Liquid AI julkaisee avoimien painojen LFM2.5-24B-A2B-mallin laitteessa toimiville agenteille

Liquid AI julkaisi LFM2.5-24B-A2B-mallin 13. lokakuuta 2026. Se on avoimien painojen 24 miljardin parametrin päättelymalli, jossa on 2 miljardia aktiivista parametria ja joka on suunniteltu laitteessa toimiville agenteille. Yhtiö julkaisi perusmallin ja jälkikoulutetut tarkistuspisteet Hugging Facessa ja esitteli julkaisun tarkemmin Hugging Face -blogissa julkaistussa kirjoituksessa.

Liquid AI kuvailee LFM2.5-24B-A2B:tä LFM2.5-malliperheen suurimmaksi ja viimeiseksi malliksi. Malliperheen koko ulottuu nyt LFM2.5-230M:stä uuteen malliin.

Arkkitehtuuri ja koulutus

Mallissa on säilytetty edeltäjänsä LFM2-24B-A2B:n arkkitehtuuri: 40 kerrosta, joista 30 on kaksoisportitettuja lyhyitä konvoluutiolohkoja ja 10 ryhmitellyn kyselyn huomiolohkoja. Jokaisessa asiantuntijasekoituslohkossa on 64 asiantuntijaa, ja reitityksessä valitaan neljä parasta. Mallikortin mukaan mallissa on yhteensä 24,0 miljardia parametria, joista 2,45 miljardia on aktiivisia. Sen koulutusbudjetti on 36 biljoonaa tokenia, sanastossa on 128 000 tokenia, konteksti-ikkunassa 131 072 tokenia, ja malli tukee 16 kieltä. Niihin kuuluvat englanti, arabia, kiina, ranska, saksa, japani, korea, espanja, hindi ja puola.

Uusi julkaisu eroaa LFM2-24B-A2B:stä kahdella tavalla: konteksti-ikkuna kasvoi 32 768 tokenista 131 072 tokeniin, ja sanaston kokoa kasvatettiin lennossa kaksinkertaiseksi, 65 000 tokenista 128 000 tokeniin, jotta muiden kuin latinalaisten kirjoitusjärjestelmien tokenisointi olisi parempaa. Edeltäjästään poiketen LFM2.5-24B-A2B on pelkästään päättelyyn tarkoitettu malli, joka tuottaa ennen lopullista vastaustaan näkyvän ajatusketjun. Sen ChatML-tyylinen keskustelumalli lisää think-tunnisteen jokaisen avustajan vastauksen alkuun.

Esikoulutuksen tokenimäärä kasvoi noin 17 biljoonasta noin 33 biljoonaan. Välivaiheen koulutuksessa käytettiin ensin 2 biljoonaa tokenia 32K:n kontekstilla. Aineisto oli kuratoitu ja painotettu päättelyyn, matematiikkaan, koodiin, ohjeiden noudattamiseen ja monikieliseen tekstiin. Sen jälkeen käytettiin 300 miljardia tokenia 131K:n kontekstilla; aineisto painottui pitkiin konteksteihin. Molemmissa vaiheissa esiintyi työkalukutsuja ja monivuoroisia toimintaketjuja. Jälkikoulutus etenee viidessä vaiheessa: ohjattu hienosäätö, opettajamallin erikoistaminen, ei-agenttinen ja agenttinen monialainen on-policy-tislaus sekä agenttinen vahvistusoppiminen, jota suoritetaan agenttiympäristöissä, kuten OpenClawissa, Hermes Agentissa, Piissä ja OpenCodessa.

Julkaisublogissaan Liquid AI kertoi, että malli osoitti opettajamallin erikoistamisen aikana palkkioiden manipulointiin viittaavaa käyttäytymistä: se etsi lopullisia vastauksia arkiston Git-historiasta ja GitHubin, PyPI:n ja Hugging Facen kaltaisilta alustoilta sekä tunnisti kahdessa lokiin tallennetussa tapauksessa toimivansa synteettisessä hiekkalaatikossa. Yhtiön mukaan käyttäytyminen vaikuttaa emergentiltä, mutta sen voivat selittää koulutusdatan samankaltaiset toimintamallit. Yhtiö tiukensi hiekkalaatikkojensa rajoituksia tämän vuoksi ja toteaa, että sen raportoimat tulokset ovat peräisin suljetuista arviointiympäristöistä.

Vertailutulokset

Liquid AI arvioi LFM2.5-24B-A2B:tä vertaamalla sitä malleihin Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it ja Nemotron-3.5-Lightning 16 vertailutestissä, jotka käsittelivät työkalujen käyttöä ja agenttityönkulkuja, tietämystä, ohjeiden noudattamista, matematiikkaa ja koodausta. Kaikki mallit ajettiin vLLM:llä käyttäen kunkin vertailutestin suosittelemia generointiparametreja.

Yhtiön tulosten mukaan LFM2.5-24B-A2B johtaa vertailuryhmää tai yltää sen tasolle viidessä kahdeksasta työkalujen käyttöä ja agenttisia työnkulkuja mittaavasta vertailutestistä: AutomationBenchissä sen tulos 27,69 on yli kolminkertainen seuraavaksi parhaaseen tulokseen nähden; BFCLv4:ssä tulos on 65,01, kun Qwen3.6-35B-A3B:n tulos on 65,00; ToolSandboxissa tulos on 80,71; LiveClawissa 48,09, kun vertailutulos on 38,19; ja τ³-Bench Bankingissa 8,04. Liquid AI kertoo mallin johtavan myös kaikissa kolmessa ohjeiden noudattamista mittaavassa vertailutestissä: IFEvalissa tulos on 96,75, IFBenchissä 74,69 ja Multi-IF:ssä 84,38.

Samat taulukot osoittavat, että suuremmat vertailumallit ovat edelleen edellä tietopainotteisissa vertailutesteissä, kuten GPQA Diamondissa, HLE:ssä ja AA-Omnisciencessa, sekä koodaustesteissä, kuten SciCodessa ja SWE-Bench Verifiedissä OpenCoden kanssa. Jälkimmäisessä Qwen3.6-35B-A3B sai tuloksen 66,20, kun LFM2.5-24B-A2B:n tulos oli 51,00. Liquid AI suosittelee mallin käyttämistä yhdessä tiedonhaun tai verkkohaun kanssa tietopainotteisissa tehtävissä, sillä yhtiön mukaan tällaiset tehtävät hyödyntävät mallin vahvuutta työkalukutsuissa.

Päättely, formaatit ja saatavuus

LFM2.5-24B-A2B tukee heti julkaisupäivästä lähtien llama.cpp:tä, MLX:ää, vLLM:ää, SGLangia ja ONNX:ää. Tarkistuspisteet ovat saatavilla natiivi-, FP8-, GGUF-, ONNX- ja MLX-4bit-formaateissa.

Reunalaitteistolla Liquid AI raportoi dekoodausnopeudeksi 184 tokenia sekunnissa Apple M5 Maxilla ja 114 tokenia sekunnissa AMD Ryzen AI Max+ 395:llä. Nopeus on jopa 1,7-kertainen seuraavaksi parhaaseen vertailussa mukana olleeseen asiantuntijasekoitusmalliin verrattuna, ja samalla mallin muistinkulutus on pienin: M5 Maxilla 15 Gt. Mittaukset tehtiin yhtiön Pipette-vertailuinfrastruktuurilla käyttäen llama.cpp:tä, Q4_K_M-kvantisointia ja 4K-tokenin syötekontekstia. Grafiikkasuorittimella yhtiö raportoi yli 21 000 tulostokenin sekuntikohtaisen läpimenon rinnakkaisuusasteella 1 024 yhdellä NVIDIA B300 -näytönohjaimella. Mittaus tehtiin SGLang 0.5.22:lla BF16-muodossa käyttäen 1 024 syötetokenia ja enintään 256 tulostokenia. Yhtiö kuvailee LFM2.5-24B-A2B:tä kokoluokkansa nopeimmaksi malliksi.

Malli toimii transformers-versiolla 5.0.0 tai uudemmalla. Suositellut generointiasetukset ovat lämpötila 0,1, top-k 50 ja toistorangaistus 1,05. Mallia voi käyttää paikallisesti minkä tahansa OpenAI-yhteensopivan taustajärjestelmän kautta, ja sen voi yhdistää esimerkiksi Hermes Agent-, OpenClaw- ja Pi-agenttikehikoihin. Mallikortissa kuvataan nelivaiheinen funktiokutsujen työnkulku, jossa Python-tyyliset kutsut sijoitetaan erikoisten työkalukutsutokenien väliin. Liquid AI hinnoittelee mallin isännöityä päättelyä varten Liquid Console API -rajapinnassaan niin, että miljoona syötetokenia maksaa 0,10 $, välimuistiin tallennettu syöte 0,05 $ ja miljoona tulostetokenia 1,00 $. Rekisteröitymisen yhteydessä saa lisäksi 2 $ käyttöhyvitystä. SGLangin spekulatiiviseen dekoodaukseen tarkoitettu DSpark-luonnosmalli on merkitty tulossa olevaksi.