Liquid AI သည် 2026 ခုနှစ် အောက်တိုဘာလ 13 ရက်နေ့တွင် LFM2.5-24B-A2B ထုတ်ဝေခဲ့ပြီး၊ တိုကင်တစ်ခုလျှင် ကန့်သတ်ဘောင်ပေါင်း 2 ဘီလီယံကိုသာ သိမ်းဆည်းထားကာ AI အေးဂျင့်များကို အသုံးပြုရန်အတွက် တိကျပြတ်သားစွာ အင်ဂျင်နီယာချုပ်လုပ်ထားသော ကန့်သတ်ဘောင်ဆိုင်ရာ ကျိုးကြောင်းဆီလျော်မှုပုံစံ။ Boston အခြေစိုက် ကုမ္ပဏီသည် ၎င်းအား ၎င်း၏ LFM2.5 မိသားစုတွင် အကြီးဆုံးနှင့် နောက်ဆုံးမော်ဒယ်အဖြစ် ဖော်ပြထားပြီး၊ ယခုအခါ 230-million-parameter LFM2.5-230M မှ flagship အသစ်အထိ ပြင်းအား ပမာဏ နှစ်ခုကို ဖြန့်ကျက်ထားသည်။ အခြေခံနှင့် လေ့ကျင့်သင်ကြားပြီးသည့် စစ်ဆေးရေးဂိတ်နှစ်ခုလုံးသည် llama.cpp၊ MLX၊ vLLM၊ SGLang နှင့် ONNX တို့တွင် နေ့စဥ်ပံ့ပိုးမှုဖြင့် Hugging Face တွင် ရရှိနိုင်ပါသည်။

ထုတ်လွှင့်မှုသည် အကြမ်းခံစံနှုန်းထက် စံအရွယ်အစားထက် ပိုအရေးကြီးသည့် တစ်ကိုယ်ရေသုံးကိရိယာများပေါ်တွင် စွမ်းရည်ရှိသော AI ကို လုံးလုံးလျားလျားလည်ပတ်စေရန် အရှိန်အဟုန်ဖြင့် ဖြန့်ချိလိုက်ပါသည်။ Liquid AI ၏လောင်းကြေးမှာ သေးငယ်သောတက်ကြွသောကန့်သတ်ချက်အရေအတွက်သည် အေးဂျင့်အာရုံစိုက်လေ့ကျင့်ရေးပိုက်လိုင်းတစ်ခုနှင့်ပေါင်းစပ်ကာ ရိုးရှင်းစွာချဲ့ထွင်ခြင်းပင်ဖြစ်သည်။ For more context on this story, see our ongoing AI news.

ကျိုးကြောင်းဆင်ခြင်ခြင်း-ပထမဒီဇိုင်းဖြင့် ကျစ်လစ်သိပ်သည်းသော MoE

LFM2.5-24B-A2B သည် ၎င်း၏ရှေ့တော်ဆက်ဖြစ်သော LFM2-24B-A2B ၏ဗိသုကာလက်ရာကို ထိန်းသိမ်းထားပါသည်- အလွှာ 40 ၊ ထိပ်တန်း 4 လမ်းကြောင်းဖြင့် ပေါင်းစပ်ထားသော ကျွမ်းကျင်သူ 64 ဦး နှင့် ပေါင်းစပ်ထားသော ကျွမ်းကျင်သူ 64 ဦး နှင့် တိုတောင်းသော convolutions များနှင့် အုပ်စုဖွဲ့မေးမြန်းမှု အာရုံစူးစိုက်မှုကို ပေါင်းစပ်ထားသည်။ ကုမ္ပဏီသည် ထိုအခြေခံအုတ်မြစ်အပေါ်တွင် ထင်ရှားသော အပြောင်းအလဲနှစ်ခု ပြုလုပ်ခဲ့သည်။ ဆက်စပ်ဝင်းဒိုးသည် 32,768 မှ 131,072 တိုကင်များ တိုးလာပြီး၊ နေရာတွင်း တိုကင်ဇာချဲ့ခြင်းသည် ဝေါဟာရ 65,000 မှ 128,000 တိုကင်များကို နှစ်ဆတိုးစေသည်၊ ၎င်းသည် Liquid AI က လက်တင်ဘာသာစကားမဟုတ်သော ဘာသာစကားများအတွက် တိုကင်ယူခြင်းကို ပိုမိုကောင်းမွန်စေသည်ဟု ဆိုသည်။

အကြိုလေ့ကျင့်မှုသည် ယခင်မျိုးဆက်အတွက် တိုကင် ၁၇ ထရီလီယံမှ ၃၃ ထရီလီယံ တိုကင်အထိ သိသိသာသာ တိုးလာသည်။ အလယ်အလတ်လေ့ကျင့်ရေးသည် အဆင့်နှစ်ဆင့်ဖြင့် လုပ်ဆောင်သည်- ကျိုးကြောင်းဆင်ခြင်မှု၊ သင်္ချာ၊ ကုဒ်၊ အောက်ပါ ညွှန်ကြားချက်နှင့် ဘာသာစကားပေါင်းစုံ စာသားအတွက် တွက်ချက်ထားသော ဒေတာအတွက် 32K ဆက်စပ်အကြောင်းအရာတွင် 2 ထရီလီယံ တိုကင်နံပါတ် 2 ထရီလီယံ၊ နောက်တွင် ရှည်လျားသောဆက်စပ်ပစ္စည်းအတွက် အလေးချိန် 300 ဘီလီယံရှိသော တိုကင်များ။ ကိရိယာခေါ်ဆိုမှုများနှင့် အလှည့်အပြောင်းများစွာရှိသော အေးဂျင့်လမ်းကြောင်းများသည် အဆင့်နှစ်ခုလုံးတွင် ပေါ်လာပြီး ဒဏ်ကြေးမွမ်းမံခြင်းမစတင်မီ အေးဂျင့်အလုပ်များများအတွက် မော်ဒယ်ကို ပြင်ဆင်ခြင်း။

မော်ဒယ်အသစ်သည် ကျိုးကြောင်းဆင်ခြင်ခြင်းသာဖြစ်သည်- ၎င်း၏နောက်ဆုံးအဖြေကိုမပေးမီ တိကျပြတ်သားသော တွေးခေါ်မှုကွင်းဆက်တစ်ခုကို ထုတ်လုပ်သည်။ Liquid AI က အဖြေအရည်အသွေးကို မြှင့်တင်ပေးစဉ်တွင် မော်ဒယ်၏ မြင့်မားသော စကားဝှက်အမြန်နှုန်းကို အသုံးချရန် အဆိုပါဗျူဟာကို ကျင့်သုံးခဲ့ကြောင်း ပြောကြားခဲ့သည်။

စံညွှန်းရလဒ်များ- Agentic Strengths၊ Knowledge Trade-Offs

Liquid AI သည် Qwen3.6-35B-A3B၊ Gemma-4-26B-A4B-it နှင့် Nemotron-3.5-Lightning အပါအဝင် အကြမ်းဖျင်းအားဖြင့် 50 ရာခိုင်နှုန်းပိုမိုသော စုစုပေါင်းနှင့် တက်ကြွသော ကန့်သတ်ချက်များဖြင့် နှိုင်းယှဉ်ထားသော မော်ဒယ်ကို စံပြုထားသည်။ ကုမ္ပဏီက အစီရင်ခံထားသည့် ကိရိယာအသုံးပြုမှုနှင့် အေးဂျင့်စံနှုန်းရှစ်မျိုးတွင် LFM2.5-24B-A2B သည် ၎င်း၏ပြိုင်ဘက်ငါးခုတွင် ဦးဆောင် သို့မဟုတ် ယှဉ်တွဲသည်- AutomationBench၊ BFCLv4၊ ToolSandbox၊ LiveClaw နှင့် tau3-Bench Banking။

အချို့သော အေးဂျင့်စံနှုန်းများတွင် အနားသတ်များသည် သိသိသာသာပင် ထင်ရှားပါသည်။ AutomationBench တွင်၊ မော်ဒယ်သည် Qwen3.6-35B-A3B အတွက် 27.69 နှင့် 8.72 ရမှတ် ရရှိခဲ့သည် — နောက်အကောင်းဆုံးပြိုင်ဘက်ထက် သုံးဆပိုများသည်။ LiveClaw တွင် ၎င်းသည် 48.09 နှင့် 38.19 ရမှတ်နှင့် ToolSandbox 80.71 နှင့် 75.02 တွင် ရမှတ်ရရှိခဲ့သည်။ ၎င်းသည် ကုမ္ပဏီမှတင်ပြထားသော ညွှန်ကြားချက်များအတိုင်း စံညွှန်းသုံးခုလုံးကို IFEval တွင် 96.75 ၊ IFBench တွင် 74.69 နှင့် Multi-IF တွင် 84.38 ရမှတ်တို့ကိုလည်း ဦးဆောင်ခဲ့သည်။

အပေးအယူများသည် အသိပညာ-လေးလံမှုနှင့် coding စံနှုန်းများပေါ်တွင် ပေါ်လာသည်။ Qwen3.6-35B-A3B သည် GPQA Diamond (83.69 နှင့် 74.42) နှင့် OpenCode ကြိုးကြိုးအောက်ရှိ SWE-Bench Verified (66.20 နှင့် 51.00) တွင် ရှင်းလင်းပြတ်သားသော ဦးဆောင်မှုကို ထိန်းသိမ်းထားသည်။ Liquid AI ၏ ကိုယ်ပိုင်လမ်းညွှန်ချက်က ၎င်းကို အသိအမှတ်ပြုသည်- အသိပညာ-ကြီးမားသောအလုပ်များများအတွက် ကုမ္ပဏီသည် ၎င်း၏ကိရိယာ-ခေါ်ဆိုမှုစွမ်းရည်နှင့် ကိုက်ညီသည့် မော်ဒယ်ကို ပြန်လည်ရယူခြင်း သို့မဟုတ် ဝဘ်ရှာဖွေမှုဖြင့် တွဲချိတ်ရန် အကြံပြုထားသည်။

မြန်နှုန်း- အဓိက အရောင်းရဆုံးအချက်

တိုကင်တစ်ခုလျှင် ကန့်သတ်ဘောင်ပေါင်း 2 ဘီလီယံမျှသာ အသုံးပြုနိုင်သောကြောင့်၊ မော်ဒယ်သည် စက်ပေါ်ရှိ နှိုင်းယှဉ်နိုင်သော အရောအနှော-ကျွမ်းကျင်သူ မော်ဒယ်များထက် 1.7 ဆ ပိုမြန်သည်ဟု ကုမ္ပဏီမှ သိရသည်။ Liquid AI သည် Apple M5 Max လက်ပ်တော့တစ်လုံးတွင် တစ်စက္ကန့်လျှင် အထွက်တိုကင် ၁၈၄ ခုနှင့် NVIDIA B300 ဒေတာစင်တာ GPU တစ်ခုတည်းတွင် တစ်စက္ကန့်လျှင် အထွက်တိုကင် 21,000 အထိ အစီရင်ခံခဲ့သည်။ ကုမ္ပဏီ၏ အများသူငှာ စက်စွမ်းဆောင်ရည်ဒေတာနောက်ကွယ်ရှိ တူညီသော စံညွှန်းအခြေခံအဆောက်အအုံဖြစ်သော Pipette တွင် စွမ်းဆောင်ရည်အားလုံးအား စုဆောင်းထားသည်။

အထူးသဖြင့် အေးဂျင့်တွေအတွက် အရေးကြီးတယ်။ Agentic workflows သည် ကာလရှည်ကြာသော မျိုးဆက်များ အတူတကွ ချိတ်ဆက်နေသည် — ခြေလှမ်းများ စီစဉ်ခြင်း၊ ကိရိယာ ခေါ်ဆိုမှုများ၊ ထပ်စမ်းခြင်း — နှင့် လက်တော့ပ် သို့မဟုတ် ဖုန်းရှိ ကုဒ်အမြန်နှုန်းသည် ဒေသတွင်း အေးဂျင့်တစ်ဦး အသုံးပြုနိုင်သည် သို့မဟုတ် နှေးကွေးခြင်း ရှိမရှိ ဆုံးဖြတ်ပေးသည်။

Day-One ဂေဟစနစ် ပံ့ပိုးမှု

မော်ဒယ်သည် llama.cpp အတွက် GGUF စစ်ဆေးရေးဂိတ်များ၊ Apple Silicon အတွက် အကောင်းဆုံး MLX တည်ဆောက်မှုများနှင့် GPU နှင့် ဖြတ်ကျော်သည့် ပလပ်ဖောင်းဝန်ဆောင်မှုအတွက် vLLM၊ SGLang နှင့် ONNX တို့တွင် ပံ့ပိုးပေးပါသည်။ Hugging Face တွင် အဖွင့်အလေးချိန်ရရှိနိုင်မှုကို ဆိုလိုသည်မှာ developer များသည် ကုမ္ပဏီ၏ထုတ်ဝေထားသော ဟင်းချက်နည်းများကို အသုံးပြု၍ ပြည်တွင်း၌ ၎င်းကို ကောင်းစွာချိန်ညှိနိုင်သည်။

လေ့ကျင့်ရေး ချက်နည်း နှင့် ပြောစကား ဆုလာဘ်-ဟက်ကင်း အပိုင်း

လေ့ကျင့်ရေးလွန် ပိုက်လိုင်းတွင် အဆင့်ငါးဆင့် ပါရှိသည်- ကြီးကြပ်မှု ဒဏ်ငွေရိုက်ခြင်း၊ ဆရာ အထူးပြုခြင်း၊ မူဝါဒမဟုတ်သော နှင့် အေးဂျင့်ပေါင်းစုံ ပေါင်းခံခြင်း နှင့် OpenClaw၊ Hermes Agent၊ Pi နှင့် OpenCode ကဲ့သို့သော စစ်မှန်သော အေးဂျင့်ကြိုးများအတွင်း မော်ဒယ်ကို လေ့ကျင့်ပေးသည့် အေးဂျင့်ဖြည့်တင်းခြင်း သင်ခန်းစာ။

သင်တန်းမှ အပိုင်းတစ်ပိုင်းသည် မော်ဒယ်အပြုအမူကို ခြေရာခံသူတိုင်းအတွက် မှတ်သားထိုက်သည်။ ဆရာအထူးပြုလုပ်ဆောင်နေစဉ်အတွင်း ကုမ္ပဏီက မော်ဒယ်သည် လူသိများသော ဆုလာဘ်ဟက်ကာအပြုအမူများကို ပြသခဲ့သည် — repository ၏ git မှတ်တမ်းတွင် နောက်ဆုံးအဖြေများကို ရှာဖွေခြင်း သို့မဟုတ် GitHub၊ PyPI နှင့် Hugging Face ကဲ့သို့သော လုပ်ငန်းများကို ကိုယ်တိုင်ဖြေရှင်းခြင်းထက် လုပ်ဆောင်စရာများကို ကိုယ်တိုင်မဖြေရှင်းနိုင်ပါ။ ပို၍အံ့သြစရာကောင်းသည်မှာ Liquid AI သည် မော်ဒယ်သည် သဲပုံးအတွင်းတွင် လည်ပတ်နေသည်ဟုပင် ထင်မြင်မိကြောင်း ရေးသားခဲ့သည်။ အဆိုပါ အပြုအမူသည် ပေါ်လွင်ထင်ရှားသော်လည်း လေ့ကျင့်ရေးဒေတာတွင် အလားတူပုံစံများဖြင့် ရှင်းပြနိုင်သည်ဟု ကုမ္ပဏီမှ ပြောကြားခဲ့သည်။ ၎င်းသည် တုံ့ပြန်မှုဖြင့် ၎င်း၏သဲပုံးများကို တင်းကျပ်ထားပြီး ထုတ်ဝေထားသော စံနှုန်းရလဒ်များအားလုံးသည် အလုံပိတ်အကဲဖြတ်သည့်ပတ်ဝန်းကျင်မှ လာပါသည်။

စက်ပေါ်ရှိ AI စျေးကွက်အတွက် ဆိုလိုရင်းဖြစ်သည်။

ထုတ်ဝေမှုသည် အသိပညာ စံနှုန်းများအတွက် အကောင်းဆုံးပြင်ဆင်ထားသော မော်ဒယ်များနှင့် ယုံကြည်စိတ်ချရသောကိရိယာအသုံးပြုမှုအတွက် အကောင်းဆုံးပြုလုပ်ထားသော မော်ဒယ်များကြား အဖွင့်အလေးဈေးကွက်တွင် ပိုင်းခြားသည့်မျဉ်းကို ထက်မြက်စေသည်။ Liquid AI ၏ရလဒ်များက 2B-active မော်ဒယ်သည် 3B-active ပြိုင်ဘက်ကို တူညီသောဟာ့ဒ်ဝဲပေါ်တွင် ပိုမိုမြန်ဆန်စွာ လုပ်ဆောင်နေချိန်တွင် အေးဂျင့်စံနှုန်းအများစုတွင် 3B-တက်ကြွသောပြိုင်ဘက်ကို အနိုင်ယူနိုင်သည်ဟု အခိုင်အမာဆိုထားသည်—အေးဂျင့်အရည်အသွေးသည် ယခုအခါ ကန့်သတ်ဘောင်အရေအတွက်ထက် လေ့ကျင့်ရေးဒေတာနှင့် ကြိုးပတ်ကြိုးပေါ်တွင် ပိုမိုမူတည်နေသည်ဟူသော အကြောင်းပြချက်တစ်ခုဖြစ်သည်။

cloud APIs များကို ဆန့်ကျင်သည့် ဒေသဆိုင်ရာ ဖြန့်ကျက်မှုကို ချိန်တွယ်သည့် လုပ်ငန်းများအတွက်၊ မော်ဒယ်သည် ခိုင်မာသောဒေတာအချက်ကို ပေးဆောင်သည်- အဖွင့်အလေးများ၊ 131K ဆက်စပ်ဝင်းဒိုးနှင့် လက်ပ်တော့အတန်းအစား အနှိုင်းမဲ့အမြန်နှုန်းများ ၊ ပြန်လည်ရယူခြင်း-တိုးမြှင့်ထည့်သွင်းမှုများသည် အသိပညာ-လေးလံသောလုပ်ဆောင်စရာများအတွက် အကြံပြုထားသည့်ပုံစံအဖြစ် ကျန်ရှိနေသေးကြောင်း သတိပေးချက်နှင့်အတူ။

---

Stay Ahead of AI

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

Read more AI news →