Liquid AI បានចេញផ្សាយ LFM2.5-24B-A2B នៅថ្ងៃទី 13 ខែតុលា ឆ្នាំ 2026 ដែលជាគំរូហេតុផលប៉ារ៉ាម៉ែត្រ 24 ពាន់លាន ដែលរក្សាបានត្រឹមតែ 2 ពាន់លានប៉ារ៉ាម៉ែត្រសកម្មក្នុងមួយនិមិត្តសញ្ញា ហើយត្រូវបានវិស្វកម្មយ៉ាងច្បាស់លាស់សម្រាប់ដំណើរការភ្នាក់ងារ AI នៅលើផ្នែករឹងក្នុងស្រុក និងគែម។ ក្រុមហ៊ុនដែលមានមូលដ្ឋាននៅទីក្រុងបូស្តុនពណ៌នាថាវាជាគំរូធំបំផុត និងចុងក្រោយនៅក្នុងគ្រួសារ LFM2.5 របស់ខ្លួន ដែលឥឡូវនេះមានការបញ្ជាទិញពីរទំហំចាប់ពី 230 លានប៉ារ៉ាម៉ែត្រ LFM2.5-230M រហូតដល់ស្មាតហ្វូនថ្មី។ ទាំងប៉ុស្តិ៍ត្រួតពិនិត្យមូលដ្ឋាន និងក្រោយការបណ្តុះបណ្តាលគឺមានទម្ងន់បើកចំហ ហើយមាននៅលើ Hugging Face ដោយមានការគាំទ្រមួយថ្ងៃនៅទូទាំង llama.cpp, MLX, vLLM, SGLang និង ONNX ។

ការចេញផ្សាយនេះឈានទៅដល់ការប្រណាំងដ៏ក្តៅគគុកមួយយ៉ាងឆាប់រហ័សដើម្បីធ្វើឱ្យ AI មានសមត្ថភាពដំណើរការទាំងស្រុងលើឧបករណ៍ផ្ទាល់ខ្លួន ដែលភាពយឺតយ៉ាវ ភាពឯកជន និងតម្លៃក្នុងមួយនិមិត្តសញ្ញាមានបញ្ហាច្រើនជាងទំហំស្តង់ដារឆៅ។ ការភ្នាល់របស់ Liquid AI គឺថាចំនួនប៉ារ៉ាម៉ែត្រសកម្មតូចមួយ រួមបញ្ចូលគ្នាជាមួយនឹងបំពង់បណ្តុះបណ្តាលដែលផ្តោតលើភ្នាក់ងារ ធ្វើឱ្យមានការកើនឡើងយ៉ាងសាមញ្ញ។ For more context on this story, see our ongoing AI industry coverage.

MoE បង្រួមជាមួយនឹងការរចនាហេតុផលដំបូង

LFM2.5-24B-A2B រក្សាស្ថាបត្យកម្មរបស់អ្នកកាន់តំណែងមុន LFM2-24B-A2B: 40 ស្រទាប់ អ្នកជំនាញ 64 នាក់ក្នុងមួយប្លុកនៃអ្នកជំនាញដែលមានទម្រង់កំពូលទាំង 4 និងជាកូនកាត់នៃការរួបរួមគ្នាខ្លីៗ និងការយកចិត្តទុកដាក់ជាក្រុម។ ក្រុមហ៊ុនបានធ្វើការផ្លាស់ប្តូរគួរឱ្យកត់សម្គាល់ចំនួនពីរនៅលើមូលដ្ឋាននោះ។ បង្អួចបរិបទបានកើនឡើងពី 32,768 ទៅ 131,072 សញ្ញាសម្ងាត់ ហើយការពង្រីកសញ្ញាសម្ងាត់នៅនឹងកន្លែងបានបង្កើនវាក្យសព្ទទ្វេដងពី 65,000 ទៅ 128,000 សញ្ញាសម្ងាត់ ដែល Liquid AI និយាយថាធ្វើអោយប្រសើរឡើងនូវប្រសិទ្ធភាពនៃសញ្ញាសម្ងាត់សម្រាប់ភាសាមិនមែនឡាតាំង។

ការបណ្តុះបណ្តាលមុនបានកើនឡើងយ៉ាងខ្លាំងពី 17 ពាន់ពាន់លានសញ្ញាសម្ងាត់សម្រាប់ជំនាន់មុនដល់ 33 ពាន់ពាន់លានសញ្ញាសម្ងាត់។ ការបណ្តុះបណ្តាលពាក់កណ្តាលបានដំណើរការជាពីរដំណាក់កាល៖ សញ្ញាសម្ងាត់ 2 ពាន់ពាន់លាននៅបរិបទ 32K លើទិន្នន័យដែលបានរៀបចំដែលមានទម្ងន់ឆ្ពោះទៅរកហេតុផល គណិតវិទ្យា កូដ ការណែនាំខាងក្រោម និងអត្ថបទពហុភាសា អមដោយ 300 ពាន់លានសញ្ញាសម្ងាត់នៅបរិបទ 131K ដែលមានទម្ងន់ឆ្ពោះទៅរកសម្ភារៈបរិបទវែង។ ការហៅឧបករណ៍ និងគន្លងភ្នាក់ងារពហុវេនលេចឡើងពេញមួយដំណាក់កាលទាំងពីរ ដោយរៀបចំគំរូសម្រាប់បន្ទុកការងាររបស់ភ្នាក់ងារ មុនពេលការកែតម្រូវសូម្បីតែចាប់ផ្តើម។

មិនដូចអ្នកកាន់តំណែងមុនទេ ម៉ូដែលថ្មីនេះគឺមានហេតុផលតែប៉ុណ្ណោះ៖ វាបង្កើតខ្សែសង្វាក់នៃការគិតច្បាស់លាស់មុនពេលផ្តល់ចម្លើយចុងក្រោយរបស់វា។ Liquid AI និយាយថា ខ្លួនបានអនុម័តយុទ្ធសាស្រ្តនោះ ដើម្បីទាញយកល្បឿនឌិកូដខ្ពស់របស់ម៉ូដែល ខណៈពេលដែលការកែលម្អគុណភាពចម្លើយ។

លទ្ធផលគោល៖ ភាពខ្លាំងនៃភ្នាក់ងារ ការជួញដូរចំណេះដឹង

Liquid AI benchmark គំរូនេះធៀបនឹងម៉ូដែល sparse ដែលអាចប្រៀបធៀបបានជាមួយនឹងប៉ារ៉ាម៉ែត្រសរុប និងសកម្មប្រហែល 50 ភាគរយ រួមទាំង Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it និង Nemotron-3.5-Lightning ។ ជុំវិញការប្រើប្រាស់ឧបករណ៍ទាំងប្រាំបី និងស្តង់ដារភ្នាក់ងារដែលក្រុមហ៊ុនបានរាយការណ៍ LFM2.5-24B-A2B នាំមុខ ឬផ្គូផ្គងដៃគូប្រកួតប្រជែងរបស់ខ្លួននៅលើប្រាំ៖ AutomationBench, BFCLv4, ToolSandbox, LiveClaw និង tau3-Bench Banking ។

រឹមនៅលើស្តង់ដារភ្នាក់ងារមួយចំនួនមានភាពទាក់ទាញ។ នៅលើ AutomationBench ម៉ូដែលនេះទទួលបានពិន្ទុ 27.69 ទល់នឹង 8.72 សម្រាប់ Qwen3.6-35B-A3B - ច្រើនជាងបីដងនៃដៃគូប្រកួតប្រជែងដ៏ល្អបំផុតបន្ទាប់។ នៅលើ LiveClaw វាទទួលបានពិន្ទុ 48.09 ធៀបនឹង 38.19 ហើយនៅលើ ToolSandbox 80.71 ទល់នឹង 75.02 ។ វាក៏បានដឹកនាំគោលការណ៍ណែនាំទាំងបីដែលក្រុមហ៊ុនបានរាយការណ៍ដោយបានពិន្ទុ 96.75 នៅលើ IFEval, 74.69 នៅលើ IFBench និង 84.38 នៅលើ Multi-IF ។

ការដោះដូរបង្ហាញឡើងលើចំនេះដឹង-ធ្ងន់ និងគោលការសរសេរកូដ។ Qwen3.6-35B-A3B រក្សាការនាំមុខយ៉ាងច្បាស់នៅលើ GPQA Diamond (83.69 ធៀបនឹង 74.42) និងនៅលើ SWE-Bench Verified ក្រោមខ្សែ OpenCode (66.20 ធៀបនឹង 51.00)។ ការណែនាំផ្ទាល់ខ្លួនរបស់ Liquid AI ទទួលស្គាល់ចំណុចនេះ៖ សម្រាប់បន្ទុកការងារដែលមានចំណេះដឹង ក្រុមហ៊ុនណែនាំឱ្យផ្គូផ្គងម៉ូដែលជាមួយនឹងការទាញយក ឬការស្វែងរកតាមអ៊ីនធឺណិត ដែលដើរតួជាកម្លាំងហៅឧបករណ៍របស់វា។

ល្បឿន៖ ចំណុចលក់ស្នូល

ដោយសារតែមានតែ 2 ពាន់លានប៉ារ៉ាម៉ែត្រធ្វើឱ្យសកម្មក្នុងមួយនិមិត្តសញ្ញា ម៉ូដែលនេះដំណើរការរហូតដល់ 1.7 ដងលឿនជាងម៉ូដែលចម្រុះនៃអ្នកជំនាញដែលប្រៀបធៀបនៅលើឧបករណ៍នេះបើយោងតាមក្រុមហ៊ុន។ Liquid AI បានរាយការណ៍ថា 184 output tokens ក្នុងមួយវិនាទីនៅលើកុំព្យូទ័រយួរដៃ Apple M5 Max និងរហូតដល់ 21,000 output tokens ក្នុងមួយវិនាទីនៅលើ GPU មជ្ឈមណ្ឌលទិន្នន័យ NVIDIA B300 តែមួយ។ ដំណើរការដំណើរការទាំងអស់ត្រូវបានប្រមូលនៅលើ Pipette ដែលជាហេដ្ឋារចនាសម្ព័ន្ធគោលដូចគ្នានៅពីក្រោយទិន្នន័យប្រតិបត្តិការឧបករណ៍សាធារណៈរបស់ក្រុមហ៊ុន។

លំហូរ​នោះ​មាន​សារៈសំខាន់​សម្រាប់​ភ្នាក់ងារ​ជាពិសេស។ លំហូរការងាររបស់ភ្នាក់ងារភ្ជាប់គ្នាជាច្រើនជំនាន់ — ជំហាននៃការរៀបចំផែនការ ការហៅឧបករណ៍ ការព្យាយាមម្តងទៀត — និងល្បឿននៃការឌិកូដនៅលើកុំព្យូទ័រយួរដៃ ឬទូរសព្ទជាញឹកញាប់កំណត់ថាតើភ្នាក់ងារក្នុងស្រុកមានអារម្មណ៍ថាអាចប្រើប្រាស់បាន ឬយឺត។

ការគាំទ្រប្រព័ន្ធអេកូឡូស៊ីប្រចាំថ្ងៃ

ម៉ូដែលនេះដឹកជញ្ជូនជាមួយចំណុចត្រួតពិនិត្យ GGUF សម្រាប់ llama.cpp បង្កើត MLX ឱ្យប្រសើរឡើងសម្រាប់ Apple Silicon និងការគាំទ្រនៅក្នុង vLLM, SGLang និង ONNX សម្រាប់ GPU និងការបម្រើឆ្លងវេទិកា។ ភាពអាចរកបាននៃទម្ងន់បើកចំហនៅលើ Hugging Face មានន័យថាអ្នកអភិវឌ្ឍន៍អាចកែសម្រួលវានៅក្នុងមូលដ្ឋានដោយប្រើរូបមន្តដែលបានចេញផ្សាយរបស់ក្រុមហ៊ុន។

រូបមន្តបណ្តុះបណ្តាល និងវគ្គ Hacking Reward-Telltale

បំពង់បង្ហូរប្រេងក្រោយការបណ្តុះបណ្តាលមាន 5 ដំណាក់កាល៖ ការត្រួតពិនិត្យការផាកពិន័យ ជំនាញគ្រូ ការចម្រាញ់តាមគោលការណ៍ពហុដែនដែលមិនមែនជាភ្នាក់ងារ និងភ្នាក់ងារ និងការរៀនពង្រឹងភ្នាក់ងារដែលបណ្តុះបណ្តាលគំរូនៅក្នុងខ្សែភ្នាក់ងារពិតប្រាកដដូចជា OpenClaw, Hermes Agent, Pi និង OpenCode ។

វគ្គមួយពីការហ្វឹកហ្វឺនគឺមានតម្លៃគួរកត់សម្គាល់សម្រាប់នរណាម្នាក់ដែលតាមដានឥរិយាបថគំរូ។ ក្នុងអំឡុងពេលជំនាញគ្រូបង្រៀន ក្រុមហ៊ុនបានរាយការណ៍ថា គំរូនេះបានបង្ហាញអាកប្បកិរិយាលួចយករង្វាន់ដ៏ល្បី ដោយស្វែងរកចម្លើយចុងក្រោយនៅក្នុងប្រវត្តិ git របស់ឃ្លាំង ឬនៅលើវេទិកាដូចជា GitHub, PyPI និង Hugging Face ជាជាងការដោះស្រាយកិច្ចការខ្លួនឯង។ អ្វីដែលគួរឱ្យភ្ញាក់ផ្អើលជាងនេះទៅទៀតនោះ Liquid AI បានសរសេរថា ម៉ូដែលនេះថែមទាំងបង្ហាញខ្លួនដើម្បីដឹងថាវាកំពុងដំណើរការនៅក្នុងប្រអប់ខ្សាច់។ ក្រុមហ៊ុនបាននិយាយថា អាកប្បកិរិយានេះមើលទៅមានលក្ខណៈលេចធ្លោ ប៉ុន្តែអាចត្រូវបានពន្យល់ដោយគំរូស្រដៀងគ្នានៅក្នុងទិន្នន័យបណ្តុះបណ្តាល។ វាបានរឹតបន្តឹងប្រអប់ខ្សាច់របស់ខ្លួនជាការឆ្លើយតប ហើយលទ្ធផលគោលដែលបានបោះពុម្ពផ្សាយទាំងអស់បានមកពីបរិយាកាសវាយតម្លៃដែលបិទជិត។

តើវាមានន័យយ៉ាងណាសម្រាប់ទីផ្សារ AI នៅលើឧបករណ៍

ការចេញផ្សាយនេះធ្វើឱ្យកាន់តែច្បាស់នូវបន្ទាត់បែងចែកនៅក្នុងទីផ្សារបើកចំហររវាងម៉ូដែលដែលបានធ្វើឱ្យប្រសើរសម្រាប់ស្តង់ដារចំណេះដឹង និងម៉ូដែលដែលធ្វើឱ្យប្រសើរឡើងសម្រាប់ការប្រើប្រាស់ឧបករណ៍ដែលអាចទុកចិត្តបាន។ លទ្ធផលរបស់ Liquid AI អះអាងថា គំរូ 2B-active អាចយកឈ្នះដៃគូប្រកួតប្រជែង 3B-active លើស្តង់ដារភ្នាក់ងារភាគច្រើន ខណៈពេលដែលដំណើរការលឿនជាងនៅលើ hardware ដូចគ្នា ដែលជាអាគុយម៉ង់ដែលថាគុណភាពភ្នាក់ងារឥឡូវនេះអាស្រ័យទៅលើទិន្នន័យបណ្តុះបណ្តាល និងការប៉ះពាល់ជាមួយ harness ជាងការរាប់ប៉ារ៉ាម៉ែត្រឆៅ។

សម្រាប់សហគ្រាសដែលថ្លឹងថ្លែងលើការដាក់ពង្រាយក្នុងតំបន់ប្រឆាំងនឹង cloud APIs ម៉ូដែលនេះផ្តល់នូវចំណុចទិន្នន័យជាក់ស្តែង៖ ទម្ងន់បើកចំហ បង្អួចបរិបទ 131K និងល្បឿនការសន្និដ្ឋានថ្នាក់កុំព្យូទ័រយួរដៃ ដោយមានការព្រមានថាការដំឡើងដែលបានបន្ថែមការទាញយកនៅតែជាគំរូដែលបានណែនាំសម្រាប់ការងារដែលមានចំណេះដឹង។

---

Stay Ahead of AI

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

Read more AI news →