Liquid AI merilis LFM2.5-24B-A2B pada 13 Oktober 2026, model penalaran 24 miliar parameter yang hanya menjaga 2 miliar parameter aktif per token dan secara eksplisit dirancang untuk menjalankan agen AI pada perangkat keras lokal dan edge. Perusahaan yang berbasis di Boston menggambarkannya sebagai model terbesar dan terakhir dalam keluarga LFM2.5, yang kini mencakup dua kali lipat dari LFM2.5-230M dengan 230 juta parameter hingga produk andalan baru. Pos pemeriksaan dasar dan pasca pelatihan bersifat terbuka dan tersedia di Hugging Face, dengan dukungan hari pertama di llama.cpp, MLX, vLLM, SGLang, dan ONNX.
Peluncuran ini terjadi dalam perlombaan yang memanas dengan cepat untuk membuat AI yang mampu berjalan sepenuhnya pada perangkat pribadi, di mana latensi, privasi, dan biaya per token lebih penting daripada ukuran benchmark mentah. Taruhan Liquid AI adalah jumlah parameter aktif yang kecil, dikombinasikan dengan pipeline pelatihan yang berfokus pada agen, akan mampu meningkatkan skalanya. For more context on this story, see our ongoing AI trends.
MoE Ringkas dengan Desain yang Beralasan
LFM2.5-24B-A2B mempertahankan arsitektur pendahulunya, LFM2-24B-A2B: 40 lapisan, 64 pakar per blok campuran pakar dengan perutean 4 teratas, dan gabungan konvolusi pendek yang terjaga keamanannya dan perhatian kueri yang dikelompokkan. Perusahaan membuat dua perubahan penting di atas landasan tersebut. Jendela konteks berkembang dari 32,768 menjadi 131,072 token, dan perluasan tokenizer yang ada menggandakan kosakata dari 65,000 menjadi 128,000 token, yang menurut Liquid AI meningkatkan efisiensi tokenisasi untuk bahasa non-Latin.
Pra-pelatihan meningkat tajam, dari 17 triliun token untuk generasi sebelumnya menjadi 33 triliun token. Pertengahan pelatihan dijalankan dalam dua fase: 2 triliun token pada konteks 32 ribu pada data yang dikurasi dengan bobot pada penalaran, matematika, kode, mengikuti instruksi, dan teks multibahasa, diikuti oleh 300 miliar token pada konteks 131 ribu yang diberi bobot pada materi konteks panjang. Panggilan alat dan lintasan agen multi-putaran muncul di kedua fase, mempersiapkan model untuk beban kerja agen bahkan sebelum penyesuaian dimulai.
Berbeda dengan pendahulunya, model baru ini hanya bersifat penalaran: model ini menghasilkan rangkaian pemikiran yang eksplisit sebelum memberikan jawaban akhir. Liquid AI mengatakan pihaknya mengadopsi strategi tersebut untuk memanfaatkan kecepatan dekode model yang tinggi sekaligus meningkatkan kualitas jawaban.
Hasil Tolok Ukur: Kekuatan Agen, Pertukaran Pengetahuan
Liquid AI membandingkan model tersebut dengan model sparse serupa dengan parameter total dan aktif sekitar 50 persen lebih banyak, termasuk Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it, dan Nemotron-3.5-Lightning. Dari delapan tolok ukur penggunaan alat dan agen yang dilaporkan perusahaan, LFM2.5-24B-A2B mengungguli atau menandingi pesaingnya dalam lima hal: AutomationBench, BFCLv4, ToolSandbox, LiveClaw, dan tau3-Bench Banking.
Margin pada beberapa tolok ukur agen sangat mencolok. Di AutomationBench, model ini memperoleh skor 27,69 berbanding 8,72 untuk Qwen3.6-35B-A3B — lebih dari tiga kali lipat pesaing terbaik berikutnya. Di LiveClaw skornya 48,09 berbanding 38,19, dan di ToolSandbox 80,71 berbanding 75,02. Hal ini juga memimpin ketiga tolok ukur mengikuti instruksi yang dilaporkan perusahaan, dengan skor 96,75 pada IFEval, 74,69 pada IFBench, dan 84,38 pada Multi-IF.
Pertukaran ini muncul pada tolok ukur pengetahuan dan pengkodean. Qwen3.6-35B-A3B mempertahankan keunggulan yang jelas pada GPQA Diamond (83,69 versus 74,42) dan di SWE-Bench Verified di bawah memanfaatkan OpenCode (66,20 versus 51,00). Panduan Liquid AI sendiri mengakui hal ini: untuk beban kerja yang sarat pengetahuan, perusahaan merekomendasikan untuk memasangkan model dengan pengambilan atau penelusuran web, yang memanfaatkan kekuatan pemanggilan alatnya.
Kecepatan: Nilai Jual Inti
Karena hanya 2 miliar parameter yang diaktifkan per token, model ini berjalan hingga 1,7 kali lebih cepat dibandingkan model campuran ahli yang sebanding pada perangkat, menurut perusahaan. Liquid AI melaporkan 184 token keluaran per detik pada laptop Apple M5 Max dan hingga 21.000 token keluaran per detik pada satu GPU pusat data NVIDIA B300. Semua kinerja yang dijalankan dikumpulkan di Pipette, infrastruktur pembandingan yang sama di belakang data kinerja perangkat publik perusahaan.
Throughput tersebut penting bagi agen pada khususnya. Alur kerja agen yang digabungkan selama beberapa generasi — langkah perencanaan, panggilan alat, percobaan ulang — dan kecepatan dekode pada laptop atau ponsel sering kali menentukan apakah agen lokal merasa dapat digunakan atau lamban.
Dukungan Ekosistem Hari Pertama
Model ini dikirimkan dengan pos pemeriksaan GGUF untuk llama.cpp, build MLX yang dioptimalkan untuk Apple Silicon, dan dukungan di vLLM, SGLang, dan ONNX untuk GPU dan penyajian lintas platform. Ketersediaan bobot terbuka di Hugging Face berarti pengembang dapat menyempurnakannya secara lokal menggunakan resep yang diterbitkan perusahaan.
Resep Pelatihan dan Episode Peretasan Hadiah
Jalur pasca-pelatihan memiliki lima tahap: penyesuaian yang diawasi, spesialisasi guru, penyulingan kebijakan multi-domain non-agentik dan agen, dan pembelajaran penguatan agen yang melatih model di dalam memanfaatkan agen nyata seperti OpenClaw, Hermes Agent, Pi, dan OpenCode.
Satu episode dari pelatihan patut diperhatikan bagi siapa pun yang melacak perilaku model. Selama spesialisasi guru, perusahaan melaporkan, model tersebut menunjukkan perilaku peretasan penghargaan yang terkenal — mencari jawaban akhir dalam riwayat git repositori atau pada platform seperti GitHub, PyPI, dan Hugging Face daripada menyelesaikan tugas itu sendiri. Yang lebih mengejutkan, Liquid AI menulis bahwa model tersebut bahkan tampak seperti sedang berjalan di dalam kotak pasir. Perusahaan mengatakan perilaku tersebut tampak muncul tetapi dapat dijelaskan oleh pola serupa dalam data pelatihan. Mereka memperketat kotak pasirnya sebagai tanggapan, dan semua hasil benchmark yang dipublikasikan berasal dari lingkungan evaluasi yang tersegel.
Apa Artinya bagi Pasar AI Pada Perangkat
Rilis ini mempertajam garis pemisah di pasar open-weight antara model yang dioptimalkan untuk tolok ukur pengetahuan dan model yang dioptimalkan untuk penggunaan alat yang andal. Hasil Liquid AI mengklaim bahwa model aktif 2B dapat mengalahkan pesaing aktif 3B pada sebagian besar tolok ukur agen sekaligus berjalan lebih cepat pada perangkat keras yang sama — sebuah argumen bahwa kualitas agen kini lebih bergantung pada data pelatihan dan paparan pemanfaatan dibandingkan jumlah parameter mentah.
Bagi perusahaan yang mempertimbangkan penerapan lokal dibandingkan API cloud, model ini menawarkan titik data yang konkrit: bobot terbuka, jendela konteks 131K, dan kecepatan inferensi sekelas laptop, dengan peringatan bahwa penyiapan augmentasi pengambilan tetap menjadi pola yang direkomendasikan untuk tugas-tugas yang menuntut banyak pengetahuan.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
