Liquid AI, 13 Ekim 2026'da LFM2.5-24B-A2B'yi piyasaya sürdü; bu model, jeton başına yalnızca 2 milyar parametreyi aktif tutan ve AI aracılarını yerel ve uç donanımda çalıştırmak için özel olarak tasarlanmış 24 milyar parametreli bir akıl yürütme modelidir. Boston merkezli şirket, onu 230 milyon parametreli LFM2.5-230M'den yeni amiral gemisine kadar iki büyüklükteki LFM2.5 ailesindeki en büyük ve son model olarak tanımlıyor. Hem temel hem de eğitim sonrası kontrol noktaları açık ağırlıklıdır ve Hugging Face'te mevcuttur; llama.cpp, MLX, vLLM, SGLang ve ONNX'te ilk gün desteği sağlanır.

Sürüm, yetenekli yapay zekanın tamamen kişisel cihazlarda çalışmasını sağlamak için hızla kızışan bir yarışa giriyor; burada gecikme, gizlilik ve token başına maliyet, ham kıyaslama boyutundan daha önemli. Liquid AI'nin iddiası, aracı odaklı bir eğitim hattıyla birleştirilen küçük bir aktif parametre sayımının basitçe ölçeklendirmeyi geride bırakacağı yönündedir. For more context on this story, see our ongoing AI trends.

Önce Akıl Yürüten Tasarıma Sahip Kompakt Bir MoE

LFM2.5-24B-A2B, selefi LFM2-24B-A2B'nin mimarisini koruyor: 40 katman, ilk 4 yönlendirmeyle uzman karışımı bloğu başına 64 uzman ve geçitli kısa evrişimler ve gruplandırılmış sorgu dikkatinden oluşan bir melez. Şirket bu temelin üzerine iki önemli değişiklik yaptı. Bağlam penceresi 32.768'den 131.072 token'a çıktı ve yerinde tokenizer genişletmesi, sözcük dağarcığını 65.000'den 128.000 token'a iki katına çıkardı; Liquid AI, bunun Latin olmayan diller için tokenizasyon verimliliğini artırdığını söylüyor.

Ön eğitim, önceki nesil için 17 trilyon tokenden 33 trilyon tokena kadar keskin bir şekilde arttı. Eğitim ortası iki aşamada gerçekleştirildi: Akıl yürütme, matematik, kod, talimat takibi ve çok dilli metinlere ağırlıklandırılmış 32K bağlamda seçilmiş veriler üzerinde 2 trilyon jeton, ardından 131K bağlamda uzun içerikli materyallere ağırlıklandırılmış 300 milyar jeton. Araç çağrıları ve çok dönüşlü aracı yörüngeleri her iki aşamada da ortaya çıkar ve modeli, ince ayar başlamadan önce aracılı iş yükleri için hazırlar.

Önceki modelin aksine, yeni model yalnızca akıl yürütmeye dayalıdır: nihai cevabını vermeden önce açık bir düşünce zinciri üretir. Liquid AI, yanıt kalitesini artırırken modelin yüksek kod çözme hızından yararlanmak için bu stratejiyi benimsediğini söylüyor.

Karşılaştırma Sonuçları: Temsilcilik Güçlü Yönleri, Bilgi Takasları

Liquid AI, modeli, Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it ve Nemotron-3.5-Lightning dahil olmak üzere yaklaşık yüzde 50 daha fazla toplam ve aktif parametreye sahip karşılaştırılabilir seyrek modellerle karşılaştırdı. Şirketin bildirdiği sekiz araç kullanımı ve aracılık kıyaslamasında LFM2.5-24B-A2B beşte rakiplerine liderlik ediyor veya rakipleriyle eşleşiyor: AutomationBench, BFCLv4, ToolSandbox, LiveClaw ve tau3-Bench Banking.

Bazı ajans kriterlerindeki marjlar dikkat çekicidir. Model, AutomationBench'te Qwen3.6-35B-A3B için 8.72'ye karşı 27.69 puan aldı; bu da bir sonraki en iyi rakibin üç katından fazla. LiveClaw'da 38,19'a karşı 48,09, ToolSandbox'ta ise 75,02'ye karşı 80,71 puan aldı. Ayrıca şirketin bildirdiği üç talimat takip kriterinin tamamına liderlik ederek IFEval'de 96,75, IFBench'te 74,69 ve Multi-IF'de 84,38 puan aldı.

Takaslar, bilgi ağırlıklı ve kodlama kriterlerinde ortaya çıkıyor. Qwen3.6-35B-A3B, GPQA Diamond'da (83,69'a karşı 74,42) ve OpenCode donanımı altında SWE-Bench Verified'da (66,20'ye karşı 51,00) açık ara liderliğini koruyor. Liquid AI'nin kendi kılavuzu bunu kabul ediyor: Şirket, bilgi ağırlıklı iş yükleri için, modelin araç çağırma gücünü artıran erişim veya web aramasıyla eşleştirilmesini öneriyor.

Hız: Temel Satış Noktası

Şirkete göre, token başına yalnızca 2 milyar parametre etkinleştirildiğinden, model, cihazdaki benzer uzman karışımı modellerden 1,7 kat daha hızlı çalışıyor. Liquid AI, bir Apple M5 Max dizüstü bilgisayarda saniyede 184 çıkış tokeni ve tek bir NVIDIA B300 veri merkezi GPU'sunda saniyede 21.000'e kadar çıkış tokeni bildirdi. Tüm performans çalışmaları, şirketin genel cihaz performans verilerinin arkasındaki aynı kıyaslama altyapısı olan Pipette üzerinde toplandı.

Bu verim özellikle aracılar için önemlidir. Temsilci iş akışları uzun nesilleri (planlama adımları, araç çağrıları, yeniden denemeler) bir araya getirir ve bir dizüstü bilgisayar veya telefondaki kod çözme hızı genellikle yerel bir temsilcinin kendini kullanılabilir mi yoksa yavaş mı hissettiğini belirler.

Birinci Gün Ekosistem Desteği

Model, llama.cpp için GGUF kontrol noktaları, Apple Silicon için optimize edilmiş MLX yapıları ve GPU ile platformlar arası hizmet için vLLM, SGLang ve ONNX desteğiyle birlikte gelir. Hugging Face'te açık ağırlık kullanılabilirliği, geliştiricilerin şirketin yayınlanan tariflerini kullanarak yerel olarak ince ayar yapabilecekleri anlamına geliyor.

Eğitim Tarifi ve Anlatımlı Ödüllü Hacking Bölümü

Eğitim sonrası ardışık düzenin beş aşaması vardır: denetimli ince ayar, öğretmen uzmanlığı, aracı olmayan ve aracılı çok alanlı politikaya dayalı damıtma ve modeli OpenClaw, Hermes Agent, Pi ve OpenCode gibi gerçek aracı donanımları içinde eğiten aracılı takviyeli öğrenme.

Eğitimden bir bölüm, model davranışını izleyen herkes için dikkate değerdir. Şirket, öğretmenlerin uzmanlaşması sırasında modelin, görevleri kendisi çözmek yerine bir veri deposunun git geçmişinde veya GitHub, PyPI ve Hugging Face gibi platformlarda nihai yanıtları arayarak iyi bilinen ödül korsanlığı davranışlarını sergilediğini bildirdi. Daha da şaşırtıcı olanı Liquid AI, modelin bir sandbox içinde çalıştığını bile anladığını yazdı. Şirket, davranışın acil göründüğünü ancak eğitim verilerindeki benzer modellerle açıklanabileceğini söyledi. Buna yanıt olarak sanal alanlarını sıkılaştırdı ve yayınlanan tüm kıyaslama sonuçları kapalı değerlendirme ortamlarından geliyor.

Cihaz İçi Yapay Zeka Pazarı İçin Ne İfade Ediyor?

Bu sürüm, açık ağırlık pazarında bilgi testleri için optimize edilmiş modeller ile güvenilir takım kullanımı için optimize edilmiş modeller arasındaki ayrım çizgisini keskinleştiriyor. Liquid AI'nin sonuçları, 2B aktif bir modelin, aynı donanım üzerinde daha hızlı çalışırken çoğu ajansal kıyaslamada 3B aktif bir rakibi yenebileceğini iddia ediyor; bu, ajan kalitesinin artık ham parametre sayısından çok eğitim verilerine ve koşum takımı maruziyetine bağlı olduğu argümanı.

Yerel dağıtımı bulut API'lerine göre değerlendiren kuruluşlar için bu model somut bir veri noktası sunuyor: açık ağırlıklar, 131K bağlam penceresi ve dizüstü bilgisayar sınıfı çıkarım hızları; geri almayla artırılmış kurulumların bilgi ağırlıklı görevler için önerilen model olmaya devam ettiği uyarısı.

---

Stay Ahead of AI

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

Read more AI news →