Vyb 對 LFM2.5 2.6B Base：誰擁有輸出，比誰勝出更重要

無論是Vyb還是LFM2.5 2.6B Base，都不是那種丟給它一項任務就能撒手不管的模型，而且它們不足的方式幾乎正好相反。Vyb 由 Coco Labs 於 2026 年 10 月 20 日發布，是須排候補名單才能取得的成品設計產品：它會把品牌資產轉成可分層、可編輯的行銷圖像，而且沒有公開 API，也沒有公布價格。LFM2.5 2.6B Base 由 Liquid AI 於 2026 年 8 月 4 日發布，是擁有 26.98 億參數的預訓練檢查點，完全未經指令微調——今日即可依據 LFM Open License v1.0 下載，只要你有訓練運行可以指向它，它立刻就能派上用場，在那之前則毫無用處。無論是候補名單產品還是基礎檢查點，都不會記錄設計流程在生產環境中如何失敗，而那些事件都收錄在the OrcaRouter AI Incident Archive中，每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

所以真正該比的不是品質，也不是速度，而是所有權：你被允許對這個產物做什麼、你能對它的輸出做什麼，以及這兩項限制之中，究竟是哪一項真正卡住了你的專案。

兩件作品，以製作者自己的話來說

Coco Labs 將 Vyb 描述為「第一個能理解使用者品味的設計模型」。它以公司稱為 Cocolang 的內部結構化格式分層建構設計，將文字保留為文字、向量保留為向量，並以無損方式匯出到 Figma 等工具。它會讀取品牌的網站與檔案，使輸出中的標誌、字型與色彩都是品牌早已擁有的。使用方式是候補名單，並附 $10 的生成額度。沒有參數數量、沒有架構揭露、沒有費率表、沒有 API。

LFM2.5 2.6B Base 的全名為 LFM2.5-2.6B-Base。其模型卡列出總參數為 26.98 億，共 30 層，其中 22 層是雙閘控短卷積區塊，八層是分組查詢注意力；上下文長度為 131,072 個 token，詞彙表為 128,000 個 token，訓練資料達 34 兆個 token，涵蓋 16 種語言。它僅處理文字。它是一對模型中的一個——Liquid AI 也推出針對代理式工作進行後訓練的 LFM2.5-2.6B——而模型卡本身對基礎檢查點的描述是，它是該系列中每個變體所衍生的模型。Hugging Face 上已有 16 個微調衍生模型。

把這兩段放在一起讀，輪廓就會浮現。{{1}}Liquid AI 發布了一個元件，並明確告訴你它由什麼組成。{{/1}} {{2}}Coco Labs 發布了一個產品，卻幾乎沒透露裡面有什麼。{{/2}} 兩者都是推出模型的合理方式；只是把工夫花在不同的地方。

執照實際允許什麼

這是比較中最具直接實際影響的部分，而它分成兩個方向。

• 再散布 — LFM2.5 2.6B Base 依 LFM Open License v1.0 發布，這是在 Hub 上標記為 license:other 的自訂授權。它是為開放使用而撰寫，允許附條件商業部署，但這是一份有人刻意撰寫的文件，在你再散布衍生作品前必須閱讀。Vyb 完全不公布條款，因為沒有東西可再散布：你取得的是設計，而非權重。

• 輸出所有權——這是投入前最該確認的一點。由 {{1}}Vyb{{/1}} 產生的設計，是在他人的基礎設施上、依據一份你尚未看過的協議所產生的設計，因為候補名單並不是合約。由經微調的 {{2}}LFM2.5 2.6B Base{{/2}} 產生的文字，則是在你的硬體上、用你持有的權重產生的。對於一個以行銷活動素材為產品本身的品牌而言，這種差異並非紙上談兵。

• 修改 — LFM 檢查點中的每一個權重都隨你處置，你可以繼續預訓練、微調、量化或蒸餾。Vyb 則完全無法修改。你可以編輯它的輸出，而這正是重點所在，但你無法改變產生該輸出的模型。

• 硬體 — LFM2.5 2.6B Base 是稠密模型，體積小到讓 Liquid AI 將這個系列定位於手機與筆電；2.69B 的檢查點只需一張消費級 GPU，或以四位元量化跑在邊緣裝置上。Vyb 完全不需要硬體，這在清單上不是最好的特性就是最糟的特性，取決於你的限制是資本還是控制權。

你實際上會訓練 LFM2.5 2.6B Base 去做什麼

顯而易見的用途，也正是能與設計流程搭配、而非與之競爭的那種用途。Vyb 負責放置文字；但總得有東西來撰寫這些文字，以品牌能辨識的語氣，並達到行銷行事曆所要求的產量。這是一項微調工作，資料集小而明確：十二個月已核准的標題、一份風格指南，以及被否決的內容。2.69B 基礎檢查點對這件事來說是合適的規模——大到足以承載一種語氣，小到能在一個下午於單張 GPU 上訓練完成，也小到能以每千次生成不到一杯咖啡的成本提供服務。

131,072 個 token 的上下文對這項工作來說相當寬裕。一本品牌手冊加上一百個經核准的範例都能輕鬆容納，這意味著微調可以以指南為依據，而不必寄望它已被吸收。

LFM2.5 2.6B Base 不會做的事，是在未經訓練的情況下回答問題。它會延續文字。它不會遵循格式、呼叫工具，或在你想要它停下來時停下，因為這些行為都沒有被訓練進它裡面。每一篇談論基礎檢查點的文章都會這麼說，而每一支團隊還是照樣去試，所以：如果你現在就想要一個會寫標題的模型，先進行微調，或改用一個經過後訓練的同系列模型。基礎檢查點是一個起跑位置，不是一項服務。

每條路徑的成本，已計算出來

Vyb 的成本目前只是一個數字：$10 的額度，免費，只要你離開候補名單。之後的一切都未知，而這個未知並不小——一個每月產出四十份素材的行銷團隊，需要一個每份素材的數字，才能判斷這個工具取代的是設計師的一個下午，還是一名設計師。

LFM2.5 2.6B Base 的成本可以精確到分，而且幾乎完全固定。權重是免費的。訓練執行就是你的 GPU 時數。服務就是你的推論，而在 2.69B 稠密模型下，算術並不光鮮：單張中階顯卡就能輕鬆處理文案生成工作負載，而第一千條標題的邊際成本實際上就是電費。你反而要花的是工程時間——資料管線、評估集、護欄——而那正是人們拿「免費權重」和「便宜 API」比較時會忘記的項目。

有一條第三條路徑，是大多數團隊最後都會採用的，值得替它取個名字。在品牌語調還在定義階段時，先用託管模型來產出文案；等到累積了足夠的已核准範例，讓訓練值得投入前置作業時，再微調 LFM2.5 2.6B Base。這是路由問題，而不是模型問題：一把金鑰即可通行 200 多個託管模型，供應商定價以 0% 加價原樣轉嫁，讓你從原型走到正式環境都不必再簽第二份合約；而當成本效益翻轉時，本地檢查點便會接手。

誠實解讀 Vyb 的數字

由於本頁將四天前發布的廠商基準測試與兩個月前的開放檢查點並列呈現，資料來源理應清楚交代，而非埋在文句中。

Coco Labs 發布了 VybBench，涵蓋 145 種 Google 字型、100 種顏色與 200 次編輯，並回報字體保真度為 90.3%，相較於 ChatGPT Image 的 76.0%；色彩誤差為 0.00，對比為 3.94；編輯時的平均像素變化為 11.9%，對比為 95.5%。該公司自行撰寫了這項基準測試，而它的模型贏得了測試。它同時揭露，Vyb 在編輯測試中接收到分層 SVG 輸入，而比較模型收到的是扁平化 PNG，因為這些模型無法接受圖層。這些都不代表結果有誤——圖層格式正是產品本身——但這確實意味著，這些數字衡量的是不同的輸入契約，而非兩個模型執行完全相同的工作。尚無獨立第三方重現其中任何內容。

相較之下，LFM2.5 2.6B Base 是一個你今天下午就能自行下載並評估的檢查點。這不是在宣稱品質；這是在宣稱可驗證性，而在這條軸線上，兩者根本不在同一個等級。

哪一個擋住你？

如果你的問題是已核准的設計不重新生成就無法編輯，那麼這兩者之中只有 Vyb 有解，而且候補名單耗費的是你一週的時間，而不是一季的預算。如果你的問題是每項素材都需要以你的語氣寫標題，而且數量多到沒有人想寫，那麼 LFM2.5 2.6B Base 加上一次微調訓練就是答案，而且現在就能用。

如果你的問題是兩者皆是，那它們並非競爭對手——而是同一條流程的兩個階段，一個是租用的，一個是自有的。真正需要做的決定，不是該選哪個模型。而是品牌的活動素材，應該由它持有的模型來產出，還是由它只擁有候補名單帳號的模型來產出；而這個問題在 2026 年 10 月仍未定論，正是這項比較最能告訴你的事。