Liquid AI brengt open-weight LFM2.5-24B-A2B uit voor AI-agents op het apparaat

Liquid AI heeft op 13 oktober 2026 LFM2.5-24B-A2B uitgebracht, een Mixture-of-Experts-redeneermodel met in totaal 24 miljard parameters, waarvan er per token slechts 2 miljard actief zijn. Het bedrijf bouwde het model om snelle, privé-agents aan te drijven die op de eigen hardware van gebruikers draaien. Zowel het model als een basisversie, LFM2.5-24B-A2B-Base, zijn als open weights beschikbaar op Hugging Face.

Volgens Liquid AI schrijft het model altijd eerst een expliciete redeneerketen uit voordat het antwoordt, kan het tools aanroepen en verwerkt het meerstapstaken binnen populaire agent-omgevingen. Doordat er per token zo weinig parameters worden geactiveerd, is elke redeneerstap goedkoop, waardoor agents volgens het bedrijf praktisch continu op lokale machines kunnen blijven draaien.

Architectuur en training

De release behoudt de architectuur van de voorganger, LFM2-24B-A2B: 40 lagen, 64 experts per MoE-blok met top-4-routing, en een hybride van gated korte convoluties en grouped-query attention. Het contextvenster groeit van 32K naar 131K tokens, en de woordenschat verdubbelt van 65K naar 128K tokens om niet-Latijnse schriften beter te verwerken. De pretraining groeide van ongeveer 17 biljoen naar ongeveer 33 biljoen tokens, gevolgd door een post-trainingspijplijn van vijf fasen die eindigt met reinforcement learning binnen omgevingen als OpenClaw, Hermes Agent, Pi en OpenCode.

Benchmarks en snelheid

In de eigen tests van Liquid AI over 16 benchmarks scoorde het model 48,09 op LiveClaw, tegenover 38,19 voor Qwen3.6-35B-A3B, dat ongeveer 50% meer totale en actieve parameters heeft. Het bedrijf zegt dat het model de op één na beste score op AutomationBench meer dan verdrievoudigde en de andere drie instructievolgbenchmarks aanvoerde. Gemma-4-26B-A4B-it en Nemotron-3.5-Lightning waren eveneens in de vergelijking opgenomen.

De resultaten zijn niet overal gunstig. Grotere concurrenten blijven voorop bij kennisintensieve tests zoals GPQA Diamond en HLE en bij programmeertaken: op SWE-Bench Verified scoorde het model 51,00, tegenover 66,20 voor Qwen3.6-35B-A3B. Liquid AI raadt aan het model te combineren met retrieval of webzoekopdrachten voor kennisintensief werk. Alle cijfers zijn door het bedrijf zelf gerapporteerd en niet onafhankelijk geverifieerd.

Wat de prestaties betreft meldt het bedrijf 184 tokens per seconde op een Apple M5 Max, 114 op een AMD Ryzen AI Max+ 395, en meer dan 21.000 outputtokens per seconde bij hoge gelijktijdigheid op een enkele NVIDIA B300-GPU. Ondersteuning voor llama.cpp, MLX, vLLM, SGLang en ONNX is vanaf de lancering beschikbaar. De release past in een bredere beweging naar capabele agents die lokaal draaien in plaats van te vertrouwen op clouddiensten.