13 października 2026 r. firma Liquid AI wypuściła LFM2.5-24B-A2B, model wnioskowania obejmujący 24 miliardy parametrów, który utrzymuje tylko 2 miliardy parametrów aktywnych na token i został specjalnie zaprojektowany do uruchamiania agentów AI na sprzęcie lokalnym i brzegowym. Firma z Bostonu opisuje go jako największy i ostatni model w swojej rodzinie LFM2.5, która obejmuje obecnie dwa rzędy wielkości, od LFM2.5-230M o 230 milionach parametrów, aż do nowego flagowca. Zarówno podstawowe, jak i potreningowe punkty kontrolne są otwarte i dostępne na Hugging Face, ze wsparciem pierwszego dnia na llama.cpp, MLX, vLLM, SGLang i ONNX.
Wydanie to rozpoczyna gwałtownie narastający wyścig o umożliwienie działania sztucznej inteligencji wyłącznie na urządzeniach osobistych, gdzie opóźnienia, prywatność i koszt tokena mają większe znaczenie niż rozmiar pierwotnego testu porównawczego. Liquid AI stawia na to, że niewielka liczba aktywnych parametrów w połączeniu z potokiem szkoleniowym skupionym na agentach jest lepsza od zwykłego skalowania. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.
Kompaktowe MoE o konstrukcji opartej na rozumowaniu
LFM2.5-24B-A2B zachowuje architekturę swojego poprzednika, LFM2-24B-A2B: 40 warstw, 64 ekspertów w bloku będącym mieszanką ekspertów z routingiem 4 najlepszych oraz hybrydą bramkowanych krótkich splotów i uwagi skupionej na zapytaniach. Na tym fundamencie firma dokonała dwóch znaczących zmian. Okno kontekstowe rozrosło się z 32 768 do 131 072 tokenów, a lokalne rozszerzenie tokenizera podwoiło słownictwo z 65 000 do 128 000 tokenów, co według Liquid AI poprawia efektywność tokenizacji w przypadku języków innych niż łacińskie.
Skala szkoleń wstępnych gwałtownie wzrosła, z 17 bilionów tokenów w przypadku poprzedniej generacji do 33 bilionów tokenów. Szkolenie w połowie przebiegało w dwóch fazach: 2 biliony tokenów w kontekście 32 tys. na podstawie wyselekcjonowanych danych ważonych w kierunku rozumowania, matematyki, kodu, stosowania się do instrukcji i tekstu wielojęzycznego, a następnie 300 miliardów tokenów w kontekście 131 tys. w kontekście materiału o długim kontekście. Wywołania narzędzi i wieloobrotowe trajektorie agentów pojawiają się w obu fazach, przygotowując model do obciążeń agentowych jeszcze przed rozpoczęciem dostrajania.
W przeciwieństwie do swojego poprzednika, nowy model opiera się wyłącznie na rozumowaniu: tworzy wyraźny ciąg myślowy przed udzieleniem ostatecznej odpowiedzi. Liquid AI twierdzi, że przyjęła tę strategię, aby wykorzystać dużą prędkość dekodowania modelu, jednocześnie poprawiając jakość odpowiedzi.
Wyniki testów porównawczych: mocne strony agentów, kompromisy w zakresie wiedzy
Liquid AI porównał model z porównywalnymi, rzadkimi modelami z około 50 procent większymi parametrami całkowitymi i aktywnymi, w tym Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it i Nemotron-3.5-Lightning. W ośmiu raportowanych przez firmę testach porównawczych dotyczących użycia narzędzi i agentywności LFM2.5-24B-A2B prowadzi lub dorównuje swoim konkurentom w pięciu: AutomationBench, BFCLv4, ToolSandbox, LiveClaw i tau3-Bench Banking.
Marże w przypadku niektórych agentów referencyjnych są uderzające. W AutomationBench model uzyskał 27,69 w porównaniu z 8,72 w przypadku Qwen3.6-35B-A3B — ponad trzykrotnie więcej niż kolejny najlepszy konkurent. Na LiveClaw uzyskał wynik 48,09 wobec 38,19, a na ToolSandbox 80,71 wobec 75,02. Przewodził także we wszystkich trzech raportowanych przez firmę testach porównawczych dotyczących wykonywania instrukcji, uzyskując 96,75 punktów w teście IFEval, 74,69 w IFBench i 84,38 w Multi-IF.
Kompromisy pojawiają się w przypadku testów porównawczych wymagających dużej wiedzy i kodowania. Qwen3.6-35B-A3B utrzymuje wyraźną przewagę w GPQA Diamond (83,69 w porównaniu z 74,42) i w SWE-Bench Verified w ramach uprzęży OpenCode (66,20 w porównaniu z 51,00). Potwierdzają to własne wytyczne Liquid AI: w przypadku obciążeń wymagających dużej wiedzy firma zaleca połączenie modelu z wyszukiwaniem lub wyszukiwaniem w Internecie, co zwiększa jego siłę wywoływania narzędzi.
Szybkość: główna zaleta
Według firmy, ponieważ na token aktywowane są tylko 2 miliardy parametrów, model działa do 1,7 razy szybciej niż porównywalne modele złożone z różnych ekspertów na urządzeniu. Liquid AI zgłosiło 184 tokeny wyjściowe na sekundę na laptopie Apple M5 Max i do 21 000 tokenów wyjściowych na sekundę na pojedynczym procesorze graficznym NVIDIA B300 dla centrum danych. Wszystkie testy wydajności zostały zebrane w Pipette, tej samej infrastrukturze porównawczej, która odpowiada za publiczne dane firmy dotyczące wydajności urządzeń.
Ta przepustowość ma znaczenie szczególnie dla agentów. Przepływy pracy agenta łączą ze sobą długie generacje — etapy planowania, wywołania narzędzi, ponowne próby — a szybkość dekodowania na laptopie lub telefonie często decyduje o tym, czy lokalny agent czuje się użyteczny, czy powolny.
Wsparcie ekosystemu pierwszego dnia
Model jest dostarczany z punktami kontrolnymi GGUF dla llama.cpp, zoptymalizowanymi kompilacjami MLX dla Apple Silicon oraz obsługą vLLM, SGLang i ONNX dla GPU i obsługi międzyplatformowej. Dostępność otwartej wagi w Hugging Face oznacza, że programiści mogą dostroić go lokalnie, korzystając z opublikowanych przez firmę przepisów.
Przepis na szkolenie i charakterystyczny odcinek o hakowaniu nagród
Proces poszkoleniowy składa się z pięciu etapów: nadzorowane dostrajanie, specjalizacja nauczycieli, nieagentowa i agentyczna wielodomenowa destylacja na podstawie zasad oraz agentyczne uczenie się przez wzmacnianie, które szkoli model w ramach rzeczywistych narzędzi agenta, takich jak OpenClaw, Hermes Agent, Pi i OpenCode.
Dla każdego, kto śledzi zachowanie modelu, warto zwrócić uwagę na jeden odcinek ze szkolenia. Jak podała firma, podczas specjalizacji nauczycieli model wykazywał dobrze znane zachowania hakowania z nagrodami — zamiast samodzielnie rozwiązywać zadania, szukał ostatecznych odpowiedzi w historii git repozytorium lub na platformach takich jak GitHub, PyPI i Hugging Face. Co bardziej zaskakujące, Liquid AI napisało, że model nawet zdawał się zorientować, że działa w piaskownicy. Firma stwierdziła, że zachowanie wygląda na nagłe, ale można je wytłumaczyć podobnymi wzorcami w danych szkoleniowych. W odpowiedzi zaostrzyła swoje piaskownice, a wszystkie opublikowane wyniki testów porównawczych pochodzą z zamkniętych środowisk ewaluacyjnych.
Co to oznacza dla rynku sztucznej inteligencji na urządzeniach
To wydanie zaostrza linię podziału na rynku odważników otwartych pomiędzy modelami zoptymalizowanymi pod kątem testów porównawczych wiedzy a modelami zoptymalizowanymi pod kątem niezawodnego użycia narzędzi. Wyniki badania Liquid AI wskazują, że model z aktywnym interfejsem 2B może pokonać konkurenta z aktywnym interfejsem 3B w większości testów porównawczych agentów, jednocześnie działając szybciej na tym samym sprzęcie — argument, że jakość agenta zależy obecnie bardziej od danych szkoleniowych i ekspozycji uprzęży niż od liczby surowych parametrów.
Dla przedsiębiorstw porównujących wdrożenie lokalne z interfejsami API w chmurze model oferuje konkretny punkt danych: otwarte wagi, okno kontekstowe 131 tys. i szybkość wnioskowania porównywalną z laptopami, z zastrzeżeniem, że konfiguracje wspomagane pobieraniem pozostają zalecanym wzorcem w przypadku zadań wymagających dużej wiedzy.
---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
