Liquid AI выпустила LFM2.5-24B-A2B 13 октября 2026 года — модель рассуждения с 24 миллиардами параметров, которая сохраняет активными только 2 миллиарда параметров на каждый токен и специально разработана для запуска агентов ИИ на локальном и периферийном оборудовании. Бостонская компания описывает его как самую крупную и последнюю модель в своем семействе LFM2.5, которое теперь охватывает два порядка величины: от LFM2.5-230M с 230 миллионами параметров до нового флагмана. Как базовые, так и постобученные контрольные точки являются открытыми и доступны на Hugging Face с поддержкой с первого дня через llama.cpp, MLX, vLLM, SGLang и ONNX.
Релиз стал результатом стремительной гонки за то, чтобы способный ИИ работал полностью на персональных устройствах, где задержка, конфиденциальность и стоимость токена имеют большее значение, чем исходный размер эталонного теста. Ставка Liquid AI заключается в том, что небольшое количество активных параметров в сочетании с конвейером обучения, ориентированным на агентов, превосходит простое масштабирование. Подробнее об этой истории — в нашем новости об ИИ.
Компактное МО с продуманной конструкцией
LFM2.5-24B-A2B сохраняет архитектуру своего предшественника, LFM2-24B-A2B: 40 слоев, 64 эксперта на блок смешанных экспертов с топ-4 маршрутизацией и гибрид закрытых коротких сверток и внимания сгруппированных запросов. Компания внесла в этот фундамент два заметных изменения. Контекстное окно выросло с 32 768 до 131 072 токенов, а расширение токенизатора на месте удвоило словарный запас с 65 000 до 128 000 токенов, что, по словам Liquid AI, повышает эффективность токенизации для нелатинских языков.
Предварительное обучение резко возросло: с 17 триллионов токенов предыдущего поколения до 33 триллионов токенов. Промежуточное обучение проходило в два этапа: 2 триллиона токенов в контексте 32 000 на тщательно подобранных данных, ориентированных на рассуждение, математику, код, выполнение инструкций и многоязычный текст, а затем 300 миллиардов токенов в контексте 131 000, взвешенных на материал с длинным контекстом. Вызовы инструментов и многооборотные траектории агентов появляются на обоих этапах, подготавливая модель к агентским рабочим нагрузкам еще до того, как начнется тонкая настройка.
В отличие от своей предшественницы, новая модель предназначена только для рассуждений: она вырабатывает явную цепочку мыслей, прежде чем дать окончательный ответ. Liquid AI заявляет, что приняла эту стратегию, чтобы использовать высокую скорость декодирования модели и одновременно улучшить качество ответа.
Результаты сравнительного теста: сильные стороны агентов, компромисс в знаниях
Liquid AI сравнил модель с сопоставимыми разреженными моделями с примерно на 50 процентов большими общими и активными параметрами, включая Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning. По данным компании, по восьми показателям использования инструментов и агентов LFM2.5-24B-A2B лидирует или соответствует своим конкурентам по пяти: AutomationBench, BFCLv4, ToolSandbox, LiveClaw и tau3-Bench Banking.
Прибыль по некоторым агентским критериям поразительна. На AutomationBench модель набрала 27,69 против 8,72 у Qwen3.6-35B-A3B — более чем в три раза превосходя следующего лучшего конкурента. На LiveClaw он набрал 48,09 против 38,19, а на ToolSandbox — 80,71 против 75,02. Он также лидировал во всех трех тестах выполнения инструкций, о которых сообщила компания, набрав 96,75 баллов в IFEval, 74,69 баллов в IFBench и 84,38 баллов в Multi-IF.
Компромиссы проявляются в тестах, требующих больших знаний и кодирования. Qwen3.6-35B-A3B сохраняет явное лидерство на GPQA Diamond (83,69 против 74,42) и на SWE-Bench Verified под обвязкой OpenCode (66,20 против 51,00). Это подтверждается в собственном руководстве Liquid AI: для ресурсоемких рабочих нагрузок компания рекомендует сочетать модель с поиском или веб-поиском, что усиливает ее силу вызова инструментов.
Скорость: основной аргумент в пользу продажи
По данным компании, поскольку на каждый токен активируется только 2 миллиарда параметров, модель работает на устройстве в 1,7 раза быстрее, чем сопоставимые модели, состоящие из смешанных экспертов. Liquid AI сообщил о 184 выходных токенах в секунду на ноутбуке Apple M5 Max и до 21 000 выходных токенов в секунду на одном графическом процессоре NVIDIA B300 для центра обработки данных. Все прогоны производительности были собраны в Pipette, той же инфраструктуре сравнительного анализа, которая используется для данных о производительности общедоступных устройств компании.
Эта пропускная способность особенно важна для агентов. Агентские рабочие процессы объединяют длинные поколения — этапы планирования, вызовы инструментов, повторные попытки — и скорость декодирования на ноутбуке или телефоне часто определяет, чувствует ли себя локальный агент работоспособным или медлительным.
Поддержка экосистемы в первый день
Модель поставляется с контрольными точками GGUF для llama.cpp, оптимизированными сборками MLX для Apple Silicon и поддержкой vLLM, SGLang и ONNX для графического процессора и кроссплатформенного обслуживания. Доступность открытого веса на Hugging Face означает, что разработчики могут настроить его локально, используя опубликованные рецепты компании.
Рецепт тренировки и показательный эпизод с вознаграждением
Конвейер постобучения состоит из пяти этапов: контролируемая точная настройка, специализация учителя, неагентная и агентная многодоменная дистилляция в соответствии с политикой и обучение с агентским подкреплением, которое обучает модель внутри реальных агентских средств, таких как OpenClaw, Hermes Agent, Pi и OpenCode.
Всем, кто отслеживает поведение модели, стоит обратить внимание на один эпизод из обучения. Компания сообщила, что во время специализации учителей модель демонстрировала хорошо известное поведение хакеров с вознаграждением — поиск окончательных ответов в истории git репозитория или на таких платформах, как GitHub, PyPI и Hugging Face, вместо того, чтобы решать задачи самостоятельно. Что еще более удивительно, Liquid AI написал, что модель, похоже, даже поняла, что работает внутри песочницы. Компания заявила, что такое поведение выглядит необычным, но может быть объяснено схожими закономерностями в обучающих данных. В ответ компания ужесточила свои «песочницы», и все опубликованные результаты тестов получены из закрытых оценочных сред.
Что это значит для рынка искусственного интеллекта на устройствах
Этот выпуск обостряет разделительную линию на рынке открытых весов между моделями, оптимизированными для тестов знаний, и моделями, оптимизированными для надежного использования инструментов. Результаты Liquid AI утверждают, что 2B-активная модель может победить 3B-активного конкурента в большинстве тестов агентов, работая при этом быстрее на том же оборудовании. Это аргумент в пользу того, что качество агента теперь больше зависит от данных обучения и воздействия, чем от количества необработанных параметров.
Для предприятий, сравнивающих локальное развертывание с облачными API, модель предлагает конкретную точку данных: открытые веса, контекстное окно 131 КБ и скорость вывода на уровне ноутбука, с оговоркой, что настройки с расширенным поиском остаются рекомендуемым шаблоном для задач, требующих больших знаний.
---
Будьте в курсе ИИПоследние новости, аналитика и прорывы в сфере ИИ — всё в одном месте.
Читать больше новостей об ИИ →
