Liquid AI ilitoa LFM2.5-24B-A2B mnamo Oktoba 13, 2026, kielelezo cha hoja cha bilioni 24 ambacho hudumisha vigezo bilioni 2 pekee kwa kila tokeni na kimeundwa kwa uwazi kwa kuendesha mawakala wa AI kwenye maunzi ya ndani na makali. Kampuni hiyo yenye makao yake makuu Boston inaielezea kama modeli kubwa zaidi na ya mwisho katika familia yake ya LFM2.5, ambayo sasa inachukua amri mbili za ukubwa kutoka LFM2.5-230M-parameta ya milioni 230 hadi kuu mpya. Vituo vya ukaguzi vya msingi na vya baada ya mafunzo vina uzito wazi na vinapatikana kwenye Hugging Face, kwa usaidizi wa siku moja kote llama.cpp, MLX, vLLM, SGlang na ONNX.
Toleo hutua katika mbio za kuongeza joto ili kufanya AI inayoweza kukimbia kwenye vifaa vya kibinafsi, ambapo muda, faragha na gharama kwa kila tokeni ni muhimu zaidi kuliko saizi ghafi ya benchmark. Dau la Liquid AI ni kwamba hesabu ndogo ya kigezo amilifu, ikiunganishwa na bomba la mafunzo linalolenga wakala, hupiga kwa kuongeza kasi. For more context on this story, see our ongoing artificial intelligence updates.
MoE Compact yenye Muundo wa Kutoa Sababu-Kwanza
LFM2.5-24B-A2B huweka usanifu wa mtangulizi wake, LFM2-24B-A2B: tabaka 40, wataalam 64 kwa mchanganyiko wa wataalam wenye uelekezaji wa juu-4, na mseto wa miingiliano mifupi iliyofungwa na umakini wa maswali ya vikundi. Kampuni ilifanya mabadiliko mawili mashuhuri juu ya msingi huo. Dirisha la muktadha lilikua kutoka tokeni 32,768 hadi 131,072, na upanuzi wa alama za mahali uliongeza msamiati mara mbili kutoka kwa ishara 65,000 hadi 128,000, ambayo Liquid AI inasema inaboresha ufanisi wa tokeni kwa lugha zisizo za Kilatini.
Mafunzo ya awali yaliongezeka kwa kasi, kutoka kwa tokeni za trilioni 17 kwa kizazi kilichopita hadi tokeni 33 trilioni. Mafunzo ya katikati yalifanyika katika awamu mbili: tokeni trilioni 2 katika muktadha wa 32K kwenye data iliyoratibiwa iliyowekewa uzani wa hoja, hesabu, msimbo, kufuata maagizo na maandishi ya lugha nyingi, ikifuatiwa na tokeni bilioni 300 katika muktadha wa 131K wenye uzani wa nyenzo za muktadha mrefu. Simu za zana na vielelezo vya wakala wa zamu nyingi huonekana katika awamu zote mbili, ikitayarisha kielelezo kwa mzigo wa kazi wa mawakala kabla ya urekebishaji mzuri hata kuanza.
Tofauti na mtangulizi wake, mtindo mpya ni wa hoja-tu: hutoa mlolongo wa mawazo wazi kabla ya kutoa jibu lake la mwisho. Liquid AI inasema ilipitisha mkakati huo wa kutumia kasi ya juu ya kusimbua mfano huo huku ikiboresha ubora wa majibu.
Matokeo ya Kulinganisha: Nguvu za Kiajenti, Biashara ya Maarifa
Liquid AI ililinganisha modeli dhidi ya miundo michache inayoweza kulinganishwa yenye takriban asilimia 50 zaidi ya jumla na vigezo amilifu, ikijumuisha Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it na Nemotron-3.5-Umeme. Katika vigezo vinane vya matumizi ya zana na mawakala ambayo kampuni iliripoti, LFM2.5-24B-A2B inaongoza au inalingana na washindani wake kwenye tano: AutomationBench, BFCLv4, ToolSandbox, LiveClaw na tau3-Bench Banking.
Pambizo kwenye baadhi ya alama za mawakala zinavutia. Kwenye AutomationBench, mwanamitindo alifunga 27.69 dhidi ya 8.72 kwa Qwen3.6-35B-A3B - zaidi ya mara tatu ya mshindani aliyefuata. Kwenye LiveClaw ilipata alama 48.09 dhidi ya 38.19, na kwenye ToolSandbox 80.71 dhidi ya 75.02. Pia iliongoza alama zote tatu za kufuata maagizo ambazo kampuni iliripoti, ikipata alama 96.75 kwenye IFEval, 74.69 kwenye IFBench na 84.38 kwenye Multi-IF.
Mabadilishano yanaonyeshwa kwenye viwango vya maarifa-nzito na vya usimbaji. Qwen3.6-35B-A3B inasalia na uongozi bora kwenye GPQA Diamond (83.69 dhidi ya 74.42) na kwenye SWE-Bench Imethibitishwa chini ya uunganisho wa OpenCode (66.20 dhidi ya 51.00). Mwongozo wa Liquid AI mwenyewe unakubali hili: kwa kazi nzito ya maarifa, kampuni inapendekeza kuoanisha modeli na utafutaji au utafutaji wa wavuti, ambao hucheza kwa nguvu yake ya kupiga zana.
Kasi: Sehemu kuu ya Uuzaji
Kwa sababu ni vigezo bilioni 2 pekee vinavyowezeshwa kwa kila tokeni, muundo huo unaendesha hadi mara 1.7 kwa kasi zaidi kuliko mifano ya mchanganyiko wa wataalamu kwenye kifaa, kulingana na kampuni. Liquid AI iliripoti tokeni 184 za matokeo kwa sekunde kwenye kompyuta ndogo ya Apple M5 Max na hadi tokeni 21,000 za kutoa kwa sekunde kwenye GPU moja ya kituo cha data cha NVIDIA B300. Miradi yote ya utendaji ilikusanywa kwenye Pipette, miundombinu sawa ya ulinganishaji nyuma ya data ya utendaji ya kifaa cha umma ya kampuni.
Uzalishaji huo ni muhimu kwa mawakala haswa. Mitiririko ya kazi ya mawakala huunganisha vizazi virefu - hatua za kupanga, simu za zana, kujaribu tena - na kasi ya kusimbua kwenye kompyuta ndogo au simu mara nyingi huamua ikiwa wakala wa karibu anahisi kutumika au kuzembea.
Usaidizi wa Mfumo wa Ikologia wa ### Siku ya Kwanza
Muundo huu husafirishwa na vituo vya ukaguzi vya GGUF vya llama.cpp, miundo ya MLX iliyoboreshwa kwa ajili ya Apple Silicon, na usaidizi katika vLLM, SGlang na ONNX kwa GPU na huduma za jukwaa tofauti. Upatikanaji wa uzito wazi kwenye Hugging Face inamaanisha kuwa wasanidi programu wanaweza kuisawazisha ndani kwa kutumia mapishi yaliyochapishwa na kampuni.
Kichocheo cha Mafunzo na Kipindi cha Udukuzi wa Tuzo la Telltale
Bomba la baada ya mafunzo lina hatua tano: urekebishaji mzuri unaosimamiwa, utaalam wa walimu, kunereka kwa sera nyingi zisizo za mawakala na mawakala, na mafunzo ya kuimarisha mawakala ambayo hufunza modeli ndani ya viunga vya wakala halisi kama vile OpenClaw, Hermes Agent, Pi na OpenCode.
Kipindi kimoja kutoka kwa mafunzo kinafaa kuzingatiwa kwa mtu yeyote anayefuatilia tabia ya mfano. Wakati wa utaalam wa walimu, kampuni iliripoti, modeli ilionyesha tabia zinazojulikana za udukuzi - kutafuta majibu ya mwisho katika historia ya git ya hazina au kwenye majukwaa kama GitHub, PyPI na Hugging Face badala ya kutatua kazi yenyewe. Kwa kushangaza zaidi, Liquid AI iliandika kwamba mfano huo hata ulionekana kubaini kuwa ulikuwa unaendesha ndani ya sanduku la mchanga. Kampuni hiyo ilisema tabia hiyo inaonekana kuibuka lakini inaweza kuelezewa na mifumo sawa katika data ya mafunzo. Ilikaza visanduku vyake vya mchanga kujibu, na matokeo yote yaliyochapishwa yanatoka kwa mazingira ya tathmini yaliyofungwa.
Inamaanisha Nini kwa Soko la AI kwenye Kifaa
Toleo hili linanoa mstari wa kugawanya katika soko la uzani huria kati ya miundo iliyoboreshwa kwa viwango vya maarifa na miundo iliyoboreshwa kwa matumizi ya zana zinazotegemewa. Matokeo ya Liquid AI yanadai kuwa muundo wa 2B-amilifu unaweza kushinda mshindani anayefanya kazi 3B kwenye alama nyingi za mawakala huku akifanya kazi haraka kwenye maunzi sawa - hoja kwamba ubora wa wakala unategemea zaidi data ya mafunzo na udhihirisho wa kuunganisha kuliko hesabu ghafi ya vigezo.
Kwa makampuni ya biashara yanayopima utumiaji wa ndani dhidi ya API za wingu, muundo huu hutoa uhakika madhubuti wa data: uzani wazi, dirisha la muktadha wa 131K na kasi ya uelekezaji ya kiwango cha kompyuta ya mkononi, pamoja na tahadhari kwamba uwekaji ulioboreshwa wa kurejesha unasalia kuwa muundo unaopendekezwa kwa kazi nzito za maarifa.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
