一个总参数24B的模型，推理时只激活2B，却在量子校准基准上跑赢了激活参数更多的对手。LiquidAI开源了LFM2.5-24B-A2B，这个数字组合本身就值得看一眼。

24B和2B，差在哪

LFM2.5-24B-A2B的总参数是24B，激活参数是2B。它基于Gemma 4构建，是一个视觉-语言模型，专注的方向是分析量子校准实验。

激活参数远小于总参数，意味着模型在单次推理中调用的计算量更小。这个规格放在量子校准这个具体场景里，是它被拿出来比较的前提。

赢了谁，又输给谁

在量子校准基准测试中，LFM2.5-24B-A2B的表现超过了Qwen 3.6-35B-A3B。对手的激活参数是3B，比它的2B更多。

它在实验图表分析能力上展现出优势。但对比最新的Qwen 3.8，它仍然略逊一筹。

这个结果被概括成一句话：24B总参数，2B激活参数，比Qwen3.6-35B-A3B强，但是肯定比不上Qwen3.8。

它被设计来做什么

LFM2.5-24B-A2B的定位是量子计算研究中的重复性实验自动分析。具体处理的图表类型包括：

  • Rabi 振荡
  • Ramsey 条纹
  • T1 放松图

这些都是量子校准实验里反复出现的分析对象。把这类重复性任务交给模型自动解读，是它瞄准的适用场景。

一个24B总参数、2B激活参数的模型，选择在量子校准这个垂直方向上对标更大激活参数的通用模型，并且拿到了部分胜场。这个取舍本身，比单纯的跑分更有信息量。