個模型上線服務或微調過，位於你自己端點前面的那一層，就是讓試用它們可以被逆轉的關鍵。把測試路徑指向一個 MiniCPM5-2B-plus-draft 的 SGLang 建置，生產環境則持續沿用你目前所服務的模型；讓自動容錯切換捕捉停滯，並讓你所拿來比較的託管模型，其供應商牌價以 0% 加價直接穿透。這一層在這裡的重點不在於交付——而在於這兩個元素都不會讓你做出不可逆的承諾。

您正在哪個貨架購物？

當你想要一個現成、採用Apache-2.0授權、可在裝置端運行的模型，並接受一個可能讓它加速的草稿（draft）時，請選擇MiniCPM5-2B-DSpark（搭配其目標）。但你要知道，你必須自行量測該草稿的加速效果，因為廠商並未提供數據。當你打算對自己的模型進行後續訓練（post-train），並希望以Liquid的混合架構與16語言基礎作為起始權重時，請選擇LFM2.5-2.6B-Base。但請接受隨之而來的微調成本、零公開基準測試數據，以及無論你推出什麼產品都會附帶的1000萬美元營收上限。這兩者並非競爭同一份工作的對手，而是在同一硬體上承擔兩種不同任務。唯一錯誤的選擇，是買了其中一個，卻以為自己買的是另一個。