MiniCPM5-2B 對比 LFM2.5 2.6B Base：成品模型 vs 自行打造所需的原料

過去一個月內最受矚目的兩個小型模型發布，同屬一個量級，生命階段卻截然不同。MiniCPM5-2B 是完成品：這是一個 2.5B 的稠密模型，由 ModelBest 與 OpenBMB 於 7 月 19 日在世界人工智慧大會上發表；其開放權重在 9 月 6 日與 7 日悄然上線 Hugging Face，背後有完整的後訓練流程支撐，採用 Apache-2.0 授權，可以立即上線服務。LFM2.5 2.6B Base 則是 Liquid AI 的預訓練純文字 checkpoint——這個原始基材，官方表示「僅建議用於需要重度微調的任務」；它沒有指令微調、沒有聊天模板、也沒有任何公開的基準評測，因為基礎模型本身不會被評分，被評分的是從它微調出來的模型。比較兩者，真正的問題是：你要買的是整個建置流程中的哪一層？是一個今晚就能上線運作的模型，還是打造自己模型的原料。

兩張模型卡都以不同的措辭寫著「不可直接使用」，而廠商都把這句話放在第一行。MiniCPM5-2B 的模型卡描述了一個密集式 Llama 架構 Transformer：總參數 2,516,756,480（非嵌入參數 1,981,982,720），共 42 層，採用分組查詢注意力，出廠配置提供 131,072 詞元的上下文視窗；後訓練敘事——深度思考監督式微調、專門化強化學習、同策略蒸餾——則明確瞄準智慧體行為與工具使用。Liquid 的 LFM2.5 2.6B Base 模型卡描述的則是一個 2.69B 混合模型：在 22 個雙閘門短卷積區塊之上堆疊了 8 層分組查詢注意力，以約 34 兆個詞元、涵蓋 16 種語言、128K 上下文完成預訓練，然後就此打住——這個基礎模型的存在意義，就是被接續訓練或微調成其他東西。一個是終點，另一個是起跑線。

Liquid 實際發布了什麼

LFM2.5 2.6B Base 於八月初登上 Hugging Face，是 Liquid 的 LFM2.5-2.6B 系列所用的預訓練基礎模型。其模型卡列出了該系列的表格——包含基礎模型，以及 Liquid 為了智慧體工作負載與工具呼叫所微調出的 LFM2.5-2.6B——並如實標明基礎模型是純文字檢查點，用來產生所有變體。這正是它的全部用途：你取得 2.69B 混合架構與 340 億 token 的多語言基礎，接著在自家領域上繼續預訓練或進行 SFT，之後你釋出的任何東西都會繼承其授權條款。模型卡上沒有基準評測，因為目前還沒有什麼好評測的；該模型未經指令微調，因此開箱即用時只會繼續生成文字，而非回答問題。它約從 2.5GB 的權重即可執行，並獲得 Transformers、vLLM、SGLang、MLX 與 llama.cpp 支援，因此很適合做為手機與邊緣等級微調專案的基礎。

這個對比組合的實際注意事項：如果你想要的是 Liquid 提供的可直接使用的小型模型，那麼 MiniCPM5-2B 的公平對應對象是經後續訓練的 LFM2.5-2.6B，而非 Base 版本。Base 版本是當你打算自行進行後續訓練時才選擇的版本——這也正是 MiniCPM5-2B 自身的基準測試表會與該系列經指令微調的兄弟版本比較、而不是與此原始 checkpoint 比較的原因。

OpenBMB 發布了什麼，以及它為何與眾不同

MiniCPM5-2B 以附帶原廠藍圖的完成品之姿登場。Liquid 給你的，是基礎與功夫；OpenBMB 給你的，則是全開放的一切：最終的 RL + OPD 後訓練檢查點、GGUF、MLX、GPTQ、基礎版、SFT 版與草稿伴隨版本——而這正是真正扭轉比較格局的關鍵——訓練語料本身，以 Apache-2.0 授權、作為 UltraData 系列釋出。模型卡記載，在廠商自選的 2B–4B 開放模型比較組合中，內部平均分數為 53.9，AIME 2025/2026 為 86.5，SWE-bench Verified 則由廠商自行測得 46.4；這些數字至今皆未被獨立重現。它是為了執行而生，不是為了訓練而生：發表時的訴求，是在九種晶片家族與 ARM 上零日適配、以 XML 風格呼叫實現原生工具呼叫，以及因應互動使用的快速／深思混合回應模式。

記分板，如實標示。

• 您將獲得 — MiniCPM5-2B：一個已完成、可服務的聊天模型，外加開放的訓練資料。LFM2.5 2.6B Base：一個預先訓練好的基礎模型，供您微調成最終成品模型。

• 參數 — MiniCPM5-2B：2.52B 總參數／1.98B 非嵌入參數，Llama 風格密集架構。LFM2.5 2.6B Base：2.69B 混合架構（8 個注意力區塊＋22 個短卷積區塊）

• Context — MiniCPM5-2B：出廠設定為 131,072 個 token。LFM2.5 2.6B Base：原生 128K。

• 語言 — MiniCPM5-2B：以英語和中文為中心的模型卡與資料。LFM2.5 2.6B Base：以16種語言預訓練。

• 基準測試 — MiniCPM5-2B：供應商完整測試套件（內部平均 53.9；未經重現）。LFM2.5 2.6B Base：基礎模型本身未發布任何基準測試，此為設計使然。

• 授權 — MiniCPM5-2B：權重與已發布資料適用 Apache-2.0。LFM2.5 2.6B Base：適用 LFM Open License v1.0，年營收低於 1,000 萬美元即免費，且此上限亦會延伸至你的衍生作品。

上方的計分板以六行呈現同一個故事：兩個模型都很小，屬於128K等級且與Apache相關，但其中一欄結束於運行中的服務，另一欄則結束於由誰來進行訓練的決定。

授權本身就是功能

{{1}}對開發者而言，授權落差是那份清單上最不引人注目、卻最具決定性的一項。{{/1}}{{2}}OpenBMB 將 MiniCPM5-2B 及其公開的資料以 Apache-2.0 授權釋出：你可以用它提供服務、進行微調，並在此基礎上打造商業產品，沒有營收上限，除了標示出處之外也沒有任何繼承性義務。{{/2}}{{3}}Liquid 的 LFM Open License v1.0 確實是開放權重，但設有營收條件——年營收低於 1,000 萬美元的組織可獲得廣泛的商業授權，達到或超過該門檻的組織則不予授權，而這個上限會由你所微調的模型繼承；因此，以 LFM2.5 2.6B Base 打造的產品，會隨著公司成長而背負相同的天花板。{{/3}}{{4}}這並不表示 Liquid 的授權不合理；而是表示這是任何期望擴張越過該門檻的新創公司，從第一天起就必須納入規劃的條款，而這也正是「成品模型」此一架構之所以至關重要的最大單一原因。{{/4}}{{5}}如果你要打造的是打算持續成長的東西，Apache-2.0 加上開放資料，與附帶上限的授權相比，是截然不同的一種原材料。{{/5}}

自建與外購的分岔，具體成形

把它框架為「自建 vs. 採購」，選擇就不再令人困惑。MiniCPM5-2B 是採購路徑：那些困難的工作——針對代理型、長上下文任務對小模型進行後訓練——已經完成，授權乾淨，你剩下的工作就是服務與評估。代價是你採納了別人的後訓練選擇，而且它的主要指標才公布一週，實驗室以外無人驗證。LFM2.5 2.6B Base 是自建路徑：你購買 Liquid 的架構與預訓練成果，然後自己做後訓練——這是在 Liquid 已在銷售的指令調優版兄弟模型 LFM2.5-2.6B 之外，選擇基座模型的唯一正當理由。當你有現成模型無法涵蓋的領域、語言或行為特徵時，這條路徑就說得通。它絕對是更多工作，從零個已發表的基準開始，而且把營收上限沿續下來。回報是得到一個別人都沒有的模型——而且，因為 OpenBMB 開放了 MiniCPM5-2B 自身的資料，你現在有第二條路可走：繼續訓練一個經過驗證的 Apache-2.0 配方，而不是從裸基座開始。

兩者的路由現實

這兩個檢查點目前都沒有出現在任何託管目錄中，所以這一層的問題在於它們周遭的環境，而不是交付方式。一旦你已把 MiniCPM5-2B 或微調過的 LFM2.5 2.6B Base 部署成自己專屬的東西，要拿其中任何一個去和你正在使用的託管模型試比時，可逆的作法就是透過具備自動容錯移轉的單一 API——新的或衍生型堆疊就算卡住，也不會拖垮正式環境，而且供應商牌價以 0% 加價直接轉嫁，所以 A/B 比較很便宜。不過，就「自建還是外購」這個決策本身而言，老實說，做法跟小型開放模型一向如此：真正重要的基準，是你在自己硬體和自己資料上跑出來的結果，而不是印在任一張規格卡上的數字。

您實際上是在選購哪一層？

當你想要的是一個{{1}}現成可用、採用 Apache-2.0 授權的裝置端模型，今晚就能部署上線，並可在開放資料上微調——但前提是你接受它亮眼的規格表尚未經過驗證，必須由你自己重現後，才能贏得生產環境的信任{{/1}}，那麼請選擇 MiniCPM5-2B。當你打算{{2}}自行對模型進行後訓練，並希望以 Liquid 的混合架構與 16 種語言基礎作為起始權重——但前提是你接受微調成本、零公開基準測試數據，以及無論你推出什麼產品都將隨之而來的 1,000 萬美元營收上限{{/2}}，那麼請選擇 LFM2.5 2.6B Base。這兩者{{3}}並非競爭同一份工作的對手；它們是在同一硬體上解決兩種不同的任務，唯一錯誤的選擇，是購買其中一個時，卻以為自己買的是另一個{{/3}}。