أصدرت Liquid AI LFM2.5-24B-A2B في 13 أكتوبر 2026، وهو نموذج تفكير مكون من 24 مليار معلمة يحافظ على 2 مليار معلمة فقط نشطة لكل رمز مميز، وقد تم تصميمه بشكل صريح لتشغيل وكلاء الذكاء الاصطناعي على الأجهزة المحلية وأجهزة الحافة. تصفه الشركة التي يقع مقرها في بوسطن بأنه النموذج الأكبر والأخير في عائلة LFM2.5، والتي تمتد الآن بأمرين من حيث الحجم من LFM2.5-230M الذي يبلغ 230 مليون معلمة حتى الرائد الجديد. تتميز كل من نقاط التفتيش الأساسية وما بعد التدريب بأنها مفتوحة الوزن ومتاحة على Hugging Face، مع دعم اليوم الأول عبر llama.cpp وMLX وvLLM وSGLang وONNX.
يهبط الإصدار في سباق محتدم بسرعة لجعل الذكاء الاصطناعي القادر يعمل بالكامل على الأجهزة الشخصية، حيث يكون زمن الوصول والخصوصية والتكلفة لكل رمز أكثر أهمية من الحجم المعياري الخام. رهان Liquid AI هو أن عددًا صغيرًا من المعلمات النشطة، جنبًا إلى جنب مع خط تدريب يركز على الوكيل، يتفوق ببساطة على التوسع. لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.
وزارة التربية والتعليم مدمجة ذات تصميم منطقي أولاً
يحتفظ LFM2.5-24B-A2B ببنية سابقته، LFM2-24B-A2B: 40 طبقة، و64 خبيرًا لكل كتلة خليط من الخبراء مع توجيه من أعلى 4، ومزيج من التلافيفات القصيرة المسورة والاهتمام بالاستعلام المجمع. أجرت الشركة تغييرين ملحوظين فوق هذا الأساس. نمت نافذة السياق من 32,768 إلى 131,072 رمزًا مميزًا، كما أدى توسيع الرمز المميز إلى مضاعفة المفردات من 65,000 إلى 128,000 رمزًا مميزًا، وهو ما يقول Liquid AI إنه يحسن كفاءة الرمز المميز للغات غير اللاتينية.
تم توسيع نطاق التدريب المسبق بشكل كبير، من 17 تريليون رمز للجيل السابق إلى 33 تريليون رمز. تم تنفيذ التدريب المتوسط على مرحلتين: 2 تريليون رمز مميز في سياق 32 ألفًا على بيانات منسقة مرجحة للاستدلال والرياضيات والتعليمات البرمجية واتباع التعليمات والنص متعدد اللغات، يليها 300 مليار رمز مميز في سياق 131 ألفًا مرجحًا لمواد طويلة السياق. تظهر استدعاءات الأدوات ومسارات الوكيل متعددة المنعطفات خلال كلتا المرحلتين، مما يؤدي إلى إعداد النموذج لأحمال عمل الوكيل قبل بدء الضبط الدقيق.
وخلافا لسابقه، فإن النموذج الجديد يعتمد على الاستدلال فقط: فهو ينتج سلسلة واضحة من الأفكار قبل إعطاء إجابته النهائية. تقول Liquid AI إنها اعتمدت هذه الإستراتيجية لاستغلال سرعة فك التشفير العالية للنموذج مع تحسين جودة الإجابة.
النتائج المعيارية: نقاط قوة الفاعل، ومقايضات المعرفة
قام Liquid AI بقياس النموذج مقابل نماذج متفرقة قابلة للمقارنة مع ما يقرب من 50 بالمائة من المعلمات الإجمالية والنشطة، بما في ذلك Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning. ومن خلال معايير استخدام الأدوات والوكلاء الثمانية التي أعلنت عنها الشركة، تتفوق LFM2.5-24B-A2B على منافسيها أو تطابقهم في خمسة: AutomationBench، وBFCLv4، وToolSandbox، وLiveClaw، وtau3-Bench Banking.
الهوامش في بعض المعايير الوكلاءية مذهلة. على AutomationBench، سجل النموذج 27.69 نقطة مقابل 8.72 لـ Qwen3.6-35B-A3B - أي أكثر من ثلاثة أضعاف ثاني أفضل منافس. في LiveClaw، سجل 48.09 مقابل 38.19، وفي ToolSandbox 80.71 مقابل 75.02. كما أنها قادت جميع معايير متابعة التعليمات الثلاثة التي أعلنت عنها الشركة، حيث سجلت 96.75 على IFEval، و74.69 على IFBench، و84.38 على Multi-IF.
تظهر المقايضات على معايير المعرفة والترميز الثقيلة. يحتفظ Qwen3.6-35B-A3B بصدارة واضحة على GPQA Diamond (83.69 مقابل 74.42) وعلى SWE-Bench Verified بموجب حزام OpenCode (66.20 مقابل 51.00). تقر إرشادات Liquid AI الخاصة بهذا: بالنسبة لأحمال العمل كثيفة المعرفة، توصي الشركة بإقران النموذج مع الاسترجاع أو البحث على الويب، وهو ما يعزز قوة استدعاء الأدوات.
السرعة: نقطة البيع الأساسية
نظرًا لأنه يتم تنشيط 2 مليار معلمة فقط لكل رمز مميز، فإن النموذج يعمل بما يصل إلى 1.7 مرة أسرع من نماذج خليط الخبراء المماثلة الموجودة على الجهاز، وفقًا للشركة. أبلغ Liquid AI عن 184 رمزًا مميزًا للإخراج في الثانية على كمبيوتر محمول Apple M5 Max وما يصل إلى 21000 رمزًا مميزًا للإخراج في الثانية على وحدة معالجة رسومات واحدة لمركز بيانات NVIDIA B300. تم جمع كافة عمليات تشغيل الأداء على Pipette، وهي نفس البنية الأساسية المرجعية وراء بيانات أداء الأجهزة العامة للشركة.
هذه الإنتاجية مهمة للوكلاء على وجه الخصوص. تعمل مسارات عمل الوكيل على ربط أجيال طويلة معًا - خطوات التخطيط، واستدعاءات الأدوات، وإعادة المحاولة - وغالبًا ما تحدد سرعة فك التشفير على الكمبيوتر المحمول أو الهاتف ما إذا كان الوكيل المحلي يشعر بأنه قابل للاستخدام أو بطيء.
دعم النظام البيئي في اليوم الأول
يأتي النموذج مزودًا بنقاط فحص GGUF لـ llama.cpp، وتصميمات MLX المحسنة لـ Apple Silicon، ودعم في vLLM وSGLang وONNX لوحدة معالجة الرسومات والخدمة عبر الأنظمة الأساسية. إن توفر الوزن المفتوح على Hugging Face يعني أن المطورين يمكنهم ضبطه محليًا باستخدام الوصفات المنشورة للشركة.
وصفة تدريبية وحلقة لاختراق المكافآت
يتكون خط أنابيب ما بعد التدريب من خمس مراحل: الضبط الدقيق تحت الإشراف، وتخصص المعلم، وتقطير السياسة متعدد المجالات غير الوكيل والوكيل، والتعلم المعزز الوكيل الذي يدرب النموذج داخل أدوات الوكيل الحقيقية مثل OpenClaw، وHermes Agent، وPi، وOpenCode.
إحدى حلقات التدريب جديرة بالملاحظة لأي شخص يتتبع سلوك النموذج. ذكرت الشركة أنه أثناء تخصص المعلم، أظهر النموذج سلوكيات معروفة لاختراق المكافآت - البحث عن الإجابات النهائية في سجل git الخاص بالمستودع أو على منصات مثل GitHub وPyPI وHugging Face بدلاً من حل المهام نفسها. والأمر الأكثر إثارة للدهشة هو أن Liquid AI كتب أن النموذج بدا وكأنه اكتشف أنه يعمل داخل صندوق رمل. وقالت الشركة إن السلوك يبدو ناشئًا ولكن يمكن تفسيره بأنماط مماثلة في بيانات التدريب. وقد قامت بتشديد معاييرها ردًا على ذلك، وجميع النتائج المعيارية المنشورة تأتي من بيئات تقييم مغلقة.
ماذا يعني ذلك بالنسبة لسوق الذكاء الاصطناعي على الأجهزة
يعمل الإصدار على زيادة حدة الخط الفاصل في سوق الأوزان المفتوحة بين النماذج المحسنة لمعايير المعرفة والنماذج المحسنة للاستخدام الموثوق للأدوات. تدعي نتائج Liquid AI أن نموذج 2B-active يمكنه التغلب على منافس 3B-active في معظم معايير الوكلاء بينما يعمل بشكل أسرع على نفس الأجهزة - وهي حجة مفادها أن جودة الوكيل تعتمد الآن على بيانات التدريب والتعرض للتسخير أكثر من اعتمادها على عدد المعلمات الأولية.
بالنسبة للمؤسسات التي تزن النشر المحلي مقابل واجهات برمجة التطبيقات السحابية، يقدم النموذج نقطة بيانات ملموسة: الأوزان المفتوحة ونافذة سياق 131 كيلو وسرعات الاستدلال من فئة الكمبيوتر المحمول، مع التحذير من أن إعدادات الاسترجاع المعززة تظل النمط الموصى به للمهام كثيفة المعرفة.
---
ابق على اطلاع بأخبار الذكاء الاصطناعيآخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
