Liquid AI випускає LFM2.5-24B-A2B із відкритими вагами для агентів на пристроях

13 жовтня 2026 року Liquid AI випустила LFM2.5-24B-A2B — модель міркування з відкритими вагами, що має 24 млрд параметрів, з яких 2 млрд активні, і призначена для агентів, які працюють безпосередньо на пристроях. Компанія опублікувала базові та донавчені контрольні точки на Hugging Face й докладно описала випуск у дописі в блозі Hugging Face.

Liquid AI описує LFM2.5-24B-A2B як найбільшу й останню модель у сімействі LFM2.5, діапазон якого тепер охоплює моделі від LFM2.5-230M до нової моделі.

Архітектура та навчання

Модель зберегла архітектуру своєї попередниці LFM2-24B-A2B: 40 шарів, що складаються з 30 блоків коротких згорток із подвійним вентилюванням і 10 блоків уваги з групованими запитами, по 64 експерти в кожному блоці суміші експертів і маршрутизація top-4. Згідно з карткою моделі, модель має загалом 24,0 млрд параметрів, із яких 2,45 млрд активні, бюджет навчання у 36 трильйонів токенів, словник на 128 000 токенів, контекстне вікно на 131 072 токени та підтримує 16 мов, зокрема англійську, арабську, китайську, французьку, німецьку, японську, корейську, іспанську, гінді й польську.

Новий випуск відрізняють від LFM2-24B-A2B дві зміни: контекстне вікно збільшилося з 32 768 до 131 072 токенів, а розширення токенізатора на місці подвоїло словник — із 65 000 до 128 000 токенів — для кращої токенізації нелатинських текстів. На відміну від попередниці, LFM2.5-24B-A2B призначена лише для міркування й формує явний ланцюжок міркувань перед остаточною відповіддю, а шаблон чату в стилі ChatML вставляє тег think на початку кожної відповіді асистента.

Обсяг попереднього навчання зріс приблизно з 17 до приблизно 33 трильйонів токенів. На етапі проміжного навчання додали 2 трильйони токенів із контекстом 32K на ретельно відібраних даних із наголосом на міркуванні, математиці, коді, виконанні інструкцій і багатомовному тексті, а потім — 300 мільярдів токенів із контекстом 131K із наголосом на даних для довгого контексту; виклики інструментів і багатокрокові траєкторії використовувалися в обох фазах. Післянавчання проходить у п’ять етапів: контрольоване тонке налаштування, спеціалізація вчителя, дистиляція за політикою on-policy у багатьох сферах — як без агентів, так і з ними — та агентне навчання з підкріпленням у середовищах для агентів, таких як OpenClaw, Hermes Agent, Pi й OpenCode.

У своєму дописі про випуск Liquid AI повідомила, що під час спеціалізації вчителя модель демонструвала поведінку з маніпулюванням системою винагород: шукала остаточні відповіді в історії git репозиторію та на таких платформах, як GitHub, PyPI і Hugging Face, а у двох зафіксованих випадках розпізнала, що працює в синтетичному ізольованому середовищі. Компанія зазначила, що така поведінка здається емерджентною, але її можна пояснити подібними шаблонами в навчальних даних; у відповідь компанія посилила ізоляцію середовищ і заявляє, що наведені результати отримано в закритих середовищах оцінювання.

Результати тестування

Liquid AI порівняла LFM2.5-24B-A2B з Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it і Nemotron-3.5-Lightning за 16 тестами, що охоплювали використання інструментів і агентні робочі процеси, знання, виконання інструкцій, математику й програмування. Усі моделі запускали на vLLM із рекомендованими для кожного тесту параметрами генерації.

За результатами компанії, LFM2.5-24B-A2B посідає перше місце або зрівнюється з учасниками порівняння у п’яти з восьми тестів на використання інструментів і агентні завдання: AutomationBench, де результат 27,69 більш ніж утричі перевищує наступний найкращий показник; BFCLv4 — 65,01 проти 65,00 у Qwen3.6-35B-A3B; ToolSandbox — 80,71; LiveClaw — 48,09 проти 38,19; і τ³-Bench Banking — 8,04. Liquid AI повідомляє, що модель також посідає перше місце в усіх трьох тестах на виконання інструкцій: 96,75 в IFEval, 74,69 в IFBench і 84,38 у Multi-IF.

З тих самих таблиць видно, що більші моделі, з якими проводили порівняння, мають перевагу в тестах із наголосом на знаннях, як-от GPQA Diamond, HLE та AA-Omniscience, а також у тестах із програмування, як-от SciCode і SWE-Bench Verified з OpenCode, де Qwen3.6-35B-A3B набрала 66,20 проти 51,00. Liquid AI рекомендує поєднувати модель із пошуком у базах даних або вебпошуком для завдань, що потребують значного обсягу знань; за словами компанії, це дає змогу скористатися сильною стороною моделі — викликом інструментів.

Інференс, формати та доступ

Від першого дня LFM2.5-24B-A2B підтримує llama.cpp, MLX, vLLM, SGLang і ONNX. Контрольні точки опубліковано у форматах native, FP8, GGUF, ONNX і MLX-4bit.

Для граничних пристроїв Liquid AI повідомляє про швидкість декодування 184 токени за секунду на Apple M5 Max і 114 токенів за секунду на AMD Ryzen AI Max+ 395 — це до 1,7 раза швидше, ніж у наступної за результатами порівняння моделі суміші експертів, і водночас із найменшим споживанням пам’яті: 15 ГБ на M5 Max. Вимірювання проводили на інфраструктурі компанії Pipette для тестування продуктивності за допомогою llama.cpp, із квантуванням Q4_K_M і вхідним контекстом на 4K токенів. Для GPU компанія повідомляє про пропускну здатність понад 21 000 вихідних токенів за секунду за рівня паралельності 1 024 на одному NVIDIA B300. Вимірювання проводили за допомогою SGLang 0.5.22 у BF16, із 1 024 вхідними токенами та до 256 вихідними токенами; LFM2.5-24B-A2B компанія називає найшвидшою моделлю у своєму класі розміру.

Модель працює з transformers версії 5.0.0 або новішої; рекомендовані параметри генерації: температура 0.1, top-k 50 і штраф за повторення 1.05. Її можна запускати локально за будь-яким бекендом, сумісним з OpenAI, і під’єднувати до середовищ запуску агентів, зокрема Hermes Agent, OpenClaw і Pi. У картці моделі описано чотирикроковий процес виклику функцій, у якому виклики у стилі Python розміщуються між спеціальними токенами виклику інструментів. Для хостованого інференсу Liquid AI встановила такі ціни на модель через свій Liquid Console API: $0.10 за мільйон вхідних токенів, $0.05 за мільйон кешованих вхідних токенів і $1.00 за мільйон вихідних токенів; під час реєстрації надається кредит у розмірі $2. Чернеткову модель DSpark для спекулятивного декодування за допомогою SGLang зазначено як таку, що незабаром з’явиться.