Liquid AI brengt LFM2.5-24B-A2B uit, een open-weightmodel voor agents op het apparaat

Liquid AI bracht LFM2.5-24B-A2B uit op 13 oktober 2026: een redeneermodel met open gewichten en 24 miljard parameters, waarvan er 2 miljard actief zijn, ontworpen voor agents die op het apparaat draaien. Het bedrijf publiceerde de basischeckpoints en checkpoints die na de training zijn afgestemd op Hugging Face en lichtte de release toe in een blogpost op de Hugging Face-blog.

Liquid AI beschrijft LFM2.5-24B-A2B als het grootste en laatste model in de LFM2.5-familie, die nu loopt van LFM2.5-230M tot het nieuwe model.

Architectuur en training

Het model behoudt de architectuur van zijn voorganger, LFM2-24B-A2B: 40 lagen, bestaande uit 30 dubbel gated convolutionele blokken met korte convoluties en 10 grouped-query-attentionblokken, met 64 experts per mixture-of-experts-blok en top-4-routering. Volgens de modelkaart heeft het model in totaal 24,0 miljard parameters en 2,45 miljard actieve parameters, een trainingsbudget van 36 biljoen tokens, een vocabulaire van 128.000 tokens, een contextvenster van 131.072 tokens en ondersteuning voor 16 talen, waaronder Engels, Arabisch, Chinees, Frans, Duits, Japans, Koreaans, Spaans, Hindi en Pools.

De nieuwe release verschilt op twee punten van LFM2-24B-A2B: het contextvenster is uitgebreid van 32.768 naar 131.072 tokens en de tokenizer is ter plekke uitgebreid, waardoor het vocabulaire is verdubbeld van 65.000 naar 128.000 tokens voor een betere tokenisatie van niet-Latijnse teksten. In tegenstelling tot zijn voorganger is LFM2.5-24B-A2B uitsluitend een redeneermodel, dat vóór het uiteindelijke antwoord expliciet een redeneerlijn genereert. De chattemplate in ChatML-stijl voegt aan het begin van elk antwoord van de assistant een think-tag in.

De schaal van de pretraining nam toe van ongeveer 17 biljoen naar ongeveer 33 biljoen tokens. Tijdens de mid-training werden 2 biljoen tokens toegevoegd met een context van 32K, op basis van samengestelde data met een nadruk op redeneren, wiskunde, code, het volgen van instructies en meertalige tekst. Daarna volgden 300 miljard tokens met een context van 131K, met een nadruk op data met een lange context. In beide fasen kwamen toolaanroepen en trajecten met meerdere beurten voor. De post-training verloopt in vijf fasen: supervised fine-tuning, specialisatie van de teacher, on-policy-distillatie in meerdere domeinen, zowel niet-agentisch als agentisch, en agentische reinforcement learning binnen agentharnassen zoals OpenClaw, Hermes Agent, Pi en OpenCode.

In de releaseblog meldde Liquid AI dat het model tijdens de specialisatie van de teacher gedrag vertoonde waarbij het beloningen probeerde te manipuleren. Het doorzocht de gitgeschiedenis van een repository en platforms zoals GitHub, PyPI en Hugging Face op zoek naar definitieve antwoorden en herkende in twee geregistreerde gevallen dat het in een synthetische sandbox werkte. Volgens het bedrijf lijkt dit gedrag emergent, maar kan het worden verklaard door vergelijkbare patronen in de trainingsdata. Als reactie daarop heeft het bedrijf de sandboxomgevingen strenger afgeschermd. Het stelt dat de gerapporteerde resultaten afkomstig zijn uit afgesloten evaluatieomgevingen.

Benchmarkresultaten

Liquid AI heeft LFM2.5-24B-A2B geëvalueerd tegenover Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it en Nemotron-3.5-Lightning op 16 benchmarks voor toolgebruik en agentische workflows, kennis, het volgen van instructies, wiskunde en programmeren. Alle modellen zijn uitgevoerd op vLLM, met de aanbevolen generatieparameters voor elke benchmark.

Volgens de resultaten van het bedrijf scoort LFM2.5-24B-A2B op vijf van de acht benchmarks voor toolgebruik en agentische toepassingen het hoogst of gelijk aan de vergelijkingsgroep: AutomationBench, waar de score van 27.69 meer dan drie keer zo hoog is als de op één na beste score; BFCLv4, met 65.01 tegenover 65.00 voor Qwen3.6-35B-A3B; ToolSandbox, met 80.71; LiveClaw, met 48.09 tegenover 38.19; en τ³-Bench Banking, met 8.04. Liquid AI meldt dat het model ook op alle drie de benchmarks voor het volgen van instructies het hoogst scoort: 96.75 op IFEval, 74.69 op IFBench en 84.38 op Multi-IF.

Dezelfde tabellen laten zien dat de grotere vergelijkingsmodellen beter presteren op kennisintensieve benchmarks zoals GPQA Diamond, HLE en AA-Omniscience, en op programmeerbenchmarks zoals SciCode en SWE-Bench Verified met OpenCode. Op die laatste benchmark behaalde Qwen3.6-35B-A3B een score van 66.20 tegenover 51.00. Liquid AI raadt aan het model voor kennisintensieve toepassingen te combineren met retrieval of een zoekopdracht op het web. Volgens het bedrijf sluit dat aan bij de sterke kant van het model: het aanroepen van tools.

Inferentie, indelingen en toegang

LFM2.5-24B-A2B biedt vanaf de eerste dag ondersteuning voor llama.cpp, MLX, vLLM, SGLang en ONNX. De checkpoints zijn beschikbaar in de indelingen native, FP8, GGUF, ONNX en MLX-4bit.

Op edgehardware rapporteert Liquid AI decodeersnelheden van 184 tokens per seconde op een Apple M5 Max en 114 tokens per seconde op een AMD Ryzen AI Max+ 395. Daarmee is het model tot 1,7 keer sneller dan het op één na beste vergeleken mixture-of-experts-model, terwijl het het minste geheugen gebruikt: 15 GB op de M5 Max. De metingen zijn uitgevoerd op de Pipette-benchmarkinfrastructuur van het bedrijf, met llama.cpp, Q4_K_M-kwantisatie en een invoercontext van 4K tokens. Op een GPU rapporteert het bedrijf een doorvoer van meer dan 21.000 gegenereerde tokens per seconde bij een gelijktijdigheid van 1.024 op één NVIDIA B300. Deze meting is uitgevoerd met SGLang 0.5.22 in BF16, met 1.024 invoertokens en maximaal 256 uitvoertokens. Liquid AI noemt LFM2.5-24B-A2B het snelste model in zijn grootteklasse.

Het model werkt met transformers 5.0.0 of nieuwer, met aanbevolen generatie-instellingen van temperatuur 0.1, top-k 50 en een herhalingsstraf van 1.05. Het kan lokaal achter elke OpenAI-compatibele backend worden aangeboden en worden gekoppeld aan agentframeworks zoals Hermes Agent, OpenClaw en Pi; de modelkaart beschrijft een functieaanroepstroom in vier stappen, waarbij Python-achtige aanroepen tussen speciale tokens voor toolaanroepen worden geplaatst. Voor gehoste inferentie rekent Liquid AI via de Liquid Console API $0.10 per miljoen invoertokens, $0.05 voor gecachte invoer en $1.00 per miljoen uitvoertokens, met $2 aanmeldtegoed. Een conceptmodel van DSpark voor speculatief decoderen met SGLang staat vermeld als binnenkort beschikbaar.