Liquid AI выпустила открытую модель LFM2.5-24B-A2B для локальных ИИ-агентов

13 октября 2026 года Liquid AI выпустила LFM2.5-24B-A2B — рассуждающую модель типа Mixture of Experts с общим числом параметров 24 млрд, из которых на каждый токен приходится лишь 2 млрд. Компания создавала её для быстрых и приватных агентов, работающих на собственном оборудовании пользователей. И сама модель, и базовая версия LFM2.5-24B-A2B-Base доступны с открытыми весами на Hugging Face.

По словам Liquid AI, модель всегда явно выписывает цепочку рассуждений перед ответом, умеет вызывать инструменты и справляется с многошаговыми задачами внутри популярных агентских сред. Поскольку на каждый токен задействуется так мало параметров, каждый шаг рассуждения обходится недорого, что, по утверждению компании, делает практичной непрерывную работу агентов на локальных машинах.

Архитектура и обучение

Релиз сохраняет архитектуру предшественницы, LFM2-24B-A2B: 40 слоёв, 64 эксперта в каждом блоке MoE с маршрутизацией top-4 и гибрид из управляемых коротких свёрток и grouped-query attention. Контекстное окно расширено с 32K до 131K токенов, а словарь увеличен вдвое — с 65K до 128K токенов, что улучшает обработку письменностей, не использующих латиницу. Объём предобучения вырос примерно с 17 до около 33 триллионов токенов, после чего следует пятиэтапный пост-тренинг, завершающийся обучением с подкреплением внутри сред вроде OpenClaw, Hermes Agent, Pi и OpenCode.

Бенчмарки и скорость

В собственных тестах Liquid AI на 16 бенчмарках модель набрала 48,09 балла в LiveClaw против 38,19 у Qwen3.6-35B-A3B, у которой примерно на 50% больше общих и активных параметров. Компания утверждает, что на AutomationBench она более чем утроила результат ближайшего конкурента и лидировала во всех трёх бенчмарках на следование инструкциям. В сравнении также участвовали Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning.

Результаты неоднозначны. Более крупные конкуренты сохраняют преимущество в тестах, требующих знаний, таких как GPQA Diamond и HLE, и в задачах программирования: на SWE-Bench Verified модель набрала 51,00 против 66,20 у Qwen3.6-35B-A3B. Liquid AI рекомендует сочетать её с поиском или веб-поиском для работ, требующих большого объёма знаний. Все показатели приведены самими разработчиками и независимо не проверены.

Что касается производительности, компания сообщает о 184 токенах в секунду на Apple M5 Max, 114 на AMD Ryzen AI Max+ 395 и более 21 000 выходных токенов в секунду при высокой параллельной нагрузке на одном ускорителе NVIDIA B300. С момента выпуска поддерживаются llama.cpp, MLX, vLLM, SGLang и ONNX. Релиз отражает более широкое стремление к мощным агентам, которые работают локально, а не полагаются на облачные сервисы.