Liquid AI publie LFM2.5-24B-A2B, un modèle à poids ouverts pour agents d'IA embarqués

Le 13 octobre 2026, Liquid AI a publié LFM2.5-24B-A2B, un modèle de raisonnement de type Mixture-of-Experts comptant 24 milliards de paramètres au total, dont seulement 2 milliards sont actifs pour chaque jeton. L'entreprise l'a conçu pour alimenter des agents rapides et privés, fonctionnant directement sur le matériel des utilisateurs. Le modèle et une version de base, LFM2.5-24B-A2B-Base, sont tous deux disponibles en poids ouverts sur Hugging Face.

Selon Liquid AI, le modèle rédige toujours une chaîne de raisonnement explicite avant de répondre, peut appeler des outils et gère des tâches en plusieurs étapes au sein des environnements d'agents populaires. Comme peu de paramètres sont sollicités à chaque jeton, chaque étape de raisonnement reste peu coûteuse, ce qui, selon l'entreprise, permet de faire tourner des agents en continu sur des machines locales.

Architecture et entraînement

Cette version reprend l'architecture de son prédécesseur, LFM2-24B-A2B : 40 couches, 64 experts par bloc MoE avec un routage top-4, et une combinaison de convolutions courtes à portes et d'attention à requêtes groupées. La fenêtre de contexte passe de 32K à 131K jetons, et le vocabulaire double, de 65K à 128K jetons, pour mieux gérer les écritures non latines. Le pré-entraînement est passé d'environ 17 000 milliards à environ 33 000 milliards de jetons, suivi d'un pipeline de post-entraînement en cinq étapes qui se termine par un apprentissage par renforcement au sein d'environnements tels qu'OpenClaw, Hermes Agent, Pi et OpenCode.

Benchmarks et vitesse

Dans les propres tests de Liquid AI, portant sur 16 benchmarks, le modèle a obtenu 48,09 sur LiveClaw, contre 38,19 pour Qwen3.6-35B-A3B, qui dispose d'environ 50 % de paramètres en plus, tant au total qu'actifs. L'entreprise affirme avoir plus que triplé le meilleur score suivant sur AutomationBench et avoir pris la tête sur les trois benchmarks de suivi d'instructions. Gemma-4-26B-A4B-it et Nemotron-3.5-Lightning figuraient également dans la comparaison.

Les résultats ne sont pas uniformément favorables. Les concurrents plus volumineux restent en tête sur les tests à forte composante de connaissances, comme GPQA Diamond et HLE, ainsi que sur les tâches de programmation : sur SWE-Bench Verified, le modèle obtient 51,00 contre 66,20 pour Qwen3.6-35B-A3B. Liquid AI recommande de le associer à une recherche documentaire ou à une recherche web pour les travaux exigeant beaucoup de connaissances. Tous les chiffres sont déclarés par l'entreprise et n'ont pas fait l'objet d'une vérification indépendante.

En matière de performances, l'entreprise indique 184 jetons par seconde sur un Apple M5 Max, 114 sur un AMD Ryzen AI Max+ 395, et plus de 21 000 jetons de sortie par seconde en forte concurrence sur un seul GPU NVIDIA B300. La prise en charge de llama.cpp, MLX, vLLM, SGLang et ONNX est disponible dès le lancement. Cette sortie s'inscrit dans une tendance plus large vers des agents performants fonctionnant localement, plutôt que de dépendre de services cloud.