Liquid AI випустила open-weight модель LFM2.5-24B-A2B для ШІ-агентів на локальних пристроях

13 жовтня 2026 року Liquid AI випустила LFM2.5-24B-A2B, reasoning-модель архітектури Mixture-of-Experts із 24 мільярдами параметрів загалом, але лише 2 мільярдами активних для кожного токена. Компанія створила її для швидких і приватних агентів, які працюють на власному обладнанні користувачів. І модель, і базова версія LFM2.5-24B-A2B-Base доступні з відкритими вагами на Hugging Face.

За словами Liquid AI, модель завжди розгорнуто виписує ланцюжок міркувань перед відповіддю, може викликати інструменти та виконує багатокрокові завдання в популярних середовищах для агентів. Оскільки на кожен токен задіяно так мало параметрів, кожен крок міркування недорогий, що, за словами компанії, робить практичною безперервну роботу агентів на локальних машинах.

Архітектура та навчання

Реліз зберігає архітектуру попередника, LFM2-24B-A2B: 40 шарів, 64 експерти в кожному блоці MoE з маршрутизацією top-4 і гібрид гейтованих коротких згорток та grouped-query attention. Контекстне вікно зросло з 32K до 131K токенів, а словник подвоївся з 65K до 128K токенів, щоб краще обробляти нелатинські писемності. Попереднє навчання збільшилося приблизно з 17 до близько 33 трильйонів токенів, після чого йде п'ятиетапний конвеєр пост-навчання, що завершується навчанням з підкріпленням усередині середовищ на кшталт OpenClaw, Hermes Agent, Pi та OpenCode.

Бенчмарки та швидкість

У власних тестах Liquid AI на 16 бенчмарках модель набрала 48,09 на LiveClaw проти 38,19 у Qwen3.6-35B-A3B, який має приблизно на 50% більше загальних і активних параметрів. Компанія стверджує, що вона більш ніж утричі перевершила наступний найкращий результат на AutomationBench і лідирувала у всіх трьох бенчмарках на виконання інструкцій. Gemma-4-26B-A4B-it і Nemotron-3.5-Lightning також були в порівнянні.

Результати не скрізь однозначно на користь моделі. Більші конкуренти лишаються попереду в тестах, що потребують знань, як GPQA Diamond і HLE, та в завданнях з кодування: на SWE-Bench Verified модель набрала 51,00 проти 66,20 у Qwen3.6-35B-A3B. Liquid AI рекомендує поєднувати її з пошуком у базах даних або веб-пошуком для роботи, яка потребує великого обсягу знань. Усі цифри наведено самою компанією, незалежно їх ніхто не перевіряв.

Щодо продуктивності, компанія повідомляє про 184 токени за секунду на Apple M5 Max, 114 на AMD Ryzen AI Max+ 395 і понад 21 000 вихідних токенів за секунду при високій конкурентності на одному GPU NVIDIA B300. Підтримка llama.cpp, MLX, vLLM, SGLang та ONNX доступна від самого запуску. Реліз відображає ширший рух до потужних агентів, які працюють локально, а не покладаються на хмарні сервіси.