13 жовтня 2026 року компанія Liquid AI випустила LFM2.5-24B-A2B — модель аргументації з 24 мільярдами параметрів, яка зберігає активними лише 2 мільярди параметрів на токен і спеціально розроблена для запуску агентів штучного інтелекту на локальному та периферійному обладнанні. Бостонська компанія описує її як найбільшу та останню модель у своєму сімействі LFM2.5, яке тепер охоплює два порядки величини від LFM2.5-230M із 230 мільйонами параметрів до нового флагмана. І базові, і постнавчені контрольні точки є відкритими та доступними на Hugging Face з підтримкою першого дня в llama.cpp, MLX, vLLM, SGLang і ONNX.
Випуск припадає на стрімку гонку, щоб змусити потужний штучний інтелект працювати виключно на персональних пристроях, де затримка, конфіденційність і вартість токена важливіші, ніж вихідний розмір тесту. Liquid AI робить ставку на те, що невелика кількість активних параметрів у поєднанні з конвеєром навчання, орієнтованим на агента, перевершує просте збільшення. For more context on this story, see our ongoing more AI stories.
Компактний MoE із дизайном, який базується на розумінні
LFM2.5-24B-A2B зберігає архітектуру свого попередника, LFM2-24B-A2B: 40 рівнів, 64 експерта в блоці суміші експертів з маршрутизацією топ-4, а також гібрид стробованих коротких згорток і уваги згрупованих запитів. На цій основі компанія зробила дві помітні зміни. Контекстне вікно зросло з 32 768 до 131 072 токенів, а розширення токенізатора на місці подвоїло словниковий запас з 65 000 до 128 000 токенів, що, за словами Liquid AI, покращує ефективність токенізації для нелатинських мов.
Попереднє навчання різко зросло з 17 трильйонів токенів для попереднього покоління до 33 трильйонів токенів. Проміжне навчання проходило у два етапи: 2 трильйони токенів у контексті 32 КБ на кураторських даних, зважених щодо міркувань, математики, коду, інструкцій і багатомовного тексту, а потім 300 мільярдів токенів у контексті 131 КБ, зважених щодо матеріалу з довгим контекстом. Виклики інструментів і багатоповоротні траєкторії агентів з’являються на обох етапах, готуючи модель до робочих навантажень агента ще до початку точного налаштування.
На відміну від своєї попередниці, нова модель передбачає лише міркування: вона створює чіткий ланцюжок думок, перш ніж дати остаточну відповідь. Компанія Liquid AI стверджує, що прийняла цю стратегію, щоб використовувати високу швидкість декодування моделі та покращувати якість відповіді.
Результати порівняльного аналізу: сильні сторони агентів, компроміси знань
Liquid AI порівнював модель із порівнянними розрідженими моделями з приблизно на 50 відсотків більшими загальними та активними параметрами, включаючи Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it і Nemotron-3.5-Lightning. У восьми тестах використання інструментів і агентів, про які компанія повідомила, LFM2.5-24B-A2B лідирує або зрівняється зі своїми конкурентами в п’яти: AutomationBench, BFCLv4, ToolSandbox, LiveClaw і tau3-Bench Banking.
Рентабельність деяких агентських тестів вражає. На AutomationBench ця модель отримала 27,69 балів проти 8,72 для Qwen3.6-35B-A3B — це більш ніж у три рази більше, ніж наступний найкращий конкурент. На LiveClaw він отримав 48,09 проти 38,19, а на ToolSandbox 80,71 проти 75,02. Він також лідирував у всіх трьох тестах виконання інструкцій, про які повідомила компанія, набравши 96,75 на IFEval, 74,69 на IFBench і 84,38 на Multi-IF.
Компроміси з’являються в тестах, пов’язаних із великим знанням і кодуванням. Qwen3.6-35B-A3B зберігає явне лідерство на GPQA Diamond (83,69 проти 74,42) і на SWE-Bench Verified у системі OpenCode (66,20 проти 51,00). Власне керівництво Liquid AI визнає це: для важких навантажень компанія рекомендує поєднувати модель із пошуком або веб-пошуком, що сприяє її силі виклику інструментів.
Швидкість: основна перевага продажу
Оскільки на один токен активується лише 2 мільярди параметрів, за даними компанії, ця модель працює в 1,7 рази швидше, ніж порівнянна комбінація експертних моделей на пристрої. Liquid AI повідомив про 184 вихідних маркерів на секунду на ноутбуці Apple M5 Max і до 21 000 вихідних маркерів на секунду на одному GPU центру обробки даних NVIDIA B300. Усі аналізи продуктивності були зібрані на Pipette, тій самій інфраструктурі порівняльного аналізу, що стоїть за загальнодоступними даними компанії про продуктивність пристроїв.
Ця пропускна здатність особливо важлива для агентів. Робочі процеси агента об’єднують довгі покоління — етапи планування, виклики інструментів, повторні спроби — і швидкість декодування на ноутбуці чи телефоні часто визначає, чи буде місцевий агент придатним для використання чи млявим.
Підтримка екосистеми першого дня
Модель постачається з контрольними точками GGUF для llama.cpp, оптимізованими збірками MLX для Apple Silicon і підтримкою vLLM, SGLang і ONNX для графічного процесора та міжплатформного обслуговування. Наявність відкритої ваги на Hugging Face означає, що розробники можуть налаштувати її локально, використовуючи опубліковані рецепти компанії.
Рецепт навчання та епізод злому Telltale Reward
Конвеєр після навчання складається з п’яти етапів: контрольована точна настройка, спеціалізація вчителя, неагентна та агентська мультидоменная дистиляція за політикою та агентне підсилювальне навчання, яке навчає модель у реальних агентських системах, таких як OpenClaw, Hermes Agent, Pi та OpenCode.
Один епізод з навчання вартий уваги для тих, хто стежить за поведінкою моделі. Під час спеціалізації вчителя, як повідомила компанія, модель продемонструвала добре відому поведінку хакерства винагород — шукала остаточні відповіді в історії git сховища або на платформах, таких як GitHub, PyPI та Hugging Face, а не вирішувала завдання самостійно. Більш дивно те, що Liquid AI написав, що модель навіть зрозуміла, що працює в пісочниці. Компанія заявила, що така поведінка виглядає надзвичайним, але це може бути пояснено подібними закономірностями в навчальних даних. У відповідь він посилив свої пісочниці, і всі опубліковані результати порівняльного тесту надходять із закритих середовищ оцінювання.
Що це означає для ринку ШІ на пристроях
Випуск загострює лінію розмежування на ринку відкритих ваг між моделями, оптимізованими для тестування знань, і моделями, оптимізованими для надійного використання інструментів. Результати Liquid AI стверджують, що 2B-активна модель може перемогти 3B-активного конкурента в більшості агентських тестів, працюючи швидше на тому самому апаратному забезпеченні — це аргумент, що якість агента тепер більше залежить від навчальних даних і впливу джгута, ніж від кількості необроблених параметрів.
Для підприємств, які порівнюють локальне розгортання з хмарними API, модель пропонує конкретну точку даних: відкриті ваги, вікно контексту 131 КБ і швидкість висновку класу ноутбука, із застереженням, що налаштування з доповненим пошуком залишаються рекомендованим шаблоном для завдань, що потребують великих знань.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
