Самый быстрый способ понять, что отличает microsoft/UserRepGen-4B от LFM2.5-2.6B-Base, — это посчитать форматы. Чекпоинт Liquid AI с 2,69 миллиарда параметров поставляется в четырех видах: нативные веса Transformers, GGUF для llama.cpp, ONNX для кроссплатформенных сред выполнения и MLX для Apple Silicon, поскольку он предназначен для адаптации и развертывания другими пользователями. Модель UserRepGen-4B от Microsoft поставляется только в одном виде: единственный неквантованный файл safetensors в формате bfloat16 размером 9 078 620 536 байт, с карточкой, в которой прямо указано, что «оптимизированные или специфичные для устройств форматы в настоящее время недоступны». Одно — это сырье. Другое — готовое изделие. Они не являются конкурентами; это два последовательных этапа одной и той же работы, и их сопоставление — самый наглядный способ увидеть, что на самом деле меняется между началом дообучения и выпуском готовой модели.
Две позиции в стеке
LFM2.5-2.6B-Base — это предварительно обученный чекпоинт, лежащий в основе семейства LFM2.5 от Liquid AI, на базе которого строятся все дообученные варианты. Он намеренно не проходил инструктивное обучение. В его карточке он рекомендуется только для «задач, требующих глубокого дообучения, таких как языковые (например, японский) или предметно-ориентированные (например, медицинские) помощники, обучение на проприетарных данных или эксперименты с новыми методами пост-тренинга». Если задать ему вопрос, он продолжит ваш текст, а не ответит на него, потому что ответы никогда не были частью его обучения.
UserRepGen-4B — это то, как выглядит следующий шаг. Microsoft взяла Qwen3.5-4B, добавила LoRA с рангом 64, обучила модель с помощью онлайн-обучения с учителем посредством ретроспективной дистилляции в течение июля и августа 2026 года и опубликовала результат 14 октября без анонсов и научных статей. Она делает ровно одну вещь — читает многоходовой диалог и записывает описание пользователя из него в формате JSON с двумя полями — и больше ничего.
Поэтому честная постановка вопроса звучит не «что лучше». А так: одно из них — это то, что вы дообучаете, а другое — то, что лаборатория получила путем дообучения чего-то другого.
Что вы получаете при скачивании
• Параметры и объем — LFM2.5-2.6B-Base содержит 2,69 миллиарда параметров в гибридной архитектуре; UserRepGen-4B — это модель класса 4B, чей опубликованный файл весов составляет около 9,1 ГБ в формате bfloat16 без доступных сборок меньшего размера.
• Контекст — 131 072 токена у чекпоинта Liquid против обучающей последовательности в 9 216 токенов у Microsoft (8 192 на промпт, 1 024 на генерацию), при этом расширенное использование официально не поддерживается.
• Форматы — GGUF, ONNX и MLX наряду с нативными весами против одного файла safetensors.
• Лицензия — LFM Open License (lfm1.0) с одной стороны, MIT плюс унаследованная Apache 2.0 с другой. Обе достаточно разрешительные для разработки; но это разные документы.
• Языки — шестнадцать указанных языков в карточке Liquid, только английский у Microsoft.
• Распространение — LFM2.5-2.6B-Base находится в открытом доступе с 1 августа 2026 года и имеет около 6 282 скачиваний и 51 лайк. UserRepGen-4B, загруженная 14 октября, на момент написания статьи имела нулевые показатели по обоим пунктам.
Только одна из этих строк касается качества. Остальные касаются того, впишется ли вещь в дверь, которая у вас есть.
Две архитектуры, созданные для разных условий
Liquid описывает LFM2.5 как «новое семейство гибридных моделей, разработанных для развертывания на устройствах», и структура базового чекпоинта следует этому принципу. Тридцать слоев, двадцать два из которых — блоки с двойным стробированием и короткой сверткой, восемь слоев с групповым вниманием (GQA), словарь на 128 000 токенов и бюджет обучения в 34 триллиона токенов. Сверточные блоки экономны в плане памяти и предсказуемы по задержке; весь дизайн ориентирован на телефоны, ноутбуки и периферийные устройства.
UserRepGen-4B наследует противоположные предположения. Его основа — стандартный стек условной генерации Qwen3.5: 32 слоя, скрытый размер 2 560, 16 голов внимания с 4 головами ключей-значений, словарь на 248 320 токенов и визуальный блок, перенесенный без изменений из родительского чекпоинта, несмотря на то, что модель работает только с текстом, а изображения официально не поддерживаются. Microsoft сообщает о запуске модели через vLLM на графических процессорах H100, A100, RTX A6000 и B200. Это список серверного оборудования, а не периферийного.
Команда, выбирающая между ними, на самом деле выбирает, с каким ограничением смириться: память на устройстве и среда выполнения, которую нужно дообучить до нужного состояния, или оборудование дата-центра и модель, которая уже выполняет свою единственную задачу.
Где дообучение действительно изменило показатели
Это та часть сравнения, на которую базовая модель по определению не может ответить. LFM2.5-2.6B-Base не публикует бенчмарки задач, потому что у базового чекпоинта нет задачи — показатели качества для семейства принадлежат дообученному варианту.
UserRepGen-4B публикует их, и это самое веское доказательство во всем релизе. На оценке точности по 700 диалогам, по шкале от 1 до 10:
• Qwen3.5-4B base, неадаптированная основа — 3,41 (лучший из 1), 4,42 (лучший из 3).
• GPT-5.5, которой дали задание выполнить ту же работу «из коробки» — 3,90 и 4,90.
• UserRepGen-4B — 4,95 и 6,02.
Каждая цифра принадлежит Microsoft и получена в цикле, где GPT-5.4 mini выступала одновременно в роли симулятора, ассистента и судьи. Ничего из этого не было независимо воспроизведено. Но важна сама суть результата: дообучение базовой модели 4B для узкой задачи, превосходящее по качеству универсальную модель, — это реальный, измеримый результат, и именно для этого существует LFM2.5-2.6B-Base, чтобы сделать это возможным для чьей-то другой задачи. Карточка Microsoft также показывает, что две очевидные альтернативы с обучением с подкреплением — OPSD с 4,46/5,60 и GRPO с 3,57/4,59 — обе проиграли простому обучению с учителем, что является предостережением против предположения, что более сложный метод всегда выигрывает.
У одной из них есть страница о конфиденциальности, и это не базовая модель
У предварительно обученной базовой модели нет раздела о конфиденциальности, потому что она не делает никаких заявлений о людях. У UserRepGen-4B он есть, потому что она их делает. В карточке сообщается, что среди 147 пользователей селектор, выбирающий, какие из четырех диалогов принадлежат одному и тому же человеку, дает результат 51,02% при использовании описаний поведения модели, против 44,22% на исходных диалогах и 25% при случайном выборе — сводка идентифицирует человека лучше, чем исходный текст. Microsoft классифицирует это как риск связываемости данных и заявляет, что представления не являются анонимизированными данными.
Эта асимметрия является структурной, а не дефектом какого-либо из релизов. В тот момент, когда выходные данные модели становятся описанием человека, этическая плоскость меняется, и карточка должна это отражать. Любой, кто дообучает LFM2.5-2.6B-Base для аналогичной цели, должен ожидать, что ему придется написать такой же раздел самостоятельно.
Что выбор базы определяет в будущем
Существует вторичное последствие использования базовой модели, которое редко учитывается при дообучении: оно определяет, к чему вы сможете обратиться через полгода. Microsoft построила свою работу на Qwen3.5-4B, и это семейство моделей доступно для коммерческого использования — Qwen3.5-Flash с контекстом в миллион токенов по цене $0,10 за миллион входных токенов и $0,40 за миллион выходных, Qwen3.5-27B по $0,086 и $0,688, Qwen3.5-35B-A3B по $0,057 и $0,459. Все они доступны через один ключ OrcaRouter по прейскуранту провайдера без наценок и могут работать с автоматическим переключением при сбоях, чтобы исследовательская контрольная точка, существующая только на вашем диске, не стала единой точкой отказа в конвейере. Мы не поддерживаем UserRepGen-4B, как и LFM2.5-2.6B-Base — обе модели доступны только для скачивания, и дообученная вами на основе Liquid небольшая модель будет размещена на ваших мощностях. Однако вспомогательная часть цикла, оценщик или резервный путь могут быть реализованы через API-вызов с использованием уже имеющегося у вас ключа. Это проектное решение, которое вы принимаете в самом начале, выбирая базовую модель для адаптации.
Что именно вам нужно
Если у вас есть задача, но нет подходящей модели, LFM2.5-2.6B-Base станет правильной отправной точкой: она достаточно мала для дообучения на скромном оборудовании, достаточно гибридна для запуска на устройстве и поставляется во всех форматах, которые вам понадобятся после завершения обучения. Если у вас есть конвейер симуляции пользователей и вам нужен компонент, превращающий завершенный диалог в переносимое описание поведения, то UserRepGen-4B уже существует, и тот факт, что это один файл в одном формате, является ограничением, а не поводом переделывать работу. Стоит следить за тем, выпустит ли Microsoft статью, которую все еще обещает ее карточка. Для Liquid открытый вопрос звучит иначе и является более старым: какие команды возьмут эту базу и что они на ее основе создадут.
Базовые модели существуют для того, чтобы их адаптировали, и именно на этапе адаптации возникают проблемы: задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в архиве инцидентов OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, оценку серьезности, уровень достоверности и флаг спорности.
