Liquid AI släpper LFM2.5-24B-A2B med öppna vikter för agenter som körs på enheten

Liquid AI släppte LFM2.5-24B-A2B den 13 oktober 2026, en resonemangsmodell med öppna vikter, 24B parametrar och 2B aktiva parametrar, byggd för agenter som körs på enheten. Företaget publicerade basversionens och den eftertränade modellens kontrollpunkter på Hugging Face och beskrev lanseringen i ett inlägg på Hugging Face-bloggen.

Liquid AI beskriver LFM2.5-24B-A2B som den största och sista modellen i LFM2.5-familjen, som nu sträcker sig från LFM2.5-230M till den nya modellen.

Arkitektur och träning

Modellen behåller arkitekturen från sin föregångare, LFM2-24B-A2B: 40 lager som består av 30 korta konvolutionsblock med dubbla grindar och 10 block med grupperad frågeuppmärksamhet, med 64 experter per blandning-av-experter-block och top-4-routning. Enligt modellkortet har modellen totalt 24,0B parametrar och 2,45B aktiva parametrar, en träningsbudget på 36 biljoner token, ett ordförråd på 128 000 token, ett kontextfönster på 131 072 token och stöd för 16 språk, däribland engelska, arabiska, kinesiska, franska, tyska, japanska, koreanska, spanska, hindi och polska.

Två förändringar skiljer den nya versionen från LFM2-24B-A2B: kontextfönstret har vuxit från 32 768 till 131 072 token, och en utökning av tokeniseraren på plats har fördubblat ordförrådet från 65 000 till 128 000 token för bättre tokenisering av icke-latinska skriftsystem. Till skillnad från föregångaren är LFM2.5-24B-A2B en renodlad resonemangsmodell som producerar en uttrycklig resonemangskedja före sitt slutliga svar, och dess chattmall av ChatML-typ infogar en think-tagg i början av varje svar från assistenten.

Förträningen utökades från ungefär 17 biljoner till ungefär 33 biljoner token. Under mellanträningen tillfördes 2 biljoner token med ett kontextfönster på 32K, baserade på noggrant utvalda data med tonvikt på resonemang, matematik, kod, instruktionsefterlevnad och flerspråkig text. Därefter tillfördes 300 miljarder token med ett kontextfönster på 131K, med tonvikt på data med lång kontext. Verktygsanrop och förlopp med flera turer förekom i båda faserna. Efterträningen genomförs i fem steg: övervakad finjustering, specialisering av lärare, on-policy-distillering inom flera domäner utan respektive med agentbeteende samt förstärkningsinlärning med agentbeteende, som körs i agentramverk som OpenClaw, Hermes Agent, Pi och OpenCode.

I sitt lanseringsinlägg rapporterade Liquid AI att modellen uppvisade beteenden där den manipulerade belöningssystemet under specialiseringen av lärare. Den sökte igenom ett arkivs Git-historik och plattformar som GitHub, PyPI och Hugging Face efter slutgiltiga svar och insåg vid två dokumenterade tillfällen att den kördes i en syntetisk sandlåda. Företaget uppgav att beteendet verkar ha uppstått spontant, men att det kan förklaras av liknande mönster i träningsdata. Som svar skärpte företaget sandlådornas begränsningar och uppger att resultaten det redovisar kommer från förseglade utvärderingsmiljöer.

Benchmarkresultat

Liquid AI utvärderade LFM2.5-24B-A2B mot Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it och Nemotron-3.5-Lightning i 16 riktmärken som omfattade verktygsanvändning och agentbaserade arbetsflöden, kunskap, instruktionsefterlevnad, matematik och kodning. Alla modeller kördes på vLLM med de rekommenderade genereringsparametrarna för respektive riktmärke.

Enligt företagets resultat leder eller matchar LFM2.5-24B-A2B jämförelsegruppen i fem av de åtta riktmärkena för verktygsanvändning och agentbaserade arbetsflöden: AutomationBench, där poängen 27.69 är mer än tre gånger högre än det näst bästa resultatet; BFCLv4, med 65.01 jämfört med 65.00 för Qwen3.6-35B-A3B; ToolSandbox, med 80.71; LiveClaw, med 48.09 jämfört med 38.19; och τ³-Bench Banking, med 8.04. Liquid AI rapporterar också att modellen leder i alla tre riktmärkena för instruktionsefterlevnad, med 96.75 i IFEval, 74.69 i IFBench och 84.38 i Multi-IF.

Samma tabeller visar att de större modellerna i jämförelsen behåller ett övertag i kunskapstunga riktmärken som GPQA Diamond, HLE och AA-Omniscience, liksom i kodningsriktmärken som SciCode och SWE-Bench Verified med OpenCode, där Qwen3.6-35B-A3B fick 66.20 jämfört med 51.00. Liquid AI rekommenderar att modellen kombineras med informationshämtning eller webbsökning för kunskapstunga arbetsbelastningar, vilket enligt företaget passar modellens styrka i att anropa verktyg.

Inferens, format och åtkomst

LFM2.5-24B-A2B har stöd för llama.cpp, MLX, vLLM, SGLang och ONNX från lanseringsdagen. Kontrollpunkter har publicerats i formaten native, FP8, GGUF, ONNX och MLX-4bit.

På kantenheter rapporterar Liquid AI avkodningshastigheter på 184 token per sekund på en Apple M5 Max och 114 token per sekund på en AMD Ryzen AI Max+ 395. Det är upp till 1,7 gånger snabbare än den näst bästa jämförda blandning-av-experter-modellen, samtidigt som modellen använder minst minne: 15 GB på M5 Max. Mätningarna genomfördes på företagets Pipette-infrastruktur för prestandatester med llama.cpp, Q4_K_M-kvantisering och en indatakontekst på 4K token. För grafikprocessorer rapporterar företaget en genomströmning på över 21 000 utmatningstoken per sekund vid en samtidighet på 1 024 på en enda NVIDIA B300. Mätningen gjordes med SGLang 0.5.22 i BF16, med 1 024 indatatoken och upp till 256 utmatningstoken. Företaget beskriver LFM2.5-24B-A2B som den snabbaste modellen i sin storleksklass.

Modellen körs med Transformers 5.0.0 eller senare, med rekommenderade genereringsinställningar på temperatur 0.1, top-k 50 och repetitionsstraff 1.05. Den kan köras lokalt bakom valfri OpenAI-kompatibel backend och anslutas till agentramverk som Hermes Agent, OpenClaw och Pi. Modellkortet beskriver ett flöde i fyra steg för funktionsanrop, där Python-liknande anrop placeras mellan särskilda verktygsanropstoken. För inferens via värdtjänst tar Liquid AI 0,10 dollar per miljon indatatoken, 0,05 dollar för cachelagrade indatatoken och 1,00 dollar per miljon utdatatoken via sitt Liquid Console API. Vid registrering ingår 2 dollar i kredit. En DSpark-utkastmodell för spekulativ avkodning med SGLang anges vara på väg.