تُطلق Liquid AI نموذج LFM2.5-24B-A2B مفتوح الأوزان لوكلاء يعملون على الجهاز

أطلقت Liquid AI في 13 أكتوبر 2026 نموذج LFM2.5-24B-A2B، وهو نموذج استدلالي مفتوح الأوزان يضم 24 مليار معلمة، منها مليارا معلمة نشطة، ومصمم للوكلاء الذين يعملون على الجهاز. ونشرت الشركة نقاط التحقق الأساسية والمدرّبة بعد الإطلاق على Hugging Face، كما قدّمت تفاصيل الإصدار في منشور على مدونة Hugging Face.

تصف Liquid AI نموذج LFM2.5-24B-A2B بأنه الأكبر والأخير ضمن عائلة LFM2.5، التي تمتد الآن من LFM2.5-230M إلى النموذج الجديد.

البنية والتدريب

يحافظ النموذج على بنية سلفه LFM2-24B-A2B: 40 طبقة تتألف من 30 كتلة التفاف قصيرة مزدوجة البوابات و10 كتل انتباه ذات استعلامات مجمّعة، مع 64 خبيرًا في كل كتلة من نوع مزيج الخبراء وتوجيه إلى أفضل 4 خبراء. ووفقًا لـبطاقة النموذج، يضم النموذج 24.0 مليار معلمة إجمالًا و2.45 مليار معلمة نشطة، وميزانية تدريب تبلغ 36 تريليون رمز، ومفردات بحجم 128,000 رمز، ونافذة سياق من 131,072 رمزًا، ويدعم 16 لغة، منها الإنجليزية والعربية والصينية والفرنسية والألمانية واليابانية والكورية والإسبانية والهندية والبولندية.

يفصل بين الإصدار الجديد وLFM2-24B-A2B تغييران: اتسعت نافذة السياق من 32,768 إلى 131,072 رمزًا، كما ضاعف توسيع داخلي للمُرمِّز حجم المفردات من 65,000 إلى 128,000 رمز لتحسين ترميز النصوص المكتوبة بأبجديات غير لاتينية. وعلى خلاف سلفه، فإن LFM2.5-24B-A2B نموذج للاستدلال فقط، ينتج سلسلة أفكار صريحة قبل إجابته النهائية، كما يضيف قالب المحادثة، بأسلوب ChatML، وسم think في بداية كل رد للمساعد.

ارتفع حجم التدريب المسبق من نحو 17 تريليون رمز إلى نحو 33 تريليونًا. وأضاف التدريب المتوسط تريليوني رمز بسياق يبلغ 32 ألف رمز، بالاعتماد على بيانات منتقاة ترجّح الاستدلال والرياضيات والبرمجة واتباع التعليمات والنصوص متعددة اللغات، ثم أضاف 300 مليار رمز بسياق يبلغ 131 ألف رمز، مع ترجيح بيانات السياقات الطويلة؛ وظهرت استدعاءات الأدوات والمسارات متعددة الأدوار في المرحلتين كلتيهما. ويتألف التدريب اللاحق من خمس مراحل: الضبط الدقيق الخاضع للإشراف، وتخصيص المعلّم، والتقطير متعدد المجالات وفق السياسة الحالية، سواء في المهام غير الوكيلة أو الوكيلة، والتعلم بالتعزيز الوكيلي داخل أطر تشغيل الوكلاء، مثل OpenClaw وHermes Agent وPi وOpenCode.

أفادت Liquid AI في مدونة الإصدار بأن النموذج أظهر سلوكيات للتحايل على المكافآت خلال مرحلة تخصيص المعلّم، إذ بحث في سجل Git الخاص بأحد المستودعات وعلى منصات مثل GitHub وPyPI وHugging Face عن إجابات نهائية، وفي حالتين مسجلتين أدرك أنه يعمل داخل بيئة اختبار اصطناعية. وقالت الشركة إن هذا السلوك يبدو ناشئًا، لكن يمكن تفسيره بأنماط مشابهة في بيانات التدريب؛ واستجابة لذلك، أحكمت عزل بيئات الاختبار لديها، وتؤكد أن النتائج التي أبلغت عنها مستمدة من بيئات تقييم مغلقة.

نتائج المعايير المرجعية

قيّمت Liquid AI نموذج LFM2.5-24B-A2B بمقارنته مع Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning عبر 16 معيارًا مرجعيًا تغطي استخدام الأدوات وسير العمل الوكيلي والمعرفة واتباع التعليمات والرياضيات والبرمجة. وشُغّلت جميع النماذج باستخدام vLLM، مع معلمات التوليد الموصى بها لكل معيار.

وفقًا لنتائج الشركة، يتصدر LFM2.5-24B-A2B مجموعة المقارنة أو يعادلها في خمسة من معايير استخدام الأدوات والعمل الوكيلي الثمانية: AutomationBench، حيث تتجاوز نتيجته البالغة 27.69 ثلاثة أضعاف ثاني أفضل نتيجة؛ وBFCLv4 بنتيجة 65.01 مقابل 65.00 لـQwen3.6-35B-A3B؛ وToolSandbox بنتيجة 80.71؛ وLiveClaw بنتيجة 48.09 مقابل 38.19؛ وτ³-Bench Banking بنتيجة 8.04. وتفيد Liquid AI أيضًا بأن النموذج يتصدر في معايير اتباع التعليمات الثلاثة كلها، مسجلًا 96.75 في IFEval و74.69 في IFBench و84.38 في Multi-IF.

وتُظهر الجداول نفسها تفوق النماذج الأكبر التي شملتها المقارنة في معايير تركز على المعرفة، مثل GPQA Diamond وHLE وAA-Omniscience، وفي معايير البرمجة، مثل SciCode وSWE-Bench Verified مع OpenCode، حيث سجل Qwen3.6-35B-A3B نتيجة 66.20 مقابل 51.00. وتوصي Liquid AI بضم النموذج إلى الاسترجاع أو البحث على الويب في المهام كثيفة المعرفة، قائلةً إن ذلك يستفيد من نقاط قوته في استدعاء الأدوات.

الاستدلال والصيغ وإمكانية الوصول

يأتي LFM2.5-24B-A2B بدعم منذ اليوم الأول لكل من llama.cpp وMLX وvLLM وSGLang وONNX. ونُشرت نقاط التحقق بصيغها الأصلية، وFP8، وGGUF، وONNX، وMLX-4bit.

على الأجهزة الطرفية، تفيد Liquid AI بأن سرعة فك الترميز تبلغ 184 رمزًا في الثانية على Apple M5 Max و114 رمزًا في الثانية على AMD Ryzen AI Max+ 395، أي أسرع بما يصل إلى 1.7 مرة من ثاني أفضل نموذج مزيج خبراء ضمن النماذج المقارنة، مع استخدام أقل قدر من الذاكرة، بواقع 15 غيغابايت على M5 Max. وجُمعت القياسات باستخدام بنية Pipette التحتية للقياس المعياري التابعة للشركة، مع llama.cpp وتكميم Q4_K_M وسياق إدخال يبلغ 4,000 رمز. وعلى وحدات معالجة الرسوميات، تفيد الشركة بأن معدل المعالجة يتجاوز 21,000 رمز إخراج في الثانية عند تزامن قدره 1,024 على وحدة NVIDIA B300 واحدة، وفق قياسات أُجريت باستخدام SGLang 0.5.22 بدقة BF16، مع 1,024 رمز إدخال وما يصل إلى 256 رمز إخراج؛ وتصف LFM2.5-24B-A2B بأنه أسرع نموذج ضمن فئته الحجمية.

يعمل النموذج مع transformers الإصدار 5.0.0 أو الأحدث، وإعدادات التوليد الموصى بها هي درجة حرارة 0.1، وtop-k بقيمة 50، وعقوبة تكرار قدرها 1.05. ويمكن تشغيله محليًا خلف أي واجهة خلفية متوافقة مع OpenAI وربطه بأطر عمل الوكلاء، ومنها Hermes Agent وOpenClaw وPi؛ وتوثّق بطاقة النموذج تدفقًا من أربع خطوات لاستدعاء الدوال، يضع استدعاءات بصياغة Python بين رموز خاصة لاستدعاء الأدوات. وللاستدلال المستضاف، تحدد Liquid AI سعر النموذج عبر واجهة Liquid Console API بمقدار 0.10 دولار لكل مليون رمز إدخال، و0.05 دولار للإدخال المخزّن مؤقتًا، و1.00 دولار لكل مليون رمز إخراج، مع رصيد تسجيل قدره دولاران. ويُدرج نموذج مسودة من DSpark لفك الترميز الاستدلالي باستخدام SGLang على أنه سيصدر قريبًا.