Liquid AI rilis LFM2.5-24B-A2B bobot terbuka untuk agen AI di perangkat

Liquid AI pada 13 Oktober 2026 merilis LFM2.5-24B-A2B, model penalaran Mixture-of-Experts dengan total 24 miliar parameter, tetapi hanya 2 miliar yang aktif untuk setiap token. Perusahaan membangunnya untuk menggerakkan agen yang cepat dan privat, yang berjalan di perangkat keras milik pengguna sendiri. Baik model ini maupun versi dasarnya, LFM2.5-24B-A2B-Base, tersedia sebagai bobot terbuka di Hugging Face.

Menurut Liquid AI, model ini selalu menuliskan rantai penalaran yang eksplisit sebelum menjawab, dapat memanggil alat, dan menangani tugas multi-langkah di dalam kerangka agen populer. Karena sedikit parameter yang aktif per token, setiap langkah penalaran menjadi murah, yang menurut perusahaan membuat agen praktis dijalankan terus-menerus di mesin lokal.

Arsitektur dan pelatihan

Rilis ini mempertahankan arsitektur pendahulunya, LFM2-24B-A2B: 40 lapisan, 64 expert per blok MoE dengan perutean top-4, serta kombinasi konvolusi pendek bergerbang dan grouped-query attention. Jendela konteks diperluas dari 32K menjadi 131K token, dan kosakata berlipat dua dari 65K menjadi 128K token untuk meningkatkan penanganan aksara non-Latin. Pra-pelatihan naik dari sekitar 17 triliun menjadi sekitar 33 triliun token, dilanjutkan dengan pipeline pascapelatihan lima tahap yang diakhiri dengan pembelajaran penguatan di dalam kerangka seperti OpenClaw, Hermes Agent, Pi, dan OpenCode.

Tolok ukur dan kecepatan

Dalam pengujian Liquid AI sendiri pada 16 tolok ukur, model ini meraih skor 48,09 di LiveClaw dibandingkan 38,19 untuk Qwen3.6-35B-A3B, yang memiliki sekitar 50% lebih banyak total dan parameter aktif. Perusahaan menyatakan skornya lebih dari tiga kali lipat skor terbaik berikutnya di AutomationBench dan memimpin di ketiga tolok ukur pengikutan instruksi. Gemma-4-26B-A4B-it dan Nemotron-3.5-Lightning juga masuk dalam perbandingan.

Hasilnya tidak selalu menguntungkan. Pesaing yang lebih besar tetap unggul pada tes berat pengetahuan seperti GPQA Diamond dan HLE, serta pada tugas pemrograman: di SWE-Bench Verified model ini meraih skor 51,00 dibandingkan 66,20 untuk Qwen3.6-35B-A3B. Liquid AI menyarankan untuk memadukannya dengan retrieval atau pencarian web pada pekerjaan yang membutuhkan banyak pengetahuan. Semua angka dilaporkan sendiri oleh perusahaan dan belum diverifikasi secara independen.

Dari sisi performa, perusahaan melaporkan 184 token per detik pada Apple M5 Max, 114 pada AMD Ryzen AI Max+ 395, dan lebih dari 21.000 token keluaran per detik pada konkurensi tinggi di satu GPU NVIDIA B300. Dukungan untuk llama.cpp, MLX, vLLM, SGLang, dan ONNX tersedia sejak peluncuran. Rilis ini mencerminkan dorongan yang lebih luas menuju agen andal yang berjalan secara lokal, alih-alih bergantung pada layanan cloud.