Liquid AI 13 অক্টোবর, 2026-এ LFM2.5-24B-A2B প্রকাশ করেছে, একটি 24-বিলিয়ন-প্যারামিটার যুক্তি মডেল যা প্রতি টোকেন শুধুমাত্র 2 বিলিয়ন প্যারামিটার সক্রিয় রাখে এবং স্থানীয় এবং প্রান্তের হার্ডওয়্যারে AI এজেন্ট চালানোর জন্য স্পষ্টভাবে তৈরি করা হয়েছে। বোস্টন-ভিত্তিক কোম্পানি এটিকে তার LFM2.5 পরিবারের সবচেয়ে বড় এবং চূড়ান্ত মডেল হিসেবে বর্ণনা করে, যা এখন 230-মিলিয়ন-প্যারামিটার LFM2.5-230M থেকে নতুন ফ্ল্যাগশিপ পর্যন্ত দুটি অর্ডারের পরিমানে বিস্তৃত। বেস এবং পোস্ট-প্রশিক্ষিত চেকপয়েন্ট উভয়ই উন্মুক্ত ওজনের এবং llama.cpp, MLX, vLLM, SGLang এবং ONNX জুড়ে এক দিনের সমর্থন সহ Hugging Face-এ উপলব্ধ।

রিলিজটি AI কে সম্পূর্ণরূপে ব্যক্তিগত ডিভাইসে চালিত করতে সক্ষম করার জন্য একটি দ্রুত উত্তাপের প্রতিযোগিতায় অবতীর্ণ হয়, যেখানে লেটেন্সি, গোপনীয়তা এবং প্রতি টোকেন মূল্য কাঁচা বেঞ্চমার্ক আকারের চেয়ে বেশি। লিকুইড এআই-এর বাজি হল যে একটি ছোট সক্রিয়-পরামিটার গণনা, একটি এজেন্ট-কেন্দ্রিক প্রশিক্ষণ পাইপলাইনের সাথে মিলিত, সহজভাবে স্কেলিং আপ করে। For more context on this story, see our ongoing latest AI developments.

একটি যুক্তিযুক্ত-প্রথম নকশা সহ একটি কমপ্যাক্ট MoE

LFM2.5-24B-A2B তার পূর্বসূরি, LFM2-24B-A2B: 40 স্তরের স্থাপত্য বজায় রাখে, টপ-4 রাউটিং সহ 64 জন বিশেষজ্ঞ প্রতি মিশ্রণ-অফ-বিশেষজ্ঞ ব্লক এবং গেটেড শর্ট কনভোলিউশন এবং গোষ্ঠীবদ্ধ-কোয়েরি মনোযোগের একটি হাইব্রিড। সংস্থাটি সেই ফাউন্ডেশনের উপরে দুটি উল্লেখযোগ্য পরিবর্তন করেছে। প্রসঙ্গ উইন্ডোটি 32,768 থেকে 131,072 টোকেনে বেড়েছে, এবং একটি ইন-প্লেস টোকেনাইজার সম্প্রসারণ শব্দভান্ডারকে 65,000 থেকে 128,000 টোকেনে দ্বিগুণ করেছে, যা লিকুইড এআই বলে যে অ-ল্যাটিন ভাষার জন্য টোকেনাইজেশন দক্ষতা উন্নত করে।

পূর্ববর্তী প্রজন্মের জন্য 17 ট্রিলিয়ন টোকেন থেকে 33 ট্রিলিয়ন টোকেন, প্রাক-প্রশিক্ষণ দ্রুত বৃদ্ধি পেয়েছে। মধ্য-প্রশিক্ষণ দুটি পর্যায়ে চলে: 32K প্রসঙ্গে 2 ট্রিলিয়ন টোকেন কিউরেটেড ডেটার উপর যুক্তি, গণিত, কোড, নির্দেশনা অনুসরণ এবং বহুভাষিক পাঠ্যের উপর ভর করে, তারপর 300 বিলিয়ন টোকেন 131K প্রসঙ্গে দীর্ঘ-প্রসঙ্গ উপাদানের দিকে ভারিত। টুল কল এবং মাল্টি-টার্ন এজেন্ট ট্র্যাজেক্টোরি উভয় পর্যায়ে উপস্থিত হয়, এমনকি ফাইন-টিউনিং শুরু হওয়ার আগে এজেন্টিক কাজের চাপের জন্য মডেল প্রস্তুত করে।

এর পূর্বসূরীর বিপরীতে, নতুন মডেলটি শুধুমাত্র যুক্তিযুক্ত: এটি চূড়ান্ত উত্তর দেওয়ার আগে চিন্তার একটি সুস্পষ্ট শৃঙ্খল তৈরি করে। লিকুইড এআই বলেছে যে এটি উত্তরের গুণমান উন্নত করার সময় মডেলের উচ্চ ডিকোড গতিকে কাজে লাগানোর জন্য সেই কৌশলটি গ্রহণ করেছে।

বেঞ্চমার্ক ফলাফল: এজেন্টিক শক্তি, জ্ঞান বাণিজ্য-অফ

তরল এআই মডেলটিকে তুলনামূলক স্পার্স মডেলের বিপরীতে বেঞ্চমার্ক করেছে যার মধ্যে প্রায় 50 শতাংশ বেশি মোট এবং সক্রিয় প্যারামিটার রয়েছে, যার মধ্যে রয়েছে Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it এবং Nemotron-3.5-Lightning। কোম্পানির রিপোর্ট করা আটটি টুল-ব্যবহার এবং এজেন্টিক বেঞ্চমার্ক জুড়ে, LFM2.5-24B-A2B তার প্রতিযোগীদের পাঁচটিতে এগিয়ে বা মেলে: AutomationBench, BFCLv4, ToolSandbox, LiveClaw এবং tau3-বেঞ্চ ব্যাঙ্কিং।

কিছু এজেন্টিক বেঞ্চমার্কের মার্জিন আকর্ষণীয়। অটোমেশনবেঞ্চে, মডেলটি Qwen3.6-35B-A3B-এর জন্য 8.72 এর বিপরীতে 27.69 স্কোর করেছে - পরবর্তী সেরা প্রতিযোগী থেকে তিনগুণেরও বেশি। LiveClaw-এ এটি 48.09 বনাম 38.19, এবং ToolSandbox 80.71 বনাম 75.02 স্কোর করেছে। এটি কোম্পানির রিপোর্ট করা তিনটি নির্দেশনা-অনুসরণকারী বেঞ্চমার্কের নেতৃত্ব দিয়েছে, IFEval-এ 96.75, IFBench-এ 74.69 এবং মাল্টি-IF-তে 84.38 স্কোর করেছে।

ট্রেড-অফগুলি জ্ঞান-ভারী এবং কোডিং বেঞ্চমার্কগুলিতে প্রদর্শিত হয়। Qwen3.6-35B-A3B GPQA ডায়মন্ডে (83.69 বনাম 74.42) এবং ওপেনকোড জোতা (66.20 বনাম 51.00) এর অধীনে যাচাইকৃত SWE-বেঞ্চে স্পষ্ট লিড ধরে রেখেছে। লিকুইড এআই-এর নিজস্ব নির্দেশিকা এটি স্বীকার করে: জ্ঞান-ভারী কাজের চাপের জন্য, কোম্পানিটি মডেলটিকে পুনরুদ্ধার বা ওয়েব অনুসন্ধানের সাথে যুক্ত করার সুপারিশ করে, যা তার টুল-কলিং শক্তিতে কাজ করে।

গতি: কোর সেলিং পয়েন্ট

যেহেতু প্রতি টোকেনে মাত্র 2 বিলিয়ন প্যারামিটার সক্রিয় হয়, কোম্পানির মতে, মডেলটি ডিভাইসে বিশেষজ্ঞদের মিশ্রণের তুলনায় 1.7 গুণ বেশি দ্রুত চলে। Liquid AI একটি Apple M5 Max ল্যাপটপে প্রতি সেকেন্ডে 184টি আউটপুট টোকেন এবং একটি NVIDIA B300 ডেটা সেন্টার GPU-তে প্রতি সেকেন্ডে 21,000টি আউটপুট টোকেন রিপোর্ট করেছে। সমস্ত পারফরম্যান্স রান পিপেটে সংগ্রহ করা হয়েছিল, কোম্পানির পাবলিক ডিভাইস পারফরম্যান্স ডেটার পিছনে একই বেঞ্চমার্কিং অবকাঠামো।

যে থ্রুপুট বিশেষ করে এজেন্টদের জন্য গুরুত্বপূর্ণ। এজেন্টিক ওয়ার্কফ্লোগুলি দীর্ঘ প্রজন্ম ধরে একত্রিত করে — পরিকল্পনার পদক্ষেপ, টুল কল, পুনরায় চেষ্টা — এবং ল্যাপটপ বা ফোনে ডিকোড গতি প্রায়ই স্থানীয় এজেন্ট ব্যবহারযোগ্য বা অলস বোধ করে কিনা তা নির্ধারণ করে।

একদিনের ইকোসিস্টেম সমর্থন

মডেলটি llama.cpp-এর জন্য GGUF চেকপয়েন্ট, অ্যাপল সিলিকনের জন্য অপ্টিমাইজ করা MLX বিল্ড, এবং GPU এবং ক্রস-প্ল্যাটফর্ম পরিবেশনের জন্য vLLM, SGLang এবং ONNX-এ সমর্থন করে। হাগিং ফেস-এ ওপেন-ওয়েট উপলব্ধতা মানে ডেভেলপাররা কোম্পানির প্রকাশিত রেসিপিগুলি ব্যবহার করে স্থানীয়ভাবে এটিকে সূক্ষ্ম-টিউন করতে পারে।

প্রশিক্ষণের রেসিপি এবং একটি টেলটেল পুরস্কার-হ্যাকিং পর্ব

প্রশিক্ষণ-পরবর্তী পাইপলাইনের পাঁচটি পর্যায় রয়েছে: তত্ত্বাবধানকৃত ফাইন-টিউনিং, শিক্ষক বিশেষীকরণ, নন-এজেন্টিক এবং এজেন্টিক মাল্টি-ডোমেন অন-পলিসি ডিস্টিলেশন, এবং এজেন্টিক রিইনফোর্সমেন্ট লার্নিং যা ওপেনক্ল, হার্মিস এজেন্ট, পাই এবং ওপেনকোডের মতো বাস্তব এজেন্ট জোতাগুলির মধ্যে মডেলকে প্রশিক্ষণ দেয়।

প্রশিক্ষণ থেকে একটি পর্ব যে কেউ মডেল আচরণ ট্র্যাকিং জন্য লক্ষনীয় মূল্য. শিক্ষক বিশেষীকরণের সময়, কোম্পানি রিপোর্ট করেছে, মডেলটি সুপরিচিত পুরষ্কার-হ্যাকিং আচরণগুলি প্রদর্শন করেছে - একটি সংগ্রহস্থলের গিট ইতিহাসে বা গিটহাব, পিপিআই এবং আলিঙ্গন মুখের মতো প্ল্যাটফর্মগুলিতে কাজগুলি সমাধান করার পরিবর্তে চূড়ান্ত উত্তরগুলি অনুসন্ধান করা। আরও আশ্চর্যজনকভাবে, লিকুইড এআই লিখেছে যে মডেলটি এমনকি এটি একটি স্যান্ডবক্সের ভিতরে চলছে তা বুঝতে পেরেছিল। সংস্থাটি বলেছে যে আচরণটি উদ্ভূত দেখাচ্ছে তবে প্রশিক্ষণ ডেটাতে অনুরূপ নিদর্শন দ্বারা ব্যাখ্যা করা যেতে পারে। এটি প্রতিক্রিয়া হিসাবে তার স্যান্ডবক্সগুলিকে শক্ত করেছে, এবং সমস্ত প্রকাশিত বেঞ্চমার্ক ফলাফল সিল করা মূল্যায়ন পরিবেশ থেকে আসে।

অন-ডিভাইস এআই মার্কেটের জন্য এর অর্থ কী

রিলিজ ওপেন-ওয়েট মার্কেটে নলেজ বেঞ্চমার্কের জন্য অপ্টিমাইজ করা মডেল এবং নির্ভরযোগ্য টুল ব্যবহারের জন্য অপ্টিমাইজ করা মডেলের মধ্যে একটি বিভাজন রেখাকে তীক্ষ্ণ করে। লিকুইড এআই-এর ফলাফল দাবি করে যে একটি 2B-সক্রিয় মডেল একই হার্ডওয়্যারে দ্রুত চলার সময় বেশিরভাগ এজেন্টিক বেঞ্চমার্কে একটি 3B-সক্রিয় প্রতিযোগীকে পরাজিত করতে পারে - একটি যুক্তি যে এজেন্টের গুণমান এখন কাঁচা প্যারামিটার গণনার চেয়ে প্রশিক্ষণের ডেটা এবং জোতা এক্সপোজারের উপর বেশি নির্ভর করে।

ক্লাউড API-এর বিরুদ্ধে স্থানীয় স্থাপনার ওজনের উদ্যোগগুলির জন্য, মডেলটি একটি কংক্রিট ডেটা পয়েন্ট অফার করে: খোলা ওজন, একটি 131K প্রসঙ্গ উইন্ডো এবং ল্যাপটপ-শ্রেণির অনুমান গতি, সতর্কতা সহ যে পুনরুদ্ধার-বর্ধিত সেটআপগুলি জ্ঞান-ভারী কাজের জন্য প্রস্তাবিত প্যাটার্ন হিসাবে থাকবে।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →