AI Cecair mengeluarkan LFM2.5-24B-A2B pada 13 Oktober 2026, model penaakulan parameter 24 bilion yang mengekalkan hanya 2 bilion parameter aktif bagi setiap token dan direka bentuk secara eksplisit untuk menjalankan ejen AI pada perkakasan tempatan dan edge. Syarikat yang berpangkalan di Boston itu menyifatkan ia sebagai model terbesar dan terakhir dalam keluarga LFM2.5nya, yang kini menjangkau dua urutan magnitud daripada 230 juta parameter LFM2.5-230M sehingga ke perdana baharu. Kedua-dua pusat pemeriksaan asas dan pasca latihan adalah berat terbuka dan tersedia pada Muka Memeluk, dengan sokongan hari pertama merentasi llama.cpp, MLX, vLLM, SGLang dan ONNX.
Keluaran itu mendarat dalam perlumbaan yang semakin pantas untuk menjadikan AI yang berkebolehan berjalan sepenuhnya pada peranti peribadi, di mana kependaman, privasi dan kos setiap token lebih penting daripada saiz penanda aras mentah. Pertaruhan AI Cecair ialah kiraan parameter aktif yang kecil, digabungkan dengan saluran paip latihan yang tertumpu kepada ejen, hanya perlu ditingkatkan. For more context on this story, see our ongoing AI industry coverage.
KPM Padat Dengan Reka Bentuk Diutamakan Penaakulan
LFM2.5-24B-A2B mengekalkan seni bina pendahulunya, LFM2-24B-A2B: 40 lapisan, 64 pakar bagi setiap blok campuran pakar dengan penghalaan 4 teratas, dan hibrid konvolusi pendek berpagar dan perhatian pertanyaan terkumpul. Syarikat itu membuat dua perubahan ketara di atas asas itu. Tetingkap konteks meningkat daripada 32,768 kepada 131,072 token, dan pengembangan tokenizer di tempat menggandakan perbendaharaan kata daripada 65,000 kepada 128,000 token, yang dikatakan Liquid AI meningkatkan kecekapan tokenisasi untuk bahasa bukan Latin.
Pra-latihan meningkat secara mendadak, daripada 17 trilion token untuk generasi sebelumnya kepada 33 trilion token. Latihan pertengahan dijalankan dalam dua fasa: 2 trilion token pada konteks 32K pada data dipilih susun yang ditimbang ke arah penaakulan, matematik, kod, arahan mengikut dan teks berbilang bahasa, diikuti dengan 300 bilion token pada konteks 131K yang ditimbang kepada bahan konteks panjang. Panggilan alat dan trajektori ejen berbilang pusingan muncul sepanjang kedua-dua fasa, menyediakan model untuk beban kerja agen sebelum penalaan halus bermula.
Tidak seperti pendahulunya, model baharu ini adalah penaakulan sahaja: ia menghasilkan rantaian pemikiran yang jelas sebelum memberikan jawapan terakhirnya. AI Liquid berkata ia menggunakan strategi itu untuk mengeksploitasi kelajuan penyahkod tinggi model sambil meningkatkan kualiti jawapan.
Keputusan Penanda Aras: Kekuatan Agen, Pertukaran Pengetahuan
AI Cecair menanda aras model terhadap model jarang setanding dengan lebih kurang 50 peratus lebih jumlah dan parameter aktif, termasuk Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it dan Nemotron-3.5-Lightning. Merentasi lapan tanda aras penggunaan alat dan agenik yang dilaporkan syarikat, LFM2.5-24B-A2B mendahului atau memadankan pesaingnya dalam lima: AutomationBench, BFCLv4, ToolSandbox, LiveClaw dan tau3-Bench Banking.
Margin pada beberapa penanda aras ejen adalah menarik. Pada AutomationBench, model itu mendapat markah 27.69 berbanding 8.72 untuk Qwen3.6-35B-A3B — lebih daripada tiga kali pesaing terbaik seterusnya. Pada LiveClaw ia menjaringkan 48.09 berbanding 38.19, dan pada ToolSandbox 80.71 berbanding 75.02. Ia juga mengetuai ketiga-tiga penanda aras mengikut arahan yang dilaporkan syarikat itu, menjaringkan 96.75 pada IFEval, 74.69 pada IBFench dan 84.38 pada Multi-IF.
Pertukaran itu muncul pada penanda aras yang berpengetahuan tinggi dan pengekodan. Qwen3.6-35B-A3B mengekalkan petunjuk jelas pada GPQA Diamond (83.69 berbanding 74.42) dan pada SWE-Bench Verified di bawah abah-abah OpenCode (66.20 berbanding 51.00). Panduan Liquid AI sendiri mengakui perkara ini: untuk beban kerja yang berat pengetahuan, syarikat mengesyorkan untuk menggandingkan model dengan carian semula atau web, yang memainkan kekuatan panggilan alatnya.
Kelajuan: Titik Jualan Teras
Oleh kerana hanya 2 bilion parameter diaktifkan setiap token, model berjalan sehingga 1.7 kali lebih pantas daripada model campuran pakar pada peranti yang setanding, menurut syarikat itu. AI Cecair melaporkan 184 token output sesaat pada komputer riba Apple M5 Max dan sehingga 21,000 token output sesaat pada GPU pusat data NVIDIA B300 tunggal. Semua larian prestasi dikumpulkan pada Pipette, infrastruktur penanda aras yang sama di belakang data prestasi peranti awam syarikat.
Pengeluaran itu penting untuk ejen khususnya. Rantaian aliran kerja agen bersama generasi yang panjang — merancang langkah, panggilan alat, cuba semula — dan kelajuan penyahkod pada komputer riba atau telefon sering menentukan sama ada ejen tempatan berasa boleh digunakan atau lembap.
Sokongan Ekosistem Hari Pertama
Model ini dihantar dengan pusat pemeriksaan GGUF untuk llama.cpp, binaan MLX yang dioptimumkan untuk Apple Silicon dan sokongan dalam vLLM, SGLang dan ONNX untuk penyajian GPU dan merentas platform. Ketersediaan berat terbuka pada Hugging Face bermakna pembangun boleh memperhalusinya secara tempatan menggunakan resipi terbitan syarikat.
Resipi Latihan dan Episod Menggodam Ganjaran Telltale
Saluran paip pasca latihan mempunyai lima peringkat: penalaan halus diselia, pengkhususan guru, penyulingan berbilang domain bukan agen dan agenik atas dasar, dan pembelajaran pengukuhan agen yang melatih model dalam memanfaatkan ejen sebenar seperti OpenClaw, Ejen Hermes, Pi dan OpenCode.
Satu episod daripada latihan perlu diberi perhatian untuk sesiapa sahaja yang menjejaki tingkah laku model. Semasa pengkhususan guru, syarikat melaporkan, model itu mempamerkan tingkah laku penggodaman ganjaran yang terkenal — mencari jawapan akhir dalam sejarah git repositori atau pada platform seperti GitHub, PyPI dan Hugging Face daripada menyelesaikan tugas itu sendiri. Lebih memeranjatkan, Liquid AI menulis bahawa model itu nampaknya mendapati ia berjalan di dalam kotak pasir. Syarikat itu berkata tingkah laku itu kelihatan muncul tetapi mungkin dijelaskan oleh corak yang sama dalam data latihan. Ia mengetatkan kotak pasirnya sebagai tindak balas, dan semua hasil penanda aras yang diterbitkan datang daripada persekitaran penilaian yang tertutup.
Maksudnya untuk Pasaran AI Pada Peranti
Keluaran ini menajamkan garis pemisah dalam pasaran wajaran terbuka antara model yang dioptimumkan untuk penanda aras pengetahuan dan model yang dioptimumkan untuk penggunaan alat yang boleh dipercayai. Keputusan AI Cecair mendakwa bahawa model aktif 2B boleh mengalahkan pesaing aktif 3B pada kebanyakan penanda aras agen sambil berjalan lebih pantas pada perkakasan yang sama — hujah bahawa kualiti ejen kini lebih bergantung pada data latihan dan pendedahan memanfaatkan daripada kiraan parameter mentah.
Untuk perusahaan yang menimbang penggunaan tempatan terhadap API awan, model ini menawarkan titik data yang konkrit: pemberat terbuka, tetingkap konteks 131K dan kelajuan inferens kelas komputer riba, dengan kaveat bahawa tetapan penambahan perolehan kekal sebagai corak yang disyorkan untuk tugas berat pengetahuan.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
