AI и дата-центры
Liquid AI открыла веса LFM2.5-24B-A2B - reasoning-модели для агентов на собственном железе
Публикация:
13 октября Liquid AI опубликовала LFM2.5-24B-A2B - открытую reasoning-модель для агентов, работающих прямо на устройстве пользователя: 24 млрд параметров всего и около 2 млрд активных на токен.
Это крупнейшая и финальная модель семейства LFM2.5, которое теперь охватывает два порядка - от LFM2.5-230M до новинки. Модель рассуждающая: перед ответом она всегда выстраивает явную цепочку рассуждений. Базовый и дообученный чекпоинты выложены на Hugging Face.
По сравнению с предшественником окно контекста расширено с 32,768 до 131,072 токенов, словарь удвоен с 65K до 128K для лучшей работы с нелатинскими языками, предобучение увеличено с 17 до 33 трлн токенов. Дообучение шло в пять стадий, включая агентное обучение с подкреплением внутри реальных харнесов - OpenClaw, Hermes Agent, Pi и OpenCode.
Все бенчмарки - измерения самой Liquid AI. На агентных и tool-use задачах модель конкурирует с Qwen3.6-35B-A3B, у которой примерно на 50% больше параметров: 48.09 на LiveClaw против 38.19 и 27.69 на AutomationBench против 8.72. В целом она лидирует или не уступает на пяти из восьми агентных бенчмарков, с максимальным отрывом на AutomationBench - более чем втрое выше ближайшей модели. На знаниях и коде крупные модели впереди: GPQA Diamond, HLE и SWE-Bench Verified (OpenCode) среди них; для таких задач сама компания советует подключать поиск.
Скорость - 184 токена в секунду на Apple M5 Max и 114 токена в секунду на AMD Ryzen AI Max+ 395: в 1.7 раза быстрее ближайшей MoE-модели на устройстве при меньшем расходе памяти. На одном NVIDIA B300 - свыше 21 тыс. выходных токенов в секунду. Поддержка из коробки: llama.cpp, MLX, vLLM, SGLang и ONNX.