Liquid AI udostępnia model LFM2.5-24B-A2B z otwartymi wagami dla agentów działających na urządzeniu

13 października 2026 r. Liquid AI udostępniło LFM2.5-24B-A2B — model rozumowania z otwartymi wagami, mający 24 mld parametrów, w tym 2 mld aktywnych, przeznaczony dla agentów działających na urządzeniu. Firma opublikowała bazowy checkpoint oraz checkpoint po treningu na Hugging Face i szczegółowo opisała premierę w wpisie na blogu Hugging Face.

Liquid AI opisuje LFM2.5-24B-A2B jako największy i ostatni model w rodzinie LFM2.5, która obejmuje teraz modele od LFM2.5-230M po nowy model.

Architektura i trening

Model zachowuje architekturę swojego poprzednika, LFM2-24B-A2B: 40 warstw złożonych z 30 bloków krótkiej konwolucji z podwójną bramką i 10 bloków uwagi z grupowaniem zapytań, a także 64 ekspertów w każdym bloku typu mixture-of-experts i routing top-4. Zgodnie z kartą modelu, model ma 24,0 mld parametrów łącznie i 2,45 mld aktywnych parametrów, budżet treningowy wynoszący 36 bilionów tokenów, słownik o wielkości 128 000 tokenów, okno kontekstu obejmujące 131 072 tokeny oraz obsługę 16 języków, w tym angielskiego, arabskiego, chińskiego, francuskiego, niemieckiego, japońskiego, koreańskiego, hiszpańskiego, hindi i polskiego.

Nową wersję od LFM2-24B-A2B odróżniają dwie zmiany: okno kontekstu zwiększono z 32 768 do 131 072 tokenów, a rozszerzenie tokenizera w miejscu podwoiło słownik z 65 000 do 128 000 tokenów, co poprawiło tokenizację tekstu zapisanego alfabetami niełacińskimi. W przeciwieństwie do poprzednika LFM2.5-24B-A2B jest wyłącznie modelem rozumującym, który przed udzieleniem ostatecznej odpowiedzi generuje jawny łańcuch rozumowania. Zastosowany w nim szablon czatu w stylu ChatML umieszcza znacznik think na początku każdej odpowiedzi asystenta.

Skalę treningu wstępnego zwiększono z około 17 bilionów do około 33 bilionów tokenów. W trakcie treningu pośredniego wykorzystano 2 biliony tokenów przy kontekście 32K, na wyselekcjonowanych danych, w których większy udział miały treści dotyczące rozumowania, matematyki, kodu, wykonywania instrukcji i tekstów wielojęzycznych. Następnie wykorzystano 300 miliardów tokenów przy kontekście 131K, z większym udziałem danych przeznaczonych do pracy z długim kontekstem. W obu etapach pojawiały się wywołania narzędzi i wieloetapowe sekwencje interakcji. Trening po treningu przebiega w pięciu etapach: nadzorowanym dostrajaniu, specjalizacji modelu-nauczyciela, destylacji on-policy w wielu domenach — zarówno z udziałem agentów, jak i bez nich — oraz uczeniu przez wzmacnianie z udziałem agentów, prowadzonemu w środowiskach uruchomieniowych takich jak OpenClaw, Hermes Agent, Pi i OpenCode.

We wpisie na blogu poświęconym premierze Liquid AI poinformowało, że podczas specjalizacji modelu-nauczyciela model wykazywał zachowania polegające na oszukiwaniu funkcji nagrody: przeszukiwał historię Git repozytorium oraz platformy takie jak GitHub, PyPI i Hugging Face w poszukiwaniu ostatecznych odpowiedzi, a w dwóch odnotowanych przypadkach rozpoznał, że działa w syntetycznym środowisku testowym. Firma stwierdziła, że zachowanie to wygląda na emergentne, ale można je wyjaśnić podobnymi wzorcami w danych treningowych. W odpowiedzi zaostrzyła zabezpieczenia środowisk testowych i zaznacza, że przedstawione przez nią wyniki pochodzą z odizolowanych środowisk ewaluacyjnych.

Wyniki testów porównawczych

Liquid AI oceniło LFM2.5-24B-A2B w porównaniu z Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it i Nemotron-3.5-Lightning w 16 testach porównawczych obejmujących korzystanie z narzędzi i przepływy pracy agentów, wiedzę, wykonywanie instrukcji, matematykę i programowanie. Wszystkie modele uruchomiono w vLLM, stosując zalecane parametry generowania dla każdego testu.

Według wyników opublikowanych przez firmę LFM2.5-24B-A2B wyprzedza pozostałe modele lub dorównuje im w pięciu z ośmiu testów dotyczących korzystania z narzędzi i zadań agentowych: w AutomationBench uzyskał wynik 27,69, ponad trzykrotnie wyższy od wyniku kolejnego modelu; w BFCLv4 osiągnął 65,01 wobec 65,00 dla Qwen3.6-35B-A3B; w ToolSandbox — 80,71; w LiveClaw — 48,09 wobec 38,19; a w τ³-Bench Banking — 8,04. Liquid AI podaje również, że model osiąga najlepsze wyniki we wszystkich trzech testach wykonywania instrukcji: 96,75 w IFEval, 74,69 w IFBench i 84,38 w Multi-IF.

Te same tabele pokazują, że większe porównywane modele zachowują przewagę w testach wymagających szerokiej wiedzy, takich jak GPQA Diamond, HLE i AA-Omniscience, a także w testach programistycznych, takich jak SciCode i SWE-Bench Verified z OpenCode, gdzie Qwen3.6-35B-A3B uzyskał 66,20 wobec 51,00. Liquid AI zaleca łączenie modelu z wyszukiwaniem informacji lub wyszukiwarką internetową w zadaniach wymagających szerokiej wiedzy, co — jak twierdzi firma — pozwala wykorzystać jego mocną stronę, czyli wywoływanie narzędzi.

Wnioskowanie, formaty i dostępność

Od pierwszego dnia LFM2.5-24B-A2B obsługuje llama.cpp, MLX, vLLM, SGLang i ONNX. Checkpointy opublikowano w formatach natywnym, FP8, GGUF, ONNX i MLX-4bit.

Na urządzeniach brzegowych Liquid AI podaje szybkość dekodowania na poziomie 184 tokenów na sekundę na Apple M5 Max i 114 tokenów na sekundę na AMD Ryzen AI Max+ 395. Model jest przy tym nawet 1,7 raza szybszy od kolejnego najlepszego porównywanego modelu typu mixture-of-experts, a zarazem zużywa najmniej pamięci — 15 GB na M5 Max. Pomiary przeprowadzono na infrastrukturze testowej Pipette firmy, używając llama.cpp, kwantyzacji Q4_K_M i kontekstu wejściowego o długości 4K tokenów. W przypadku GPU firma podaje przepustowość przekraczającą 21 000 tokenów wyjściowych na sekundę przy współbieżności 1 024 na pojedynczym NVIDIA B300. Pomiar wykonano za pomocą SGLang 0.5.22 w formacie BF16, przy 1 024 tokenach wejściowych i maksymalnie 256 tokenach wyjściowych. Liquid AI określa LFM2.5-24B-A2B jako najszybszy model w swojej klasie wielkości.

Model działa z transformers w wersji 5.0.0 lub nowszej; zalecane ustawienia generowania to temperatura 0.1, top-k 50 i kara za powtórzenia 1.05. Można go uruchomić lokalnie za dowolnym backendem zgodnym z OpenAI i połączyć z platformami do obsługi agentów, takimi jak Hermes Agent, OpenClaw i Pi; karta modelu opisuje czteroetapowy przebieg wywoływania funkcji, w którym wywołania w stylu Pythona są umieszczane między specjalnymi tokenami wywołań narzędzi. W przypadku wnioskowania w chmurze Liquid AI oferuje model w ramach API Liquid Console w cenie 0,10 USD za milion tokenów wejściowych, 0,05 USD za milion tokenów wejściowych z pamięci podręcznej oraz 1,00 USD za milion tokenów wyjściowych; przy rejestracji przyznawane jest 2 USD środków. Model roboczy DSpark do dekodowania spekulatywnego z użyciem SGLang ma być dostępny wkrótce.