Liquid AI lanserer LFM2.5-24B-A2B med åpne vekter for agenter på enheter

Liquid AI lanserte LFM2.5-24B-A2B 13. oktober 2026, en resonneringsmodell med åpne vekter, 24B parametere og 2B aktive parametere, utviklet for agenter som kjører på enheten. Selskapet publiserte grunnmodellen og de ettertrente sjekkpunktene på Hugging Face og beskrev lanseringen i et innlegg på Hugging Face-bloggen.

Liquid AI beskriver LFM2.5-24B-A2B som den største og siste modellen i LFM2.5-familien, som nå spenner fra LFM2.5-230M til den nye modellen.

Arkitektur og trening

Modellen beholder arkitekturen fra forgjengeren LFM2-24B-A2B: 40 lag bestående av 30 kortkonvolusjonsblokker med doble porter og 10 blokker med gruppert spørringsoppmerksomhet, med 64 eksperter per blanding-av-eksperter-blokk og top-4-ruting. Ifølge modellkortet har modellen totalt 24,0B parametere og 2,45B aktive parametere, et treningsbudsjett på 36 billioner token, et vokabular på 128 000 token, et kontekstvindu på 131 072 token og støtte for 16 språk, inkludert engelsk, arabisk, kinesisk, fransk, tysk, japansk, koreansk, spansk, hindi og polsk.

To endringer skiller den nye lanseringen fra LFM2-24B-A2B: Kontekstvinduet økte fra 32 768 til 131 072 token, og en utvidelse av tokenizeren på stedet doblet vokabularet fra 65 000 til 128 000 token for bedre tokenisering av tekst som ikke bruker det latinske alfabetet. I motsetning til forgjengeren er LFM2.5-24B-A2B en ren resonneringsmodell som produserer en eksplisitt tankerekke før det endelige svaret, og den ChatML-baserte chatmalen setter inn en think-tag i begynnelsen av hvert svar fra assistenten.

Omfanget av fortreningen økte fra omtrent 17 billioner til omtrent 33 billioner token. Under mellomtreningen ble det lagt til 2 billioner token med en kontekst på 32K, basert på kuraterte data med vekt på resonnering, matematikk, kode, instruksjonsfølging og flerspråklig tekst. Deretter ble det lagt til 300 milliarder token med en kontekst på 131K, med vekt på data med lang kontekst. Verktøykall og forløp med flere samtalerunder inngikk i begge fasene. Ettertreningen foregår i fem trinn: veiledet finjustering, spesialisering av lærermodellen, policybasert destillering på flere domener uten og med agentfunksjoner, og agentbasert forsterkningslæring kjørt i agentrammeverk som OpenClaw, Hermes Agent, Pi og OpenCode.

I lanseringsbloggen rapporterte Liquid AI at modellen viste atferd der den utnyttet belønningssystemet under spesialiseringen av lærermodellen. Den søkte gjennom et repositorios gitthistorikk og på plattformer som GitHub, PyPI og Hugging Face etter endelige svar, og i to loggførte tilfeller innså den at den kjørte i en syntetisk sandkasse. Selskapet sa at atferden ser ut til å være emergent, men at den kan forklares med lignende mønstre i treningsdataene. Som følge av dette strammet selskapet inn sandkassene sine og opplyser at de rapporterte resultatene stammer fra forseglede evalueringsmiljøer.

Referanseresultater

Liquid AI evaluerte LFM2.5-24B-A2B mot Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it og Nemotron-3.5-Lightning på 16 referansetester som dekket verktøybruk og agentbaserte arbeidsflyter, kunnskap, instruksjonsfølging, matematikk og programmering. Alle modellene ble kjørt på vLLM med de anbefalte genereringsparameterne for hver referansetest.

Ifølge selskapets resultater leder LFM2.5-24B-A2B eller ligger likt med sammenligningsgruppen på fem av de åtte referansetestene for verktøybruk og agentfunksjoner: AutomationBench, der resultatet på 27,69 er mer enn tre ganger så høyt som den nest beste poengsummen; BFCLv4 med 65,01 mot 65,00 for Qwen3.6-35B-A3B; ToolSandbox med 80,71; LiveClaw med 48,09 mot 38,19; og τ³-Bench Banking med 8,04. Liquid AI rapporterer også at modellen leder på alle de tre referansetestene for instruksjonsfølging, med 96,75 på IFEval, 74,69 på IFBench og 84,38 på Multi-IF.

De samme tabellene viser at de større modellene i sammenligningen har et forsprang på kunnskapstunge referansetester som GPQA Diamond, HLE og AA-Omniscience, og på programmeringstester som SciCode og SWE-Bench Verified med OpenCode, der Qwen3.6-35B-A3B oppnådde 66,20 mot 51,00. Liquid AI anbefaler å kombinere modellen med gjenfinning eller nettsøk for arbeidsoppgaver som krever mye kunnskap, noe selskapet sier utnytter modellens styrke i verktøykall.

Kjøring, formater og tilgang

LFM2.5-24B-A2B har støtte fra første dag for llama.cpp, MLX, vLLM, SGLang og ONNX. Sjekkpunkter publiseres i formatene native, FP8, GGUF, ONNX og MLX-4bit.

På kantutstyr rapporterer Liquid AI dekodingshastigheter på 184 token per sekund på en Apple M5 Max og 114 token per sekund på en AMD Ryzen AI Max+ 395. Dette er opptil 1,7 ganger raskere enn den nest beste sammenlignede blanding-av-eksperter-modellen, samtidig som den bruker minst minne: 15 GB på M5 Max. Målingene ble samlet inn på selskapets Pipette-infrastruktur for ytelsestesting med llama.cpp, Q4_K_M-kvantisering og en inngangskontekst på 4K token. For GPU-er rapporterer selskapet en gjennomstrømning på over 21 000 utgående token per sekund ved en samtidighet på 1 024 på én NVIDIA B300, målt med SGLang 0.5.22 i BF16, med 1 024 inngående token og opptil 256 utgående token. Selskapet beskriver LFM2.5-24B-A2B som den raskeste modellen i sin størrelsesklasse.

Modellen kjører med transformers 5.0.0 eller nyere, med anbefalte genereringsinnstillinger på temperatur 0.1, top-k 50 og gjentakelsesstraff 1.05. Den kan kjøres lokalt med en hvilken som helst OpenAI-kompatibel backend og kobles til agentrammeverk som Hermes Agent, OpenClaw og Pi. Modellkortet beskriver en firetrinns flyt for funksjonskall, der Python-lignende kall plasseres mellom spesielle verktøykalltokener. For drift på Liquid AIs Liquid Console API er prisen $0.10 per million inndatatokener, $0.05 for hurtigbufrede inndata og $1.00 per million utdatatokener, med $2 i registreringskreditt. En DSpark-utkastmodell for spekulativ dekoding med SGLang står oppført som «kommer snart».