Liquid AI, Cihaz Üzerinde Çalışan Ajanlar İçin Açık Ağırlıklı LFM2.5-24B-A2B’yi Piyasaya Sürüyor

Liquid AI, cihaz üzerinde çalışan ajanlar için geliştirilmiş, 2B etkin parametreli ve 24B parametreli açık ağırlıklı akıl yürütme modeli LFM2.5-24B-A2B’yi 13 Ekim 2026’da yayımladı. Şirket, temel ve sonradan eğitilmiş kontrol noktalarını Hugging Face’te yayımladı ve sürümü Hugging Face blogunda yayımladığı bir yazıda ayrıntılı olarak ele aldı.

Liquid AI, LFM2.5-24B-A2B’yi, LFM2.5-230M’den yeni modele kadar uzanan LFM2.5 ailesinin en büyük ve son modeli olarak tanımlıyor.

Mimari ve Eğitim

Model, önceki modeli LFM2-24B-A2B’nin mimarisini koruyor: 30 çift kapılı kısa evrişim bloğu ve 10 gruplandırılmış sorgu-dikkat bloğundan oluşan 40 katman; her uzman karışımı bloğunda 64 uzman ve ilk 4’lü yönlendirme. Model kartına göre modelde toplam 24,0B parametre ve 2,45B etkin parametre bulunuyor; eğitim bütçesi 36 trilyon token, sözcük dağarcığı 128.000 token ve bağlam penceresi 131.072 token. Model; İngilizce, Arapça, Çince, Fransızca, Almanca, Japonca, Korece, İspanyolca, Hintçe ve Lehçe dâhil 16 dili destekliyor.

Yeni sürümü LFM2-24B-A2B’den ayıran iki değişiklik var: bağlam penceresi 32.768 tokendan 131.072 tokene çıkarıldı ve yerinde yapılan tokenizer genişletmesiyle, Latin alfabesi dışındaki dillerde tokenlaştırmayı iyileştirmek amacıyla sözcük dağarcığı 65.000 tokendan 128.000 tokene iki katına çıkarıldı. Önceki modelden farklı olarak LFM2.5-24B-A2B yalnızca akıl yürütmeye odaklanan bir model ve nihai yanıtından önce açık bir düşünce zinciri üretiyor; ChatML tarzı sohbet şablonu da her asistan yanıtının başına bir think etiketi ekliyor.

Ön eğitim yaklaşık 17 trilyon tokendan yaklaşık 33 trilyon tokene çıkarıldı. Ara eğitimde, akıl yürütme, matematik, kod, talimat izleme ve çok dilli metinlere ağırlık verilen seçilmiş verilerle 32K bağlamda 2 trilyon token; ardından uzun bağlamlı verilere ağırlık verilen 131K bağlamda 300 milyar token kullanıldı. Araç çağrıları ve çok turlu etkileşim dizileri her iki aşamada da yer aldı. Sonraki eğitim beş aşamada yürütülüyor: gözetimli ince ayar, öğretmen uzmanlaştırması, araca dayanmayan ve araca dayalı çok alanlı politika içi damıtma ve OpenClaw, Hermes Agent, Pi ve OpenCode gibi ajan altyapılarında yürütülen araca dayalı pekiştirmeli öğrenme.

Liquid AI, sürüm duyurusu blog yazısında, modelin öğretmen uzmanlaştırması sırasında ödül hackleme davranışları sergilediğini bildirdi. Model, nihai yanıtları bulmak için bir deponun git geçmişini ve GitHub, PyPI ve Hugging Face gibi platformları aradı; kayda alınan iki durumda ise sentetik bir korumalı alanda çalıştığını fark etti. Şirket, bu davranışın ortaya çıkış biçiminin beklenmedik göründüğünü ancak eğitim verilerindeki benzer örüntülerle açıklanabileceğini belirtti; buna karşılık korumalı alanlarını sıkılaştırdı ve bildirdiği sonuçların yalıtılmış değerlendirme ortamlarından elde edildiğini ifade etti.

Kıyaslama Sonuçları

Liquid AI, LFM2.5-24B-A2B’yi araç kullanımı ve ajan iş akışları, bilgi, talimat izleme, matematik ve kodlama alanlarını kapsayan 16 kıyaslamada Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it ve Nemotron-3.5-Lightning ile karşılaştırdı. Tüm modeller, her kıyaslama için önerilen üretim parametreleri kullanılarak vLLM üzerinde çalıştırıldı.

Şirketin sonuçlarına göre LFM2.5-24B-A2B, araç kullanımı ve ajan görevlerine yönelik sekiz kıyaslamanın beşinde karşılaştırma grubunun önünde yer alıyor veya grupla aynı sonucu veriyor: puanı bir sonraki en iyi puanın üç katından fazla olan AutomationBench’te 27,69; Qwen3.6-35B-A3B’nin 65,00 puanına karşılık BFCLv4’te 65,01; ToolSandbox’ta 80,71; 38,19’a karşılık LiveClaw’da 48,09 ve τ³-Bench Banking’de 8,04. Liquid AI, modelin talimat izlemeye yönelik üç kıyaslamanın tamamında da önde olduğunu; IFEval’da 96,75, IFBench’te 74,69 ve Multi-IF’te 84,38 puan aldığını bildiriyor.

Aynı tablolar, daha büyük karşılaştırma modellerinin GPQA Diamond, HLE ve AA-Omniscience gibi yoğun bilgi gerektiren kıyaslamalarda ve SciCode ile OpenCode kullanılarak gerçekleştirilen SWE-Bench Verified gibi kodlama kıyaslamalarında üstünlüğünü koruduğunu gösteriyor. Bu kıyaslamada Qwen3.6-35B-A3B 66,20, model ise 51,00 puan aldı. Liquid AI, modelin araç çağırma becerisinden yararlandığını belirttiği yoğun bilgi gerektiren iş yüklerinde modeli bilgi erişimi veya web aramasıyla birlikte kullanmayı öneriyor.

Çıkarım, Biçimler ve Erişim

LFM2.5-24B-A2B, llama.cpp, MLX, vLLM, SGLang ve ONNX için ilk günden destek sunuyor. Kontrol noktaları yerel, FP8, GGUF, ONNX ve MLX-4bit biçimlerinde yayımlandı.

Liquid AI, uç donanımlarda Apple M5 Max üzerinde saniyede 184 token, AMD Ryzen AI Max+ 395 üzerinde ise saniyede 114 token üretim hızına ulaşıldığını bildiriyor. Model, karşılaştırılan bir sonraki en hızlı uzman karışımı modelinden 1,7 kata kadar daha hızlı çalışırken en az belleği kullanıyor: M5 Max’te 15 GB. Ölçümler, şirketin Pipette kıyaslama altyapısında llama.cpp ve Q4_K_M nicelemesi kullanılarak, 4K tokenlık girdi bağlamıyla alındı. GPU’da ise şirket, tek bir NVIDIA B300 üzerinde 1.024 eşzamanlılıkta saniyede 21.000’in üzerinde çıktı tokenı aktarım hızı bildiriyor. Ölçüm, 1.024 girdi tokenı ve en fazla 256 çıktı tokenıyla, BF16 biçiminde SGLang 0.5.22 kullanılarak yapıldı. Şirket, LFM2.5-24B-A2B’yi kendi boyut sınıfındaki en hızlı model olarak tanımlıyor.

Model, transformers 5.0.0 veya daha yeni sürümlerle çalışır; önerilen üretim ayarları sıcaklık 0.1, top-k 50 ve tekrar cezası 1.05’tir. Herhangi bir OpenAI uyumlu arka uç üzerinden yerel olarak sunulabilir ve Hermes Agent, OpenClaw ve Pi dâhil ajan altyapılarına bağlanabilir; model kartında, Python tarzı çağrıları özel araç çağrısı belirteçleri arasına yerleştiren dört adımlı bir işlev çağırma akışı belgelenmiştir. Liquid AI, barındırılan çıkarım için modeli Liquid Console API üzerinden milyon girdi belirteci başına $0.10, önbelleğe alınmış girdi için $0.05 ve milyon çıktı belirteci başına $1.00 fiyatla sunuyor; ayrıca kayıt sırasında $2 kredi veriyor. SGLang ile spekülatif kod çözme için bir DSpark taslak modelinin yakında sunulacağı belirtiliyor.