Liquid AI เปิดตัว LFM2.5-24B-A2B แบบเปิดเผยน้ำหนักโมเดล สำหรับเอเจนต์ที่ทำงานบนอุปกรณ์

Liquid AI เปิดตัว LFM2.5-24B-A2B เมื่อวันที่ 13 ตุลาคม 2026 ซึ่งเป็นโมเดลให้เหตุผลแบบเปิดเผยน้ำหนัก จำนวน 24B พารามิเตอร์ โดยมีพารามิเตอร์ที่ทำงานอยู่ 2B และสร้างขึ้นสำหรับเอเจนต์ที่ทำงานบนอุปกรณ์ บริษัทเผยแพร่เช็กพอยต์ทั้งรุ่นพื้นฐานและรุ่นที่ผ่านการฝึกเพิ่มเติมบน Hugging Face พร้อมให้รายละเอียดการเปิดตัวใน โพสต์บนบล็อก Hugging Face

Liquid AI ระบุว่า LFM2.5-24B-A2B เป็นโมเดลที่ใหญ่ที่สุดและเป็นรุ่นสุดท้ายในตระกูล LFM2.5 ซึ่งขณะนี้มีตั้งแต่ LFM2.5-230M ไปจนถึงโมเดลรุ่นใหม่นี้

สถาปัตยกรรมและการฝึก

โมเดลนี้ยังคงใช้สถาปัตยกรรมเดียวกับรุ่นก่อนหน้าอย่าง LFM2-24B-A2B ได้แก่ 40 เลเยอร์ ประกอบด้วยบล็อกคอนโวลูชันแบบเกตคู่ 30 บล็อก และบล็อก attention แบบ grouped-query 10 บล็อก โดยแต่ละบล็อก mixture-of-experts มีผู้เชี่ยวชาญ 64 ตัว และใช้การกำหนดเส้นทางแบบ top-4 ตามข้อมูลใน การ์ดโมเดล โมเดลนี้มีพารามิเตอร์ทั้งหมด 24.0B และพารามิเตอร์ที่ทำงานอยู่ 2.45B ใช้งบการฝึก 36 ล้านล้านโทเค็น มีคลังคำศัพท์ขนาด 128,000 โทเค็น หน้าต่างบริบท 131,072 โทเค็น และรองรับ 16 ภาษา ได้แก่ อังกฤษ อาหรับ จีน ฝรั่งเศส เยอรมัน ญี่ปุ่น เกาหลี สเปน ฮินดี และโปแลนด์

การเปิดตัวรุ่นใหม่นี้แตกต่างจาก LFM2-24B-A2B อยู่สองประการ ได้แก่ หน้าต่างบริบทเพิ่มจาก 32,768 เป็น 131,072 โทเค็น และการขยายโทเคไนเซอร์โดยตรงโดยไม่ต้องสร้างใหม่ ทำให้คลังคำศัพท์เพิ่มขึ้นสองเท่าจาก 65,000 เป็น 128,000 โทเค็น เพื่อให้การแยกโทเค็นสำหรับภาษาที่ไม่ใช้อักษรละตินมีประสิทธิภาพดีขึ้น ต่างจากรุ่นก่อนหน้า LFM2.5-24B-A2B เป็นโมเดลที่เน้นการให้เหตุผลโดยเฉพาะ โดยสร้างลำดับความคิดอย่างชัดเจนก่อนให้คำตอบสุดท้าย และเทมเพลตแชตรูปแบบ ChatML จะแทรกแท็ก think ไว้ที่จุดเริ่มต้นของคำตอบแต่ละครั้งจากผู้ช่วย

การฝึกก่อนเริ่มต้นขยายจากประมาณ 17 ล้านล้านโทเค็นเป็นประมาณ 33 ล้านล้านโทเค็น ส่วนการฝึกระยะกลางเพิ่มข้อมูลอีก 2 ล้านล้านโทเค็น โดยใช้บริบท 32K กับชุดข้อมูลที่คัดสรรและให้น้ำหนักกับการให้เหตุผล คณิตศาสตร์ โค้ด การทำตามคำสั่ง และข้อความหลายภาษา จากนั้นเพิ่มอีก 300,000 ล้านโทเค็นโดยใช้บริบท 131K และให้น้ำหนักกับข้อมูลบริบทยาว ทั้งสองช่วงมีการใช้คำสั่งเรียกเครื่องมือและลำดับการโต้ตอบหลายรอบ การฝึกหลังการฝึกดำเนินไปห้าขั้น ได้แก่ การปรับแต่งแบบมีผู้สอน การปรับผู้สอนให้เชี่ยวชาญ การกลั่นความรู้แบบ on-policy หลายโดเมนทั้งแบบไม่ใช้เอเจนต์และแบบใช้เอเจนต์ และการเรียนรู้เสริมแรงแบบใช้เอเจนต์ซึ่งดำเนินการภายในชุดเครื่องมือสำหรับเอเจนต์ เช่น OpenClaw, Hermes Agent, Pi และ OpenCode

ในบล็อกประกาศการเปิดตัว Liquid AI รายงานว่าโมเดลแสดงพฤติกรรมแฮ็กคะแนนรางวัลระหว่างการปรับผู้สอนให้เชี่ยวชาญ โดยค้นหาประวัติ git ของที่เก็บโค้ด รวมถึงแพลตฟอร์มอย่าง GitHub, PyPI และ Hugging Face เพื่อหาคำตอบสุดท้าย และในสองกรณีที่บันทึกไว้ โมเดลรู้ตัวว่ากำลังทำงานอยู่ในแซนด์บ็อกซ์จำลอง บริษัทระบุว่าพฤติกรรมดังกล่าวดูเหมือนเกิดขึ้นเอง แต่ก็อาจอธิบายได้ด้วยรูปแบบที่คล้ายกันในข้อมูลฝึก บริษัทจึงปรับแซนด์บ็อกซ์ให้เข้มงวดขึ้น และระบุว่าผลลัพธ์ที่รายงานมาจากสภาพแวดล้อมประเมินผลแบบปิด

ผลการทดสอบมาตรฐาน

Liquid AI ประเมิน LFM2.5-24B-A2B เทียบกับ Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it และ Nemotron-3.5-Lightning ด้วยเกณฑ์ทดสอบ 16 รายการ ซึ่งครอบคลุมการใช้เครื่องมือและเวิร์กโฟลว์แบบเอเจนต์ ความรู้ การทำตามคำสั่ง คณิตศาสตร์ และการเขียนโค้ด โมเดลทั้งหมดทำงานบน vLLM โดยใช้พารามิเตอร์การสร้างข้อความที่แนะนำสำหรับเกณฑ์ทดสอบแต่ละรายการ

จากผลการทดสอบของบริษัท LFM2.5-24B-A2B ทำคะแนนนำหรือเทียบเท่ากลุ่มโมเดลที่นำมาเปรียบเทียบในเกณฑ์ทดสอบด้านการใช้เครื่องมือและการทำงานแบบเอเจนต์ 5 รายการจากทั้งหมด 8 รายการ ได้แก่ AutomationBench ซึ่งทำคะแนนได้ 27.69 หรือมากกว่าคะแนนอันดับรองลงมาเกินสามเท่า, BFCLv4 ที่ 65.01 เทียบกับ 65.00 ของ Qwen3.6-35B-A3B, ToolSandbox ที่ 80.71, LiveClaw ที่ 48.09 เทียบกับ 38.19 และ τ³-Bench Banking ที่ 8.04 Liquid AI รายงานว่าโมเดลยังทำคะแนนนำในเกณฑ์ทดสอบด้านการทำตามคำสั่งทั้งสามรายการ โดยได้ 96.75 ใน IFEval, 74.69 ใน IFBench และ 84.38 ใน Multi-IF

ตารางชุดเดียวกันแสดงให้เห็นว่าโมเดลขนาดใหญ่กว่าที่นำมาเปรียบเทียบยังได้เปรียบในเกณฑ์ทดสอบที่เน้นความรู้ เช่น GPQA Diamond, HLE และ AA-Omniscience รวมถึงเกณฑ์ทดสอบการเขียนโค้ด เช่น SciCode และ SWE-Bench Verified with OpenCode ซึ่ง Qwen3.6-35B-A3B ทำคะแนนได้ 66.20 เทียบกับ 51.00 Liquid AI แนะนำให้ใช้โมเดลร่วมกับระบบดึงข้อมูลหรือการค้นเว็บสำหรับงานที่เน้นความรู้ โดยระบุว่าวิธีนี้สอดคล้องกับจุดแข็งด้านการเรียกใช้เครื่องมือของโมเดล

การประมวลผล การรองรับรูปแบบ และการเข้าถึง

LFM2.5-24B-A2B รองรับ llama.cpp, MLX, vLLM, SGLang และ ONNX ตั้งแต่วันแรก โดยเผยแพร่เช็กพอยต์ในรูปแบบ native, FP8, GGUF, ONNX และ MLX-4bit

สำหรับฮาร์ดแวร์ edge Liquid AI รายงานความเร็วในการถอดรหัส 184 โทเค็นต่อวินาทีบน Apple M5 Max และ 114 โทเค็นต่อวินาทีบน AMD Ryzen AI Max+ 395 ซึ่งเร็วกว่าโมเดล mixture-of-experts อื่นที่ทำคะแนนดีที่สุดในการเปรียบเทียบได้สูงสุด 1.7 เท่า พร้อมใช้หน่วยความจำน้อยที่สุดที่ 15 GB บน M5 Max การวัดผลดำเนินการบนโครงสร้างพื้นฐานทดสอบประสิทธิภาพ Pipette ของบริษัท โดยใช้ llama.cpp การควอนไทซ์ Q4_K_M และบริบทอินพุตขนาด 4K โทเค็น สำหรับ GPU บริษัทรายงานอัตราประมวลผลมากกว่า 21,000 โทเค็นเอาต์พุตต่อวินาที เมื่อทำงานพร้อมกัน 1,024 รายการบน NVIDIA B300 เพียงตัวเดียว โดยวัดผลด้วย SGLang 0.5.22 ใน BF16 ใช้อินพุต 1,024 โทเค็น และเอาต์พุตสูงสุด 256 โทเค็น ทั้งนี้ บริษัทระบุว่า LFM2.5-24B-A2B เป็นโมเดลที่เร็วที่สุดในระดับขนาดเดียวกัน

โมเดลทำงานร่วมกับ transformers เวอร์ชัน 5.0.0 ขึ้นไป โดยแนะนำให้ตั้งค่าในการสร้างข้อความเป็น temperature 0.1, top-k 50 และ repetition penalty 1.05 สามารถให้บริการภายในเครื่องผ่านแบ็กเอนด์ที่รองรับ OpenAI และเชื่อมต่อกับชุดเครื่องมือสำหรับเอเจนต์ เช่น Hermes Agent, OpenClaw และ Pi ได้ โดยเอกสาร model card อธิบายขั้นตอนการเรียกใช้ฟังก์ชัน 4 ขั้นตอน ซึ่งแทรกการเรียกใช้ในรูปแบบ Python ไว้ระหว่างโทเคนเรียกใช้เครื่องมือพิเศษ สำหรับการประมวลผลแบบโฮสต์ Liquid AI คิดค่าบริการโมเดลผ่าน Liquid Console API ที่ 0.10 ดอลลาร์ต่อโทเคนขาเข้าหนึ่งล้านโทเคน, 0.05 ดอลลาร์สำหรับโทเคนขาเข้าที่แคชไว้ และ 1.00 ดอลลาร์ต่อโทเคนขาออกหนึ่งล้านโทเคน พร้อมเครดิตสมัครใช้งาน 2 ดอลลาร์ นอกจากนี้ ยังระบุว่าโมเดลร่าง DSpark สำหรับการถอดรหัสแบบคาดการณ์ร่วมกับ SGLang จะพร้อมให้ใช้งานเร็ว ๆ นี้