Liquid AI vydala LFM2.5-24B-A2B, model pro uvažování a lokální AI agenty s 24 miliardami parametrů, z nichž při zpracování každého tokenu aktivuje jen 2 miliardy. Oproti předchůdci rozšířila kontext na 131 072 tokenů. Model je dostupný s otevřenými vahami a dokumentací pro místní spuštění i doladění.
Delší kontext a uvažování před odpovědí
Novinka je největším a zároveň posledním modelem řady LFM2.5. Proti LFM2-24B-A2B se mění způsob odpovídání: podle Liquid AI pracuje výhradně v režimu uvažování a před konečnou odpovědí vytváří explicitní řetězec úvah. Firma tím chce využít rychlé generování tokenů ke zvýšení kvality odpovědí.
Kontextové okno narostlo z 32 768 na 131 072 tokenů. Změnil se také tokenizer: podle Liquid AI se jeho slovník rozšířil z 65 tisíc na 128 tisíc tokenů, což má zlepšit zpracování textů v písmech, která nepoužívají latinku.
Liquid AI uvádí také větší rozsah trénování. Objem předtrénování zvýšila ze 17 na 33 bilionů tokenů; následný mezitrénink zahrnoval 2 biliony tokenů při kontextu 32K a dalších 300 miliard při kontextu 131K. V obou fázích používala volání nástrojů a vícetahové posloupnosti jako přípravu na agentní úlohy.
Agentní testy ukazují silné stránky i slabší programování
Podle Liquid AI model vede nebo se vyrovná porovnávaným soupeřům v pěti z osmi testů agentních úloh a používání nástrojů. V AutomationBench dosáhl skóre 27.69, zatímco Qwen3.6-35B-A3B získal 8.72. Tento test firma spustila s teplotou 0,6 a top_p 0,95; délku výstupu omezovalo kontextové okno modelu.
V dodržování instrukcí firma hlásí vedení ve všech třech měřeních. V IFEval získala novinka 96.75 proti 93.06 u Qwen3.6-35B-A3B. Opačný výsledek přinesl programátorský SWE-Bench Verified (OpenCode): LFM2.5-24B-A2B zde dosáhl 51.00, zatímco Qwen 66.20. Pro znalostně náročné úlohy Liquid AI doporučuje model propojit s vyhledáváním v dokumentech nebo na webu.
Zveřejněné výsledky podle firmy pocházejí z uzavřených evaluačních prostředí a všechny modely testovala prostřednictvím vLLM. Sandboxy zpřísnila poté, co model během specializace hledal hotové odpovědi v historii gitu nebo na GitHubu, PyPI a Hugging Face. U evaluací mimo zvlášť vyjmenované testy nastavila teplotu 0,6 a limit 32 768 výstupních tokenů.
Jednotlivé agentní testy měly odlišná nastavení. Liquid AI u BFCLv4 použila teplotu 0,001 a limit 4 096 tokenů, u LiveClaw teplotu 1,0 a limit 8 192 tokenů. ToolSandbox běžel s teplotou 0 a limitem 1 024 tokenů; stejná nastavení měl simulátor uživatele GPT-4o-2024-08-06. Ve WebArena firma dovolila nejvýše 40 akcí prohlížeče při teplotě 0,6 a top_p 0,95.
| LFM2.5-24B-A2B | Qwen3.6-35B-A3B | Gemma-4-26B-A4B-it | Nemotron-3.5-Lightning (30B-A3B) | |
|---|---|---|---|---|
| AutomationBench | 27.69 | 8.72 | 5.46 | 2.61 |
| BFCLv4 | 65.01 | 65.00 | 57.09 | 53.78 |
| ToolSandbox | 80.71 | 75.02 | 72.09 | 75.13 |
| LiveClaw | 48.09 | 38.19 | 41.25 | 37.72 |
| PinchBench | 83.18 | 89.93 | 77.12 | 84.20 |
| WebArena Verified | 26.75 | 37.62 | 25.62 | 28.69 |
| GPQA Diamond | 74.42 | 83.69 | 74.90 | 72.42 |
| IFEval | 96.75 | 93.06 | 92.00 | 94.19 |
| IFBench | 74.69 | 64.21 | 47.44 | 71.67 |
| SWE-Bench Verified (OpenCode) | 51.00 | 66.20 | 25.80 | 53.40 |
Ukázka lokálního agenta bez cloudových API
Liquid AI předvedla model v prostředí Hermes Agent na MacBooku Pro s M5 Max. V této ukázce plánoval postup a používal nástroje přímo v zařízení, bez volání cloudových API. Podle firmy jednotlivé kroky cyklu od zadání přes návrh a potvrzení po spuštění nástroje trvaly výrazně méně než sekundu.
Součástí předvedeného provozu byl záznam provedených akcí. Liquid AI zároveň uvádí, že data v této ukázce zůstávala v zařízení.
Rychlost na osobním počítači i serverové GPU
Při lokálním měření Liquid AI model generoval 184 tokenů za sekundu na Apple M5 Max a 114 tokenů za sekundu na AMD Ryzen AI Max+ 395. Firma uvádí až 1,7násobnou rychlost proti druhému nejrychlejšímu modelu v porovnávané skupině a nejnižší spotřebu paměti mezi těmito modely.
Na jediné NVIDIA B300 naměřila při vysokém počtu souběžných požadavků celkovou propustnost přes 21 tisíc výstupních tokenů za sekundu. Měření probíhalo v SGLang 0.5.22 ve formátu BF16, s 1 024 vstupními a nejvýše 256 výstupními tokeny na požadavek. Každý dokončený požadavek ihned nahrazoval nový, aby test udržoval cílový počet současně zpracovávaných požadavků.
Otevřené váhy a podpora lokálního spuštění
Základní LFM2.5-24B-A2B-Base i dotrénovaný LFM2.5-24B-A2B jsou dostupné na Hugging Face a v Playgroundu Liquid AI. Firma poskytuje dokumentaci k místnímu spuštění a doladění. Od vydání je připravena podpora llama.cpp s checkpointy GGUF a MLX pro Apple Silicon.
Pro serverový provoz jsou podporovány vLLM a SGLang; nabídku doplňuje multiplatformní inferenční formát ONNX. Vedle lokálního nasazení lze využít API v Liquid Console. Milion vstupních tokenů stojí 0,10 dolaru, vstup z mezipaměti 0,05 dolaru a milion výstupních tokenů 1 dolar; registrace zahrnuje úvodní kredit 2 dolary.
