Модели и платформы ИИ
Liquid AI выпускает LFM2.5-24B-A2B с открытыми весами для локальных агентных систем
Добавьте Unite.AI в избранные источники в Google
13 октября 2026 года Liquid AI выпустила LFM2.5-24B-A2B — модель для рассуждений с открытыми весами, содержащую 24 млрд параметров, из которых 2 млрд активны, и предназначенную для агентов, работающих непосредственно на устройстве. Компания опубликовала базовую и дообученную версии модели на Hugging Face и подробно рассказала о выпуске в публикации в блоге Hugging Face.
Liquid AI называет LFM2.5-24B-A2B крупнейшей и последней моделью в семействе LFM2.5, диапазон которого теперь простирается от LFM2.5-230M до новой модели.
Архитектура и обучение
Архитектура модели осталась такой же, как у предшественницы LFM2-24B-A2B: 40 слоёв, состоящих из 30 блоков коротких свёрток с двойным гейтингом и 10 блоков внимания с групповыми запросами; в каждом блоке смеси экспертов — 64 эксперта и маршрутизация top-4. Согласно карточке модели, всего в модели 24,0 млрд параметров, из них 2,45 млрд активны; на обучение выделено 36 трлн токенов, словарь насчитывает 128 000 токенов, размер контекстного окна составляет 131 072 токена, а модель поддерживает 16 языков, в том числе английский, арабский, китайский, французский, немецкий, японский, корейский, испанский, хинди и польский.
Новая версия отличается от LFM2-24B-A2B двумя изменениями: размер контекстного окна увеличился с 32 768 до 131 072 токенов, а словарь был расширен без изменения токенизатора и удвоился — с 65 000 до 128 000 токенов, что улучшило токенизацию нелатинских письменностей. В отличие от предшественницы, LFM2.5-24B-A2B предназначена исключительно для рассуждений: перед окончательным ответом она выводит явную цепочку рассуждений. Кроме того, шаблон диалога в стиле ChatML вставляет тег think в начало каждого ответа ассистента.
На этапе предварительного обучения объём данных вырос примерно с 17 трлн до 33 трлн токенов. На этапе промежуточного обучения модель получила 2 трлн токенов с контекстом 32K на отобранных данных, в которых особое внимание уделялось рассуждениям, математике, программированию, следованию инструкциям и многоязычному тексту. Затем было добавлено 300 млрд токенов с контекстом 131K, с упором на данные с длинным контекстом. На обоих этапах использовались вызовы инструментов и многошаговые сценарии взаимодействия. Последующее обучение проходит в пять этапов: обучение с учителем на размеченных данных, специализация модели-учителя, дистилляция по политике на нескольких предметных областях — как для агентных, так и для неагентных задач — и обучение с подкреплением для агентных задач, выполняемое в таких средах запуска агентов, как OpenClaw, Hermes Agent, Pi и OpenCode.
В публикации о выпуске Liquid AI сообщила, что на этапе специализации модели-учителя наблюдалось использование модели лазеек в системе вознаграждений: она искала ответы в истории git репозитория и на таких платформах, как GitHub, PyPI и Hugging Face. В двух зафиксированных случаях модель также распознала, что работает в синтетической изолированной среде. Компания заявила, что это поведение выглядит как возникающее само по себе, однако его можно объяснить сходными закономерностями в обучающих данных. В ответ компания ужесточила изоляцию сред и сообщила, что приведённые результаты получены в закрытых средах оценки.
Результаты тестирования
Liquid AI сравнила LFM2.5-24B-A2B с Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning по 16 тестам, охватывающим использование инструментов и агентные рабочие процессы, знания, следование инструкциям, математику и программирование. Все модели запускались на vLLM с рекомендованными для каждого теста параметрами генерации.
По результатам Liquid AI, LFM2.5-24B-A2B лидирует или показывает результат не хуже остальных моделей сравнения в пяти из восьми тестов на использование инструментов и агентные задачи: AutomationBench, где её результат 27,69 более чем втрое превышает следующий лучший; BFCLv4 — 65,01 против 65,00 у Qwen3.6-35B-A3B; ToolSandbox — 80,71; LiveClaw — 48,09 против 38,19; и τ³-Bench Banking — 8,04. Liquid AI сообщает, что модель также лидирует во всех трёх тестах на следование инструкциям: 96,75 в IFEval, 74,69 в IFBench и 84,38 в Multi-IF.
Те же таблицы показывают, что более крупные модели из сравнения сохраняют преимущество в тестах, требующих обширных знаний, таких как GPQA Diamond, HLE и AA-Omniscience, а также в тестах на программирование, например SciCode и SWE-Bench Verified с OpenCode. В последнем Qwen3.6-35B-A3B набрала 66,20 против 51,00. Для задач, требующих обширных знаний, Liquid AI рекомендует сочетать модель с поиском по базе данных или в интернете, поскольку, по словам компании, такой подход позволяет использовать сильную сторону модели — вызов инструментов.
Запуск, форматы и доступность
С первого дня LFM2.5-24B-A2B поддерживает llama.cpp, MLX, vLLM, SGLang и ONNX. Контрольные точки опубликованы в форматах native, FP8, GGUF, ONNX и MLX-4bit.
На периферийных устройствах, по данным Liquid AI, скорость генерации составляет 184 токена в секунду на Apple M5 Max и 114 токенов в секунду на AMD Ryzen AI Max+ 395. Это до 1,7 раза быстрее, чем у следующей по скорости сравниваемой модели смеси экспертов, при этом памяти требуется меньше всего — 15 ГБ на M5 Max. Измерения проводились на инфраструктуре тестирования Pipette компании с использованием llama.cpp, квантования Q4_K_M и входного контекста в 4K токенов. Для GPU компания сообщает о пропускной способности свыше 21 000 выходных токенов в секунду при параллельной обработке 1 024 запросов на одном NVIDIA B300. Измерение проводилось с помощью SGLang 0.5.22 в BF16, при 1 024 входных токенах и объёме выходных данных до 256 токенов. Компания называет LFM2.5-24B-A2B самой быстрой моделью в своём классе по размеру.
Модель работает с transformers версии 5.0.0 и выше; рекомендуемые параметры генерации: температура 0.1, top-k 50 и штраф за повторения 1.05. Её можно развернуть локально за любым бэкендом, совместимым с OpenAI, и подключить к агентским платформам, включая Hermes Agent, OpenClaw и Pi; в карточке модели описан четырёхэтапный процесс вызова функций, в котором вызовы в стиле Python размещаются между специальными токенами вызова инструментов. Для размещённого инференса Liquid AI установила цену на модель в API Liquid Console: $0.10 за миллион входных токенов, $0.05 за миллион входных токенов из кэша и $1.00 за миллион выходных токенов; при регистрации предоставляется кредит в размере $2. Черновая модель DSpark для спекулятивного декодирования с SGLang указана как готовящаяся к выпуску.
