Liquid AI rilascia LFM2.5-24B-A2B con pesi aperti per agenti AI on-device
Liquid AI ha rilasciato LFM2.5-24B-A2B, un modello di ragionamento a pesi aperti da 24 miliardi di parametri che attiva solo 2 miliardi di parametri per token, pensato per gli agenti locali.
Il 13 ottobre 2026 Liquid AI ha rilasciato LFM2.5-24B-A2B, un modello di ragionamento Mixture-of-Experts con 24 miliardi di parametri totali, ma solo 2 miliardi attivi per ogni token. L'azienda lo ha sviluppato per alimentare agenti rapidi e privati, in grado di funzionare direttamente sull'hardware degli utenti. Sia il modello sia una versione base, LFM2.5-24B-A2B-Base, sono disponibili con pesi aperti su Hugging Face.
Secondo Liquid AI, il modello scrive sempre una catena di ragionamento esplicita prima di rispondere, può richiamare strumenti e gestisce attività in più passaggi all'interno dei principali framework per agenti. Poiché per ogni token si attivano pochissimi parametri, ogni passaggio di ragionamento costa poco, cosa che, secondo l'azienda, rende praticabile far funzionare gli agenti in modo continuo su macchine locali.
Architettura e addestramento
La versione mantiene l'architettura del predecessore, LFM2-24B-A2B: 40 livelli, 64 esperti per blocco MoE con routing top-4, e un ibrido di convoluzioni brevi con gate e attenzione a query raggruppate. La finestra di contesto passa da 32K a 131K token, mentre il vocabolario raddoppia da 65K a 128K token per gestire meglio gli alfabeti non latini. Il pre-addestramento è cresciuto da circa 17 trilioni a circa 33 trilioni di token, seguito da una pipeline di post-addestramento in cinque fasi che si conclude con l'apprendimento per rinforzo all'interno di framework come OpenClaw, Hermes Agent, Pi e OpenCode.
Benchmark e velocità
Nei test condotti da Liquid AI su 16 benchmark, il modello ha ottenuto 48,09 su LiveClaw contro 38,19 di Qwen3.6-35B-A3B, che ha circa il 50% in più di parametri totali e attivi. L'azienda afferma di aver più che triplicato il punteggio del secondo classificato su AutomationBench e di essere in testa in tutti e tre i benchmark di aderenza alle istruzioni. Nel confronto figuravano anche Gemma-4-26B-A4B-it e Nemotron-3.5-Lightning.
I risultati non sono uniformemente favorevoli. I concorrenti più grandi restano avanti nei test ad alta intensità di conoscenza, come GPQA Diamond e HLE, e nelle attività di programmazione: su SWE-Bench Verified il modello ha ottenuto 51,00 contro 66,20 di Qwen3.6-35B-A3B. Liquid AI consiglia di abbinarlo a sistemi di recupero dati o ricerca sul web per i lavori ad alta intensità di conoscenza. Tutti i dati sono autodichiarati e non sono stati verificati in modo indipendente.
Sul fronte delle prestazioni, l'azienda riporta 184 token al secondo su un Apple M5 Max, 114 su un AMD Ryzen AI Max+ 395 e oltre 21.000 token di output al secondo con alta concorrenza su una singola GPU NVIDIA B300. Il supporto per llama.cpp, MLX, vLLM, SGLang e ONNX è disponibile fin dal lancio. La pubblicazione si inserisce in una spinta più ampia verso agenti capaci che girano in locale, anziché affidarsi a servizi cloud.
Commenti
Nessun commento per ora. Avvia la discussione o fai una domanda.
Correlate
Google DeepMind e GovTech Singapore hanno messo a punto un rilevatore di truffe basato su Gemma che funziona interamente sui telefoni degli utenti, con l'obiettivo di segnalare le manipolazioni senza esporre le chat.
Il 12 ottobre 2026 Meta ha presentato Muse Wonder e Muse Wonder Full, modelli per agenti con una finestra di contesto da 1 milione di token che, secondo l'azienda, figurano tra i più capaci al mondo.
Il 13 ottobre 2026 Google ha reso disponibile Gemini 4 Argon, il suo modello più potente finora, per gli abbonati a pagamento dell'app Gemini, mentre i prezzi API raddoppieranno dopo il 30 novembre.