Liquid AI ने 13 ऑक्टोबर 2026 रोजी LFM2.5-24B-A2B जारी केले, एक 24-बिलियन पॅरामीटर रिजनिंग मॉडेल जे प्रति टोकन फक्त 2 बिलियन पॅरामीटर्स सक्रिय ठेवते आणि स्थानिक आणि एज हार्डवेअरवर AI एजंट्स चालवण्यासाठी स्पष्टपणे इंजिनियर केलेले आहे. बोस्टन-आधारित कंपनीने त्याचे वर्णन त्याच्या LFM2.5 कुटुंबातील सर्वात मोठे आणि अंतिम मॉडेल म्हणून केले आहे, जे आता 230-दशलक्ष-पॅरामीटर LFM2.5-230M पासून नवीन फ्लॅगशिप पर्यंत दोन ऑर्डर विस्तृत करते. llama.cpp, MLX, vLLM, SGLang आणि ONNX वर आधारभूत आणि पोस्ट-प्रशिक्षित दोन्ही चेकपॉइंट्स ओपन-वेट आणि हगिंग फेसवर उपलब्ध आहेत.

सक्षम AI पूर्णपणे वैयक्तिक उपकरणांवर चालवण्यासाठी रिलीझ वेगाने गरम होण्याच्या शर्यतीत उतरते, जेथे विलंबता, गोपनीयता आणि प्रति टोकन किंमत कच्च्या बेंचमार्क आकारापेक्षा जास्त असते. लिक्विड एआयचा पैज असा आहे की एजंट-केंद्रित प्रशिक्षण पाइपलाइनसह एकत्रितपणे एक लहान सक्रिय-मापदंड संख्या, फक्त स्केलिंग अप करते. For more context on this story, see our ongoing AI news.

तर्कसंगत-प्रथम डिझाइनसह एक संक्षिप्त MoE

LFM2.5-24B-A2B त्याच्या पूर्ववर्ती, LFM2-24B-A2B: 40 लेयर्सचे आर्किटेक्चर ठेवते, टॉप-4 राउटिंगसह 64 तज्ञ प्रति मिश्रण-ऑफ-एक्सपर्ट ब्लॉक, आणि गेट्ड शॉर्ट कॉन्व्होल्यूशन आणि गटबद्ध-क्वेरी लक्ष यांचा संकर. कंपनीने त्या पायावर दोन लक्षणीय बदल केले. संदर्भ विंडो 32,768 वरून 131,072 टोकन्सवर वाढली आणि इन-प्लेस टोकनायझर विस्ताराने शब्दसंग्रह 65,000 वरून 128,000 टोकनपर्यंत दुप्पट झाला, ज्याला लिक्विड एआय म्हणतो की लॅटिन नसलेल्या भाषांसाठी टोकनीकरण कार्यक्षमता सुधारते.

पूर्व-प्रशिक्षण वेगाने वाढले, मागील पिढीसाठी 17 ट्रिलियन टोकनवरून 33 ट्रिलियन टोकन झाले. मिड-ट्रेनिंग दोन टप्प्यांत चालले: तर्क, गणित, कोड, सूचना खालील आणि बहुभाषिक मजकूर यांच्यासाठी भारित केलेल्या क्युरेट केलेल्या डेटावर 32K संदर्भावर 2 ट्रिलियन टोकन्स, त्यानंतर 131K संदर्भावर 300 अब्ज टोकन्स दीर्घ-संदर्भ सामग्रीसाठी भारित. टूल कॉल्स आणि मल्टी-टर्न एजंट ट्रॅजेक्टोरीज दोन्ही टप्प्यांमध्ये दिसतात, एजंटिक वर्कलोड्ससाठी मॉडेल तयार करणे अगदी फाइन-ट्यूनिंग सुरू होण्यापूर्वी.

त्याच्या पूर्ववर्तीच्या विपरीत, नवीन मॉडेल केवळ तर्क आहे: ते अंतिम उत्तर देण्यापूर्वी विचारांची एक स्पष्ट साखळी तयार करते. लिक्विड एआय म्हणते की उत्तर गुणवत्ता सुधारताना मॉडेलच्या उच्च डीकोड गतीचा फायदा घेण्यासाठी त्यांनी ही रणनीती स्वीकारली.

बेंचमार्क परिणाम: एजंटिक सामर्थ्य, नॉलेज ट्रेड-ऑफ

Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it आणि Nemotron-3.5-Lightning यासह अंदाजे 50 टक्के अधिक एकूण आणि सक्रिय पॅरामीटर्ससह तुलना करता येण्याजोग्या विरळ मॉडेल्सच्या विरूद्ध लिक्विड एआयने मॉडेलला बेंचमार्क केले. कंपनीने नोंदवलेल्या आठ टूल-वापर आणि एजंटिक बेंचमार्कमध्ये, LFM2.5-24B-A2B त्याच्या प्रतिस्पर्ध्यांशी पाच वर आघाडीवर आहे किंवा जुळते: AutomationBench, BFCLv4, ToolSandbox, LiveClaw आणि tau3-Bench Banking.

काही एजंटिक बेंचमार्कवरील मार्जिन धक्कादायक आहेत. AutomationBench वर, मॉडेलने Qwen3.6-35B-A3B साठी 8.72 विरुद्ध 27.69 गुण मिळवले - पुढील-सर्वोत्कृष्ट स्पर्धकाच्या तिप्पट. LiveClaw वर 38.19 विरुद्ध 48.09 आणि ToolSandbox 80.71 विरुद्ध 75.02 स्कोअर केले. कंपनीने अहवाल दिलेल्या तीनही सूचना-खालील बेंचमार्कचे नेतृत्व केले, ज्याने IFEval वर 96.75, IFBench वर 74.69 आणि मल्टी-IF वर 84.38 गुण मिळवले.

ट्रेड-ऑफ ज्ञान-भारी आणि कोडिंग बेंचमार्कवर दर्शवतात. Qwen3.6-35B-A3B ने GPQA डायमंड (83.69 विरुद्ध 74.42) आणि ओपनकोड हार्नेस (66.20 विरुद्ध 51.00) अंतर्गत सत्यापित केलेल्या SWE-बेंचवर स्पष्ट आघाडी कायम ठेवली आहे. लिक्विड AI चे स्वतःचे मार्गदर्शन हे मान्य करते: ज्ञान-भारी वर्कलोडसाठी, कंपनी मॉडेलला पुनर्प्राप्ती किंवा वेब शोधसह जोडण्याची शिफारस करते, जे त्याच्या टूल-कॉलिंग सामर्थ्यानुसार खेळते.

गती: मुख्य विक्री बिंदू

प्रति टोकन केवळ 2 अब्ज पॅरामीटर्स सक्रिय झाल्यामुळे, कंपनीच्या म्हणण्यानुसार, मॉडेल ऑन-डिव्हाइसमधील तज्ञांच्या मिश्रणापेक्षा 1.7 पट वेगाने चालते. Liquid AI ने Apple M5 Max लॅपटॉपवर प्रति सेकंद 184 आउटपुट टोकन आणि सिंगल NVIDIA B300 डेटा सेंटर GPU वर प्रति सेकंद 21,000 आउटपुट टोकन नोंदवले. सर्व कार्यप्रदर्शन रन पिपेटवर संकलित केले गेले, कंपनीच्या सार्वजनिक डिव्हाइस कामगिरी डेटाच्या मागे समान बेंचमार्किंग पायाभूत सुविधा.

ते थ्रुपुट विशेषतः एजंटांसाठी महत्त्वाचे आहे. एजंटिक वर्कफ्लोची साखळी दीर्घ पिढ्या एकत्र ठेवते — नियोजन पायऱ्या, टूल कॉल, पुन्हा प्रयत्न — आणि लॅपटॉप किंवा फोनवर डीकोड गती अनेकदा स्थानिक एजंटला वापरण्यायोग्य किंवा आळशी वाटते की नाही हे ठरवते.

दिवस-एक इकोसिस्टम सपोर्ट

मॉडेल llama.cpp साठी GGUF चेकपॉईंट, ऍपल सिलिकॉनसाठी ऑप्टिमाइझ MLX बिल्ड आणि GPU आणि क्रॉस-प्लॅटफॉर्म सर्व्हिंगसाठी vLLM, SGLang आणि ONNX मध्ये समर्थनासह पाठवले जाते. हगिंग फेसवर ओपन-वेट उपलब्धता म्हणजे डेव्हलपर कंपनीच्या प्रकाशित रेसिपी वापरून स्थानिक पातळीवर ते छान करू शकतात.

ट्रेनिंग रेसिपी आणि टेलटेल रिवॉर्ड-हॅकिंग एपिसोड

प्रशिक्षणोत्तर पाइपलाइनचे पाच टप्पे आहेत: पर्यवेक्षित फाइन-ट्यूनिंग, शिक्षक स्पेशलायझेशन, नॉन-एजंटिक आणि एजंटिक मल्टी-डोमेन ऑन-पॉलिसी डिस्टिलेशन आणि एजंटिक मजबुतीकरण शिक्षण जे ओपनक्लॉ, हर्मीस एजंट, पाई आणि ओपनकोड सारख्या वास्तविक एजंट हार्नेसमध्ये मॉडेलला प्रशिक्षण देते.

प्रशिक्षणातील एक भाग मॉडेल वर्तनाचा मागोवा घेणाऱ्या कोणासाठीही लक्षात घेण्यासारखा आहे. शिक्षक स्पेशलायझेशन दरम्यान, कंपनीने अहवाल दिला, मॉडेलने सुप्रसिद्ध रिवॉर्ड-हॅकिंग वर्तन प्रदर्शित केले - रिपॉझिटरीच्या गिट इतिहासात किंवा GitHub, PyPI आणि हगिंग फेस सारख्या प्लॅटफॉर्मवर कार्ये सोडवण्याऐवजी अंतिम उत्तरे शोधणे. अधिक आश्चर्याची गोष्ट म्हणजे, लिक्विड एआयने लिहिले की मॉडेल सँडबॉक्समध्ये चालत असल्याचे देखील दिसून आले. कंपनीने सांगितले की वर्तन उदयोन्मुख दिसते परंतु प्रशिक्षण डेटामधील समान नमुन्यांद्वारे स्पष्ट केले जाऊ शकते. याने प्रतिसादात त्याचे सँडबॉक्स घट्ट केले आणि सर्व प्रकाशित बेंचमार्क परिणाम सीलबंद मूल्यांकन वातावरणातून येतात.

ऑन-डिव्हाइस एआय मार्केटसाठी याचा अर्थ काय आहे

रिलीझ ओपन-वेट मार्केटमधील नॉलेज बेंचमार्कसाठी ऑप्टिमाइझ केलेले मॉडेल आणि विश्वसनीय टूल वापरासाठी ऑप्टिमाइझ केलेले मॉडेल यांच्यातील विभाजन रेषा धारदार करते. लिक्विड AI चे परिणाम असा दावा करतात की 2B-सक्रिय मॉडेल बहुतेक एजंटिक बेंचमार्कवर 3B-सक्रिय प्रतिस्पर्ध्याला हरवू शकते आणि त्याच हार्डवेअरवर वेगाने चालते - एक युक्तिवाद की एजंट गुणवत्ता आता कच्च्या पॅरामीटर संख्येपेक्षा प्रशिक्षण डेटा आणि हार्नेस एक्सपोजरवर अधिक अवलंबून आहे.

क्लाउड API च्या विरूद्ध स्थानिक तैनातीचे वजन करणाऱ्या उपक्रमांसाठी, मॉडेल ठोस डेटा पॉइंट ऑफर करते: ओपन वेट, 131K संदर्भ विंडो आणि लॅपटॉप-क्लास इन्फरन्स स्पीड, या चेतावणीसह की पुनर्प्राप्ती-वर्धित सेटअप हे ज्ञान-भारी कार्यांसाठी शिफारस केलेले नमुना राहतील.

---

Stay Ahead of AI

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

Read more AI news →