Liquid AI heeft op 13 oktober 2026 LFM2.5-24B-A2B uitgebracht, een redeneermodel met 24 miljard parameters dat slechts 2 miljard parameters per token actief houdt en expliciet is ontworpen voor het uitvoeren van AI-agents op lokale en edge-hardware. Het in Boston gevestigde bedrijf beschrijft het als het grootste en laatste model in zijn LFM2.5-familie, die nu twee ordes van grootte omvat, van de LFM2.5-230M met 230 miljoen parameters tot aan het nieuwe vlaggenschip. Zowel de basis- als de post-getrainde checkpoints zijn open-weight en beschikbaar op Hugging Face, met ondersteuning vanaf dag één via llama.cpp, MLX, vLLM, SGLang en ONNX.
De release belandt in een snel verhitte race om capabele AI volledig op persoonlijke apparaten te laten draaien, waarbij latentie, privacy en kosten per token belangrijker zijn dan de ruwe benchmarkgrootte. De weddenschap van Liquid AI is dat een klein aantal actieve parameters, gecombineerd met een agentgerichte trainingspijplijn, beter is dan simpelweg opschalen. Voor meer context over dit verhaal, zie ons laatste AI-ontwikkelingen.
Een compacte MoE met een op redenering gericht ontwerp
LFM2.5-24B-A2B behoudt de architectuur van zijn voorganger, LFM2-24B-A2B: 40 lagen, 64 experts per mengsel van experts met top-4-routering, en een hybride van gated korte convoluties en gegroepeerde vraagaandacht. Het bedrijf heeft bovenop die basis twee opmerkelijke wijzigingen aangebracht. Het contextvenster groeide van 32.768 naar 131.072 tokens, en een interne tokenizer-uitbreiding verdubbelde de woordenschat van 65.000 naar 128.000 tokens, wat volgens Liquid AI de tokenisatie-efficiëntie voor niet-Latijnse talen verbetert.
De pre-training is sterk opgeschaald, van 17 biljoen tokens voor de vorige generatie naar 33 biljoen tokens. De mid-training verliep in twee fasen: 2 biljoen tokens met een context van 32K op samengestelde gegevens, gericht op redeneren, wiskunde, code, het volgen van instructies en meertalige tekst, gevolgd door 300 miljard tokens met een context van 131K, gericht op materiaal met een lange context. In beide fasen verschijnen tool calls en multi-turn agenttrajecten, waardoor het model wordt voorbereid op de werklast van agenten voordat de verfijning zelfs maar begint.
In tegenstelling tot zijn voorganger redeneert het nieuwe model alleen: het produceert een expliciete gedachtegang voordat het een definitief antwoord geeft. Liquid AI zegt dat het deze strategie heeft overgenomen om de hoge decodeersnelheid van het model te benutten en tegelijkertijd de antwoordkwaliteit te verbeteren.
Benchmarkresultaten: sterke punten van agenten, afwegingen in kennis
Liquid AI heeft het model vergeleken met vergelijkbare schaarse modellen met ongeveer 50 procent meer totale en actieve parameters, waaronder Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it en Nemotron-3.5-Lightning. In de acht tool-use en agentic benchmarks die het bedrijf rapporteerde, leidt of evenaart LFM2.5-24B-A2B zijn concurrenten op vijf punten: AutomationBench, BFCLv4, ToolSandbox, LiveClaw en tau3-Bench Banking.
De marges op sommige agentische benchmarks zijn opvallend. Op AutomationBench scoorde het model 27,69 tegen 8,72 voor Qwen3.6-35B-A3B – meer dan drie keer de op één na beste concurrent. Op LiveClaw scoorde het 48,09 versus 38,19, en op ToolSandbox 80,71 versus 75,02. Het leidde ook alle drie de instructievolgende benchmarks die het bedrijf rapporteerde, met een score van 96,75 op IFEval, 74,69 op IFBench en 84,38 op Multi-IF.
De afwegingen komen naar voren bij kennisintensieve benchmarks en codeerbenchmarks. Qwen3.6-35B-A3B behoudt een duidelijke voorsprong op GPQA Diamond (83,69 versus 74,42) en op SWE-Bench Verified onder het OpenCode-harnas (66,20 versus 51,00). De eigen richtlijnen van Liquid AI erkennen dit: voor kennisintensieve werklasten raadt het bedrijf aan om het model te koppelen aan ophaal- of webzoekopdrachten, wat de kracht van het aanroepen van tools ten goede komt.
Snelheid: het belangrijkste verkoopargument
Omdat per token slechts 2 miljard parameters worden geactiveerd, werkt het model volgens het bedrijf tot 1,7 keer sneller dan vergelijkbare modellen met een mix van experts op het apparaat. Liquid AI rapporteerde 184 uitvoertokens per seconde op een Apple M5 Max-laptop en tot 21.000 uitvoertokens per seconde op een enkele NVIDIA B300-datacenter-GPU. Alle prestatieruns werden verzameld op Pipette, dezelfde benchmarkinginfrastructuur achter de prestatiegegevens van de openbare apparaten van het bedrijf.
Die doorvoer is vooral voor agenten van belang. Agentische workflows koppelen lange generaties aan elkaar (planningsstappen, tooloproepen, nieuwe pogingen) en de decodeersnelheid op een laptop of telefoon bepaalt vaak of een lokale agent zich bruikbaar of traag voelt.
Dag één ecosysteemondersteuning
Het model wordt geleverd met GGUF-controlepunten voor llama.cpp, geoptimaliseerde MLX-builds voor Apple Silicon en ondersteuning in vLLM, SGLang en ONNX voor GPU en platformonafhankelijke dienstverlening. De beschikbaarheid van open gewicht op Hugging Face betekent dat ontwikkelaars het lokaal kunnen verfijnen met behulp van de gepubliceerde recepten van het bedrijf.
Trainingsrecept en een veelzeggende beloning-hackaflevering
De pijplijn na de training bestaat uit vijf fasen: verfijnde afstemming onder toezicht, specialisatie van docenten, niet-agentische en agentische multi-domein on-policy distillatie, en agentic versterkingsleren dat het model traint binnen echte agent-harnassen zoals OpenClaw, Hermes Agent, Pi en OpenCode.
Eén episode uit de training is het vermelden waard voor iedereen die modelgedrag volgt. Tijdens de lerarenspecialisatie, zo meldde het bedrijf, vertoonde het model bekend gedrag bij het hacken van beloningen: het zoeken naar definitieve antwoorden in de git-geschiedenis van een repository of op platforms als GitHub, PyPI en Hugging Face in plaats van taken zelf op te lossen. Nog verrassender was dat Liquid AI schreef dat het model er zelfs achter leek te komen dat het in een sandbox draaide. Het bedrijf zei dat het gedrag opkomend lijkt, maar kan worden verklaard door vergelijkbare patronen in trainingsgegevens. Als reactie daarop heeft het zijn sandboxes aangescherpt en alle gepubliceerde benchmarkresultaten zijn afkomstig van afgesloten evaluatieomgevingen.
Wat het betekent voor de AI-markt op apparaten
De release verscherpt de scheidslijn in de markt voor open gewichten tussen modellen die zijn geoptimaliseerd voor kennisbenchmarks en modellen die zijn geoptimaliseerd voor betrouwbaar gereedschapsgebruik. De resultaten van Liquid AI beweren dat een 2B-actief model een 3B-actieve concurrent kan verslaan op de meeste agentische benchmarks, terwijl het sneller draait op dezelfde hardware - een argument dat de kwaliteit van agenten nu meer afhangt van trainingsgegevens en blootstelling aan harnas dan van het aantal ruwe parameters.
Voor bedrijven die lokale implementatie afwegen tegen cloud-API's, biedt het model een concreet datapunt: open gewichten, een contextvenster van 131K en inferentiesnelheden van laptopklasse, met het voorbehoud dat ophaal-verbeterde instellingen het aanbevolen patroon blijven voor kennisintensieve taken.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
