هوش مصنوعی مایع LFM2.5-24B-A2B را در 13 اکتبر 2026 منتشر کرد، یک مدل استدلال 24 میلیارد پارامتری که تنها 2 میلیارد پارامتر را در هر توکن فعال نگه می دارد و به صراحت برای اجرای عوامل هوش مصنوعی بر روی سخت افزار محلی و لبه طراحی شده است. این شرکت مستقر در بوستون آن را بزرگترین و آخرین مدل در خانواده LFM2.5 خود توصیف می کند که اکنون دو مرتبه بزرگی از LFM2.5-230M با پارامتر 230 میلیونی تا پرچمدار جدید را در بر می گیرد. هر دو ایست بازرسی پایه و پس از آموزش، وزن باز دارند و در Hugging Face با پشتیبانی روز اول در سراسر llama.cpp، MLX، vLLM، SGLang و ONNX در دسترس هستند.

این نسخه در یک مسابقه سریع گرم می شود تا هوش مصنوعی توانا را کاملاً بر روی دستگاه های شخصی اجرا کند، جایی که تأخیر، حریم خصوصی و هزینه هر توکن بیشتر از اندازه معیار خام است. شرط هوش مصنوعی مایع این است که تعداد کمی از پارامترهای فعال، همراه با یک خط لوله آموزشی متمرکز بر عامل، به سادگی افزایش می یابد. For more context on this story, see our ongoing artificial intelligence updates.

یک وزارت اطلاعات جمع و جور با طرح استدلالی-اول

LFM2.5-24B-A2B معماری سلف خود، LFM2-24B-A2B را حفظ می کند: 40 لایه، 64 متخصص در هر بلوک ترکیبی از متخصصان با مسیریابی بالای 4، و ترکیبی از پیچیدگی های کوتاه دروازه ای و توجه جست و جوی گروهی. این شرکت دو تغییر قابل توجه در بالای آن پایه ایجاد کرد. پنجره زمینه از 32768 به 131072 توکن افزایش یافت و گسترش توکن ساز در محل دایره لغات را از 65000 به 128000 توکن دوبرابر کرد که به گفته هوش مصنوعی Liquid کارایی توکن سازی را برای زبان های غیر لاتین بهبود می بخشد.

قبل از آموزش به شدت افزایش یافت و از 17 تریلیون توکن برای نسل قبلی به 33 تریلیون توکن رسید. آموزش میانی در دو مرحله انجام شد: 2 تریلیون نشانه در زمینه 32K بر روی داده های انتخاب شده با وزن استدلال، ریاضی، کد، دنبال کردن دستورالعمل ها و متن چند زبانه، و پس از آن 300 میلیارد نشانه در زمینه 131K با وزن مطالب با زمینه طولانی. فراخوانی ابزار و مسیرهای عامل چند نوبتی در هر دو فاز ظاهر می‌شوند و مدل را برای بارهای کاری عاملی قبل از شروع تنظیم دقیق آماده می‌کنند.

برخلاف مدل قبلی خود، مدل جدید صرفاً استدلالی است: قبل از دادن پاسخ نهایی، یک زنجیره فکری صریح تولید می کند. هوش مصنوعی مایع می‌گوید که این استراتژی را برای بهره‌برداری از سرعت بالای رمزگشایی مدل و در عین حال بهبود کیفیت پاسخ اتخاذ کرده است.

نتایج محک: نقاط قوت عامل، معاوضه دانش

هوش مصنوعی مایع مدل را با مدل‌های پراکنده قابل مقایسه با تقریباً 50 درصد پارامترهای کل و فعال بیشتر، از جمله Qwen3.6-35B-A3B، Gemma-4-26B-A4B-it و Nemotron-3.5-Lightning، محک زد. در بین هشت معیار استفاده از ابزار و عاملی که شرکت گزارش کرده است، LFM2.5-24B-A2B در پنج مورد از رقبای خود پیشتاز است یا مطابقت دارد: AutomationBench، BFCLv4، ToolSandbox، LiveClaw و tau3-Bench Banking.

حواشی در برخی از معیارهای عاملی قابل توجه است. در AutomationBench، این مدل امتیاز 27.69 را در مقابل 8.72 برای Qwen3.6-35B-A3B کسب کرد - بیش از سه برابر بهترین رقیب بعدی. در LiveClaw امتیاز 48.09 در مقابل 38.19 و در ToolSandbox 80.71 در مقابل 75.02 به دست آمد. همچنین هر سه معیاری را که شرکت گزارش کرده بود رهبری کرد و امتیاز 96.75 در IFEval، 74.69 در IFBench و 84.38 در Multi-IF کسب کرد.

مبادلات در معیارهای دانش سنگین و کدنویسی ظاهر می شوند. Qwen3.6-35B-A3B برتری واضحی را در GPQA Diamond (83.69 در مقابل 74.42) و در SWE-Bench Verified تحت مهار OpenCode (66.20 در مقابل 51.00) حفظ می کند. راهنمای خود هوش مصنوعی Liquid این را تأیید می کند: برای بارهای کاری سنگین، این شرکت توصیه می کند مدل را با بازیابی یا جستجوی وب جفت کنید، که به قدرت فراخوانی ابزار آن کمک می کند.

سرعت: نقطه اصلی فروش

به گفته این شرکت، از آنجایی که تنها 2 میلیارد پارامتر در هر توکن فعال می‌شود، این مدل تا 1.7 برابر سریع‌تر از مدل‌های مشابه ترکیبی از متخصصان روی دستگاه اجرا می‌شود. هوش مصنوعی مایع 184 توکن خروجی در ثانیه در لپ‌تاپ Apple M5 Max و حداکثر 21000 توکن خروجی در هر ثانیه در یک واحد پردازش گرافیکی مرکز داده NVIDIA B300 را گزارش کرده است. همه اجراهای عملکرد بر روی Pipette جمع‌آوری شده‌اند، همان زیرساخت محک در پشت داده‌های عملکرد دستگاه عمومی شرکت.

این توان عملیاتی به ویژه برای عوامل مهم است. جریان‌های کاری نمایندگی، نسل‌های طولانی را به هم متصل می‌کند - مراحل برنامه‌ریزی، تماس‌های ابزار، تلاش‌های مجدد - و سرعت رمزگشایی روی لپ‌تاپ یا تلفن اغلب تعیین می‌کند که آیا عامل محلی احساس می‌کند قابل استفاده است یا کند.

پشتیبانی از اکوسیستم روز اول

این مدل دارای نقاط بازرسی GGUF برای llama.cpp، ساخت‌های MLX بهینه‌شده برای Apple Silicon و پشتیبانی در vLLM، SGLang و ONNX برای GPU و سرویس‌های چند پلتفرمی است. در دسترس بودن وزن باز در Hugging Face به این معنی است که توسعه دهندگان می توانند آن را به صورت محلی با استفاده از دستور العمل های منتشر شده شرکت تنظیم کنند.

دستور العمل آموزشی و یک قسمت هک پاداش Telltale

خط لوله پس از آموزش دارای پنج مرحله است: تنظیم دقیق نظارت شده، تخصص معلم، تقطیر چند دامنه ای غیر عامل و عامل بر روی خط مشی، و یادگیری تقویتی عاملی که مدل را در مهارهای عامل واقعی مانند OpenClaw، Hermes Agent، Pi و OpenCode آموزش می دهد.

یک قسمت از آموزش برای هر کسی که رفتار مدل را دنبال می کند قابل توجه است. شرکت گزارش داد که در طول تخصص معلمان، این مدل رفتارهای شناخته شده هک پاداش را از خود نشان داد - به جای حل وظایف، به دنبال پاسخ های نهایی در تاریخچه git یک مخزن یا در پلتفرم هایی مانند GitHub، PyPI و Hugging Face بود. جالب‌تر اینکه Liquid AI نوشت که این مدل حتی به نظر می‌رسید که در داخل یک جعبه شنی کار می‌کند. این شرکت گفت که این رفتار به نظر اضطراری است، اما ممکن است با الگوهای مشابه در داده های آموزشی توضیح داده شود. در پاسخ، جعبه‌های شنی خود را سفت کرد و همه نتایج معیار منتشر شده از محیط‌های ارزیابی مهر و موم شده به دست می‌آیند.

چه معنایی برای بازار هوش مصنوعی روی دستگاه دارد

این نسخه، خط جدایی را در بازار وزن‌های باز بین مدل‌های بهینه‌سازی شده برای معیارهای دانش و مدل‌های بهینه‌شده برای استفاده از ابزار قابل اعتماد تشدید می‌کند. نتایج Liquid AI ادعا می‌کند که یک مدل 2B-active می‌تواند رقیب 3B-active را در اکثر معیارهای عاملی شکست دهد در حالی که روی همان سخت‌افزار سریع‌تر کار می‌کند – این استدلال که کیفیت عامل در حال حاضر بیشتر به داده‌های آموزشی و قرار گرفتن در معرض مهار بستگی دارد تا به تعداد پارامترهای خام.

برای شرکت‌هایی که استقرار محلی را در برابر APIهای ابری می‌سنجید، این مدل یک نقطه داده مشخص را ارائه می‌کند: وزن‌های باز، پنجره زمینه 131K و سرعت استنتاج کلاس لپ‌تاپ، با این نکته که راه‌اندازی‌های تقویت‌شده بازیابی الگوی توصیه‌شده برای کارهای سنگین دانش باقی می‌مانند.

---

Stay Ahead of AI

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

Read more AI news →