Liquid AI เปิดตัวโมเดล LFM2.5-24B-A2B แบบเปิดน้ำหนัก สำหรับเอเจนต์ AI ที่ทำงานบนอุปกรณ์

เมื่อวันที่ 13 ตุลาคม 2026 Liquid AI เปิดตัว LFM2.5-24B-A2B โมเดลการให้เหตุผลแบบ Mixture-of-Experts ที่มีพารามิเตอร์รวม 24 พันล้าน แต่ใช้งานจริงเพียง 2 พันล้านพารามิเตอร์ต่อหนึ่งโทเคน บริษัทพัฒนาโมเดลนี้เพื่อขับเคลื่อนเอเจนต์ที่ทำงานรวดเร็วและรักษาความเป็นส่วนตัว โดยทำงานบนฮาร์ดแวร์ของผู้ใช้เอง ทั้งตัวโมเดลและเวอร์ชันพื้นฐาน LFM2.5-24B-A2B-Base เผยแพร่เป็นน้ำหนักแบบเปิดบน Hugging Face แล้ว

ตามข้อมูลของ Liquid AI โมเดลนี้จะเขียนลำดับการคิดอย่างชัดเจนก่อนตอบเสมอ สามารถเรียกใช้เครื่องมือได้ และจัดการงานหลายขั้นตอนภายในเฟรมเวิร์กเอเจนต์ยอดนิยม เนื่องจากมีการทำงานของพารามิเตอร์เพียงไม่กี่ตัวต่อโทเคน ต้นทุนของแต่ละขั้นตอนการให้เหตุผลจึงต่ำ บริษัทระบุว่าสิ่งนี้ทำให้การรันเอเจนต์อย่างต่อเนื่องบนเครื่องในเครื่องเป็นไปได้จริง

สถาปัตยกรรมและการฝึกโมเดล

การเปิดตัวครั้งนี้คงสถาปัตยกรรมของรุ่นก่อนหน้า LFM2-24B-A2B ไว้ ได้แก่ 40 เลเยอร์ 64 เอกซ์เพิร์ตต่อบล็อก MoE โดยใช้การกำหนดเส้นทางแบบ top-4 และผสมผสานการคอนโวลูชันแบบสั้นที่มีเกต กับ grouped-query attention หน้าต่างบริบทขยายจาก 32K เป็น 131K โทเคน และคลังคำศัพท์เพิ่มเป็นสองเท่า จาก 65K เป็น 128K โทเคน เพื่อรองรับอักษรที่ไม่ใช่อักษรละตินได้ดีขึ้น การพรีเทรนขยายจากประมาณ 17 ล้านล้านโทเคนเป็นประมาณ 33 ล้านล้านโทเคน ตามด้วยกระบวนการหลังการฝึกห้าขั้นตอน ซึ่งปิดท้ายด้วยการเรียนรู้แบบเสริมแรงภายในเฟรมเวิร์กอย่าง OpenClaw, Hermes Agent, Pi และ OpenCode

ผลการทดสอบและความเร็ว

จากการทดสอบของ Liquid AI เองใน 16 เบนช์มาร์ก โมเดลนี้ได้คะแนน 48.09 ใน LiveClaw เทียบกับ 38.19 ของ Qwen3.6-35B-A3B ซึ่งมีพารามิเตอร์รวมและพารามิเตอร์ที่ใช้งานมากกว่าประมาณ 50% บริษัทระบุว่าโมเดลนี้มีคะแนนใน AutomationBench มากกว่าอันดับสองกว่าสามเท่า และนำในเบนช์มาร์กการทำตามคำสั่งทั้งสามรายการ โมเดล Gemma-4-26B-A4B-it และ Nemotron-3.5-Lightning ก็ถูกนำมาเปรียบเทียบด้วยเช่นกัน

ผลลัพธ์ไม่ได้เป็นไปในทางที่ดีทั้งหมด คู่แข่งที่มีขนาดใหญ่กว่ายังคงนำในการทดสอบที่ต้องใช้ความรู้มาก เช่น GPQA Diamond และ HLE รวมถึงงานเขียนโค้ด โดยใน SWE-Bench Verified โมเดลนี้ได้ 51.00 คะแนน เทียบกับ 66.20 ของ Qwen3.6-35B-A3B Liquid AI แนะนำให้ใช้คู่กับระบบค้นคืนข้อมูลหรือการค้นหาบนเว็บสำหรับงานที่ต้องใช้ความรู้จำนวนมาก ตัวเลขทั้งหมดเป็นผลที่บริษัทรายงานเอง และยังไม่ได้รับการยืนยันจากหน่วยงานอิสระ

ด้านประสิทธิภาพ บริษัทรายงานความเร็ว 184 โทเคนต่อวินาทีบน Apple M5 Max, 114 บน AMD Ryzen AI Max+ 395 และมากกว่า 21,000 โทเคนขาออกต่อวินาทีที่การประมวลผลพร้อมกันจำนวนมากบน NVIDIA B300 GPU เพียงตัวเดียว มีการรองรับ llama.cpp, MLX, vLLM, SGLang และ ONNX ตั้งแต่วันเปิดตัว การเปิดตัวครั้งนี้สะท้อนถึงแนวโน้มที่กว้างขึ้นในการผลักดันเอเจนต์ที่มีความสามารถและทำงานในเครื่อง แทนที่จะพึ่งพาบริการคลาวด์เพียงอย่างเดียว