ZwZ2-9B 對比 LFM2.5 2.6B Base：一個值得理解的範疇錯誤

把 ZwZ2-9B 和 LFM2.5 2.6B Base並排放到一起，看起來像是一場規模比較，但它並不是。ZwZ2-9B 是一個擁有 94.1 億參數的視覺語言檢查點，由 inclusionAI 於 2026 年 10 月 16 日發布，且沒有模型卡；LFM2.5 2.6B Base 則是一個擁有 26.97 億參數的純文字預訓練模型，由 Liquid AI 於 2026 年 8 月 1 日發布，其模型卡上以自身的說法指出，它是「用來建立所有 LFM2.5-2.6B 變體」的檢查點。一個是你直接採用的東西，另一個是你據以建構的東西。在兩者之間做選擇，並不像在兩輛車之間做選擇——而像是在一輛車和一個引擎本體之間做選擇，而唯一有用的問題是：你真正需要的究竟是其中哪一個。

所以這篇文章會做兩件事。它會給你兩者的真實數字，因為你來這裡就是想找個比較，而這些數字確實值得掌握。接著，它會解釋這個比較所掩蓋的區別，因為一旦搞錯這點，團隊就會落得投入一場根本不需要的微調、三週後才發現不對，或是用一個 9.4B 的伺服器模型來跑一個 3B 筆電模型就能處理的工作。

這些人工製品實際上各是什麼

LFM2.5 2.6B Base 是刻意保持未完成的。它是 Liquid AI LFM2.5-2.6B 系列根源處的預訓練檢查點——30 層，交替採用雙閘控短卷積區塊與分組查詢注意力，經過 34 兆個 token 的預訓練，具備 128,000 個 token 的詞彙表，以及 128,000 個位置的上限。它僅支援文字。它專為裝置端部署而設計，這是 Liquid AI 在模型卡中使用的說法，而「Base」後綴的全部重點在於：後訓練的對話變體與代理型變體是衍生自它的獨立下載項目。它的用途是讓你對它進行微調，或將模型蒸餾進其中。開箱即用時，它不是助理。

ZwZ2-9B 則是相反類型的物件。它是一個已完成塑形、卻尚未被描述的檢查點。它的設定帶有一座 27 層視覺塔、影像與影片的 token id、上限為 768 個影格的影片處理器、內建預設系統提示的聊天模板，以及在其 32 層中有 24 層採用線性注意力，而非不斷增長的鍵值快取。那是部署目標，不是訓練基底。缺少的是買家會追問的一切：沒有授權欄位、沒有評估結果、沒有說明它是用什麼訓練的，也沒有登錄在 inclusionAI 十個公開集合中的任何一項。

• 參數量 — ZwZ2-9B：9,409,813,744。LFM2.5 2.6B Base：26.97 億。

• 用途 — 為部署量身打造的多模態檢查點，對比可用於微調的預訓練基礎模型。

• 納入的模態——文字、圖像與影片 vs 僅文字。

• 上下文上限 — 262,144 個位置，相較於 128,000（Liquid AI 的規格表四捨五入為 131,072）。

• 詞彙 — 248,320 對 128,000。

• 注意力設計 — 24 個線性層加 8 個全注意力層，對比 22 個卷積層加 8 個注意力層。

• 授權 — 未宣告，對比 LFM Open License v1.0，後者為自訂授權而非 Apache-2.0。

• 文件 — 無，對比於模型卡、技術報告及明確載明的訓練預算。

那裡的兩行比表面上看起來更有意思。兩個模型都恰好落在 8 層注意力，而且都用更便宜的方案填滿其餘部分——ZwZ2-9B 採用遞迴線性注意力，LFM2.5 2.6B Base 則採用短卷積。這種殊途同歸並非巧合；這正是過去兩年「高效架構」所代表的意義，從相反的方向、在相反的規模上抵達同一個結果。而上下文上限並不是一場較量：262,144 對上 128,000 幾乎說明不了什麼，因為 2.7B 模型是為了放在筆電上而打造的，在那裡二十五萬 token 的快取並不是現實可行的工作集。

「Base」這個詞就是整個決定。

如果你只能從這個配對中帶走一件事，就帶走這件。基礎檢查點沒有指令遵循能力、沒有值得依賴的聊天格式，也沒有安全微調——如果你正在打造領域模型，這是一項優點，因為這表示你在訓練自己的模型時，不必對抗別人的對齊。如果你想要的是助理，這就是一項缺陷，因為你會花前兩週重新發現：預訓練模型是在補全文字，而不是回答問題。

ZwZ2-9B sits on the other side of that line. Its chat template injects a default system prompt when none is supplied, and it emits an empty <think></think> block unless you explicitly request reasoning — the opposite default from its Qwen3.5-9B parent. Somebody post-trained it for one-shot answering and then published it without saying so. That is a real signal, and it is the only signal in the repository that describes intent.

部署數學，才是真正差異所在。

一個 2.697B 的文字模型與一個 9.41B 的視覺模型，並不是同一種硬體上的替代方案。LFM2.5 基礎版本是為手機、筆記型電腦與單板電腦打造的；Liquid AI 的定位是裝置端推論，而一個量化至四位的 2.7B 檢查點只有幾 GB。ZwZ2-9B 在 32 層語言層之外還保留了 27 層的視覺塔，以及每個方向約 2 GB 的嵌入矩陣——光是詞彙表就是一個 248,320×4,096 的表——因此它屬於伺服器，或至少是配備真正加速器的桌上型電腦。

這就是為什麼對大多數團隊而言，誠實的架構不是「二選一」，而是兩層。把小型且文件完整的模型放在延遲與隱私重要、且任務範圍狹窄的地方，並將困難案例導向託管模型，讓變動成本只在困難案例出現時才出現。把這個切分做對，比這一頁上任何單一模型選擇都更有價值，而且它也是最難日後更改的事，因為它是唯一會觸及你程式碼的事。

在單一介面背後完成這一切，正是路由器的核心意義。OrcaRouter 透過單一 OpenAI 相容端點與單一 API 金鑰，提供 200 多個模型，並具備自動容錯移轉，因此便宜層級與昂貴層級之間只差一個模型字串，而不是兩套整合——而且供應商的定價以 0% 加成原樣傳遞，所以執行昂貴層級的成本與在其他任何地方別無二致。我們並未代管 LFM2.5 2.6B Base，也未代管 ZwZ2-9B，因此這兩者都不是我們能替你做出的選擇——Liquid AI 透過自家廠商管道發布自家權重，而 inclusionAI 則完全未發布任何端點。今天我們能放在這道分界代管側的，是qwen/qwen3-vl-8b-instruct，這是一款 8B 視覺語言模型，具備 131K 詞元上下文，每百萬輸入詞元 $0.18、每百萬輸出詞元 $0.70，是小型多模態層級目前有文件記載的最接近替代方案。

授權正是這兩者分歧最為劇烈的地方

這兩個授權都不是 Apache-2.0，而且原因不同，這種差異具有實質影響。LFM2.5 2.6B Base 依 LFM Open License v1.0 發佈，這是一份自訂授權條款——它已公開、可閱讀，而且與同系列其他模型使用的授權相同，這表示你只需做一次法律審查，就能涵蓋你接觸的每一個 LFM2.5 模型。ZwZ2-9B 則未宣告任何授權。缺少授權條款並不代表就是寬鬆授權；在沒有明確授予的情況下，保守的解讀是並未授予任何權利，而這比一份你能閱讀與評估的自訂授權條款，是實質上更不利的處境。

對於你打算微調、甚至可能重新散布的基礎檢查點而言，這絕非可有可無的附註。衍生作品條款正是自訂授權條款往往會抱持立場的條款，而完全沒有任何相關條款，也不會作出對你有利的解釋。

如何選擇，直白地說

如果你的任務範圍狹窄、只針對文字、有明確的目標裝置，而且有意願自行執行訓練，就選擇 LFM2.5 2.6B Base——並接受指令遵循能力得由你自己提供。它公開的訓練預算與載明的授權條款，意味著你清楚自己的起點是什麼。

如果你需要在輸入中包含圖像或影片、你有足夠的 GPU 來服務一個 9.4B 模型，而且你願意成為地球上第一個評估它的組織，那就選擇 ZwZ2-9B。最後那一句不是誇飾。在投入之前，需要回答的問題是：它是否接受你的圖像格式、在停用思考時是否會回傳你需要的輸出形狀，以及你實際上會依據哪一種授權條款運作。這三個問題中有兩個的答案就在儲存庫裡。第三個則沒有。

基準測試會過時，價格會波動，但失敗紀錄不會：這一類模型背後有據可查的 AI 事故與代理失誤，全都收錄於the OrcaRouter AI Incident Archive，其中每一筆紀錄都附有自己的來源、嚴重程度、可信度評級與爭議標記。