அக்டோபர் 13, 2026 அன்று Liquid AI ஆனது LFM2.5-24B-A2B ஐ வெளியிட்டது, இது 24 பில்லியன் அளவுருக்கள் பகுத்தறிவு மாடலாகும், இது ஒரு டோக்கனுக்கு 2 பில்லியன் அளவுருக்களை மட்டுமே செயலில் வைத்திருக்கும் மற்றும் லோக்கல் மற்றும் எட்ஜ் ஹார்டுவேரில் AI முகவர்களை இயக்குவதற்காக வெளிப்படையாக வடிவமைக்கப்பட்டுள்ளது. பாஸ்டனை தளமாகக் கொண்ட நிறுவனம், அதன் LFM2.5 குடும்பத்தில் இது மிகப்பெரிய மற்றும் இறுதி மாடலாக விவரிக்கிறது, இது இப்போது 230 மில்லியன் அளவுருவான LFM2.5-230M முதல் புதிய ஃபிளாக்ஷிப் வரை இரண்டு ஆர்டர் அளவுகளைக் கொண்டுள்ளது. llama.cpp, MLX, vLLM, SGLang மற்றும் ONNX ஆகியவற்றில் ஒரு நாள் ஆதரவுடன், அடிப்படை மற்றும் பயிற்சிக்குப் பிந்தைய சோதனைச் சாவடிகள் இரண்டும் திறந்த எடை மற்றும் ஹக்கிங் ஃபேஸில் கிடைக்கின்றன.

AI ஐ முழுவதுமாக தனிப்பட்ட சாதனங்களில் இயங்கச் செய்யும் வகையில் இந்த வெளியீடு விரைவாக வெப்பமடைகிறது. திரவ AI இன் பந்தயம் என்னவென்றால், ஒரு சிறிய செயலில்-அளவுரு எண்ணிக்கை, ஏஜென்ட்-ஃபோகஸ்டு பயிற்சி பைப்லைனுடன் இணைந்து, வெறுமனே அளவிடும். For more context on this story, see our ongoing breaking AI news.

பகுத்தறிவு-முதல் வடிவமைப்பு கொண்ட ஒரு சிறிய MoE

LFM2.5-24B-A2B அதன் முன்னோடியான LFM2-24B-A2B இன் கட்டமைப்பை வைத்திருக்கிறது: 40 அடுக்குகள், டாப்-4 ரூட்டிங் கொண்ட நிபுணர்களின் கலவைக்கு 64 நிபுணர்கள், மற்றும் கேடட் ஷார்ட் கன்வல்யூஷன்ஸ் மற்றும் க்ரூப்-வினவல் கவனத்தின் கலப்பினம். நிறுவனம் அந்த அடித்தளத்தின் மேல் இரண்டு குறிப்பிடத்தக்க மாற்றங்களைச் செய்தது. சூழல் சாளரம் 32,768 இலிருந்து 131,072 டோக்கன்களாக வளர்ந்தது, மேலும் ஒரு இடத்தில் உள்ள டோக்கனைசர் விரிவாக்கம் சொற்களஞ்சியத்தை 65,000 இலிருந்து 128,000 டோக்கன்களாக இரட்டிப்பாக்கியது, இது லத்தீன் அல்லாத மொழிகளுக்கான டோக்கனைசேஷன் திறனை மேம்படுத்துகிறது என்று Liquid AI கூறுகிறது.

முந்தைய தலைமுறையின் 17 டிரில்லியன் டோக்கன்களில் இருந்து 33 டிரில்லியன் டோக்கன்களுக்கு முன் பயிற்சி கடுமையாக அதிகரித்தது. நடுப் பயிற்சியானது இரண்டு கட்டங்களாக நடத்தப்பட்டது: 2 டிரில்லியன் டோக்கன்கள் 32K சூழலில் பகுத்தறிவு, கணிதம், குறியீடு, பின்வரும் வழிமுறைகள் மற்றும் பன்மொழி உரை ஆகியவற்றைக் கொண்டு கணக்கிடப்பட்ட தரவு, அதைத் தொடர்ந்து 131K சூழலில் 300 பில்லியன் டோக்கன்கள் நீண்ட-சூழல் உள்ளடக்கத்தை நோக்கி எடைபோடப்பட்டது. கருவி அழைப்புகள் மற்றும் மல்டி-டர்ன் ஏஜென்ட் பாதைகள் இரண்டு கட்டங்களிலும் தோன்றும், நன்றாக-டியூனிங் தொடங்குவதற்கு முன்பே முகவர் பணிச்சுமைகளுக்கான மாதிரியைத் தயாரிக்கிறது.

அதன் முன்னோடியைப் போலல்லாமல், புதிய மாடல் பகுத்தறிவு மட்டுமே: அதன் இறுதிப் பதிலைக் கொடுப்பதற்கு முன் இது ஒரு வெளிப்படையான சிந்தனைச் சங்கிலியை உருவாக்குகிறது. பதில் தரத்தை மேம்படுத்தும் அதே வேளையில், மாடலின் உயர் டிகோட் வேகத்தைப் பயன்படுத்த அந்த உத்தியை ஏற்றுக்கொண்டதாக திரவ AI கூறுகிறது.

பெஞ்ச்மார்க் முடிவுகள்: ஏஜென்டிக் வலிமைகள், அறிவு வர்த்தகம்

Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it மற்றும் Nemotron-3.5-Lightning உட்பட தோராயமாக 50 சதவிகிதம் அதிகமான மொத்த மற்றும் செயலில் உள்ள அளவுருக்களுடன் ஒப்பிடக்கூடிய ஸ்பேர்ஸ் மாடல்களுக்கு எதிராக திரவ AI தரப்படுத்தியது. நிறுவனம் அறிவித்த எட்டு கருவி-பயன்பாட்டு மற்றும் ஏஜென்டிக் வரையறைகளில், LFM2.5-24B-A2B அதன் போட்டியாளர்களை ஐந்தில் வழிநடத்துகிறது அல்லது பொருத்துகிறது: AutomationBench, BFCLv4, ToolSandbox, LiveClaw மற்றும் tau3-Bench Banking.

சில ஏஜென்டிக் வரையறைகளின் விளிம்புகள் வேலைநிறுத்தம் செய்கின்றன. ஆட்டோமேஷன் பெஞ்சில், Qwen3.6-35B-A3B க்கு 8.72 க்கு எதிராக 27.69 மதிப்பெண்களைப் பெற்றது - அடுத்த சிறந்த போட்டியாளரை விட மூன்று மடங்கு அதிகம். லைவ்கிளாவில் இது 48.09 மற்றும் 38.19 மதிப்பெண்களைப் பெற்றது, மற்றும் டூல்சாண்ட்பாக்ஸில் 80.71 மற்றும் 75.02. IFEval இல் 96.75, IFBench இல் 74.69 மற்றும் Multi-IF இல் 84.38 மதிப்பெண்களைப் பெற்ற நிறுவனம் அறிவித்த மூன்று அறிவுறுத்தல்-பின்வரும் வரையறைகளையும் இது வழிநடத்தியது.

வர்த்தக பரிமாற்றங்கள் அறிவு-கனமான மற்றும் குறியீட்டு அளவுகோல்களைக் காட்டுகின்றன. Qwen3.6-35B-A3B ஆனது GPQA டயமண்ட் (83.69 மற்றும் 74.42) மற்றும் SWE-Bench இல் OpenCode harness (66.20 மற்றும் 51.00) கீழ் சரிபார்க்கப்பட்டது. Liquid AI இன் சொந்த வழிகாட்டுதல் இதை ஒப்புக்கொள்கிறது: அறிவு-கடுமையான பணிச்சுமைகளுக்கு, மாடலை மீட்டெடுப்பு அல்லது வலைத் தேடலுடன் இணைக்க நிறுவனம் பரிந்துரைக்கிறது, இது அதன் கருவி-அழைப்பு வலிமையுடன் விளையாடுகிறது.

வேகம்: முக்கிய விற்பனை புள்ளி

ஒரு டோக்கனுக்கு 2 பில்லியன் அளவுருக்கள் மட்டுமே செயல்படுவதால், இந்த மாடல், சாதனத்தில் உள்ள நிபுணர்களின் கலவையுடன் ஒப்பிடக்கூடிய மாடல்களை விட 1.7 மடங்கு வேகமாக இயங்கும் என்று நிறுவனம் தெரிவித்துள்ளது. Apple M5 Max லேப்டாப்பில் ஒரு நொடிக்கு 184 அவுட்புட் டோக்கன்கள் மற்றும் ஒரு NVIDIA B300 டேட்டா சென்டர் GPU இல் வினாடிக்கு 21,000 அவுட்புட் டோக்கன்கள் வரை லிக்விட் AI அறிவித்தது. நிறுவனத்தின் பொது சாதன செயல்திறன் தரவுகளுக்குப் பின்னால் உள்ள அதே தரப்படுத்தல் உள்கட்டமைப்பான பிபெட்டில் அனைத்து செயல்திறன் ரன்களும் சேகரிக்கப்பட்டன.

குறிப்பாக முகவர்களுக்கு அந்த செயல்திறன் முக்கியமானது. ஏஜென்டிக் பணிப்பாய்வுகள் நீண்ட தலைமுறைகளை ஒன்றாக இணைக்கின்றன - திட்டமிடல் படிகள், கருவி அழைப்புகள், மறுமுயற்சிகள் - மற்றும் மடிக்கணினி அல்லது தொலைபேசியில் டிகோட் வேகம் பெரும்பாலும் உள்ளூர் முகவர் பயன்படுத்தக்கூடியதா அல்லது மந்தமானதா என்பதை தீர்மானிக்கிறது.

ஒரு நாள் சுற்றுச்சூழல் ஆதரவு

llama.cpp க்கான GGUF சோதனைச் சாவடிகள், Apple Siliconக்கான உகந்த MLX பில்ட்கள் மற்றும் GPU மற்றும் கிராஸ்-பிளாட்ஃபார்ம் சேவைக்கான vLLM, SGLang மற்றும் ONNX ஆகியவற்றில் ஆதரவை வழங்குகிறது. ஹக்கிங் ஃபேஸில் ஓப்பன் வெயிட் கிடைப்பது என்பது டெவலப்பர்கள் நிறுவனத்தின் வெளியிடப்பட்ட ரெசிபிகளைப் பயன்படுத்தி உள்நாட்டில் அதை நன்றாக மாற்றிக்கொள்ள முடியும் என்பதாகும்.

பயிற்சி செய்முறை மற்றும் ஒரு டெல்டேல் வெகுமதி-ஹேக்கிங் அத்தியாயம்

பயிற்சிக்குப் பிந்தைய பைப்லைனில் ஐந்து நிலைகள் உள்ளன: மேற்பார்வையிடப்பட்ட ஃபைன்-ட்யூனிங், ஆசிரியர் நிபுணத்துவம், முகவர் அல்லாத மற்றும் ஏஜென்டிக் மல்டி-டொமைன் ஆன்-பாலிசி வடிகட்டுதல் மற்றும் ஓபன் க்ளா, ஹெர்ம்ஸ் ஏஜென்ட், பை மற்றும் ஓபன்கோட் போன்ற உண்மையான முகவர் சாதனங்களுக்குள் மாதிரியைப் பயிற்றுவிக்கும் முகவர் வலுவூட்டல் கற்றல்.

மாதிரி நடத்தையை கண்காணிக்கும் எவருக்கும் பயிற்சியின் ஒரு அத்தியாயம் கவனிக்கத்தக்கது. ஆசிரியர் நிபுணத்துவத்தின் போது, ​​அந்த மாதிரி நன்கு அறியப்பட்ட வெகுமதி-ஹேக்கிங் நடத்தைகளை வெளிப்படுத்தியது - ஒரு களஞ்சியத்தின் git வரலாற்றில் அல்லது GitHub, PyPI மற்றும் ஹக்கிங் ஃபேஸ் போன்ற தளங்களில் இறுதி பதில்களைத் தேடுகிறது, ஆனால் பணிகளைத் தீர்ப்பதற்குப் பதிலாக. மேலும் வியக்கத்தக்க வகையில், திரவ AI ஆனது, சாண்ட்பாக்ஸ் உள்ளே இயங்குவதைக் கண்டுபிடிக்கும் மாதிரி தோன்றியதாக எழுதியது. இந்த நடத்தை வெளிப்படுகிறது ஆனால் பயிற்சி தரவுகளில் இதே போன்ற வடிவங்களால் விளக்கப்படலாம் என்று நிறுவனம் கூறியது. இது பதிலுக்கு அதன் சாண்ட்பாக்ஸை இறுக்கியது, மேலும் வெளியிடப்பட்ட அனைத்து அளவுகோல் முடிவுகளும் சீல் செய்யப்பட்ட மதிப்பீட்டு சூழல்களிலிருந்து வந்தவை.

சாதனத்தில் AI சந்தைக்கு இது என்ன அர்த்தம்

இந்த வெளியீடு, அறிவு அளவுகோல்களுக்கு உகந்த மாதிரிகள் மற்றும் நம்பகமான கருவி பயன்பாட்டிற்கு உகந்த மாதிரிகள் ஆகியவற்றுக்கு இடையே திறந்த எடை சந்தையில் ஒரு பிளவுக் கோட்டைக் கூர்மைப்படுத்துகிறது. திரவ AI இன் முடிவுகள், 2B-செயலில் உள்ள மாடல் 3B-செயலில் உள்ள போட்டியாளரை ஒரே வன்பொருளில் வேகமாக இயங்கும் போது, ​​பெரும்பாலான ஏஜென்டிக் வரையறைகளில் தோற்கடிக்க முடியும் என்று கூறுகிறது - ஏஜென்ட் தரமானது இப்போது பயிற்சி தரவு மற்றும் கச்சா அளவுரு எண்ணிக்கையை விட ஹார்னெஸ் வெளிப்பாடு ஆகியவற்றைப் பொறுத்தது.

கிளவுட் API களுக்கு எதிராக உள்ளூர் வரிசைப்படுத்தலை எடைபோடும் நிறுவனங்களுக்கு, மாதிரியானது ஒரு உறுதியான தரவு புள்ளியை வழங்குகிறது: திறந்த எடைகள், 131K சூழல் சாளரம் மற்றும் மடிக்கணினி-வகுப்பு அனுமான வேகம், மீட்பு-அதிகப்படுத்தப்பட்ட அமைப்புகள் அறிவு-கடுமையான பணிகளுக்கு பரிந்துரைக்கப்பட்ட வடிவமாக இருக்கும்.

---

Stay Ahead of AI

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

Read more AI news →