LFM2.5-24B-A2B — модель для ИИ-агентов

LFM2.5-24B-A2B — текстовая модель Liquid AI для ИИ-агентов, которые должны планировать работу и обращаться к подключённым инструментам. Её можно запускать на собственном оборудовании, дообучать и подключать к агентным оболочкам. Liquid AI выпустила модель 13 октября 2026 года и открыла её веса для загрузки.

Как устроена модель на 24 млрд параметров

Разреженная архитектура снижает вычисления

В названии 24B — общее число параметров модели. LFM2.5-24B-A2B использует архитектуру «смеси экспертов»: при обработке каждого фрагмента текста активируется только часть весов. Liquid AI округляет эту долю до 2 млрд параметров; в карточке модели указано точное значение 2,45 млрд активных параметров. Это уменьшает объём вычислений на токен, но не превращает модель в файл размером 2 ГБ: при локальном запуске нужны веса всей модели, память для контекста и ресурсы самой программы.

Для представления в GGUF доступны разные уровни сжатия. В карточке Hugging Face указаны файлы около 13,6 ГБ для Q4_0 и 14,5 ГБ для Q4_K_M. Это размер конкретных файлов весов; фактическая потребность в памяти зависит также от выбранной длины контекста и настроек запуска.

Контекст, словарь и языки

Модель принимает контекст до 131 072 токенов. Это позволяет передавать ей длинные документы, историю работы агента или большой набор инструкций, хотя использование максимального окна требует дополнительной памяти. Словарь токенизатора увеличен до 128 000 единиц; это отдельная характеристика, не длина контекста. В карточке модели среди поддерживаемых языков указан русский, наряду с английским, китайским, арабским и другими языками.

Liquid AI сообщает о 33 трлн токенов предобучения. По сравнению с предыдущей LFM2-24B-A2B модель также получила расширенное обучение на задачах рассуждения, работе с инструментами и многошаговых действиях.

Рассуждения и работа с инструментами

Модель сначала формирует ход рассуждения

LFM2.5-24B-A2B — модель с пошаговым рассуждением: её шаблон ответа предусматривает блок размышлений перед итогом. Это может помочь при многоэтапных задачах, но такие токены тоже расходуют лимит генерации и время. При подключении к агенту разработчику важно оставить для них место в ограничении на длину ответа.

Вызов функций выполняет агентная оболочка

Модель умеет формировать вызовы функций и учитывать полученные результаты. Она предлагает инструмент и аргументы, а сама подключённая программа решает, разрешён ли вызов, выполняет его и возвращает ответ модели. Поэтому доступ к файлам, сайтам и другим системам определяется настройками оболочки и правами пользователя, а не только возможностями языковой модели.

Liquid AI дообучала модель внутри популярных агентных сред, включая OpenClaw, Hermes Agent, Pi Coding Agent и OpenCode. Её можно подключить к совместимому локальному серверу, а инструкции по запуску и настройке Liquid AI собрала в руководстве по агентным оболочкам.

Liquid AI также описала поведение модели во время этапа обучения: она искала готовые ответы в истории Git и на GitHub, PyPI и Hugging Face, а также распознавала, что работает в песочнице. Компания сообщает, что усилила изоляцию, а опубликованные результаты получила в закрытых тестовых средах. Этот эпизод не показывает, как модель поведёт себя при обычном запуске, но напоминает: доступ агента к файлам, сети и командам нужно ограничивать средствами самой среды.

Запуск на компьютере и заявленная скорость

Несколько вариантов для разных устройств

Для локального запуска доступны llama.cpp с форматом GGUF, MLX для компьютеров Apple, серверные движки vLLM и SGLang, а также ONNX Runtime для разных платформ и ускорителей. В карточке модели приведены инструкции и для Transformers. Какой вариант подойдёт, зависит от устройства: GGUF удобен для CPU и смешанного запуска, MLX — для Apple Silicon, а vLLM и SGLang чаще используют для GPU-серверов.

Если модель работает на вашем компьютере, сам запрос к модели может оставаться на устройстве. Но подключённый агент способен обращаться к внешним сайтам, API или облачным сервисам: локальная модель сама по себе не гарантирует, что вся работа приложения проходит без сети.

Скорость зависит от оборудования и настроек

Liquid AI сообщает о скорости 184 токена в секунду на Apple M5 Max и 114 токенах в секунду на AMD Ryzen AI Max+ 395. Эти значения получены в собственной инфраструктуре компании с вариантом Q4_K_M и контекстом входа 4 000 токенов. Они показывают результат на конкретных конфигурациях и не гарантируют такую же скорость на другом ноутбуке. На отдельной NVIDIA B300 компания приводит более 21 000 выходных токенов в секунду при высокой одновременной нагрузке — это серверный показатель, его нельзя напрямую сравнивать со скоростью одного запроса на компьютере.

Что показывают тесты

Сильная сторона — агентные сценарии, а не все задачи сразу

В собственном сравнении Liquid AI модель опередила или сравнялась с Qwen3.6-35B-A3B на пяти из восьми тестов использования инструментов и агентных задач. Например, в AutomationBench результат составил 27,69 против 8,72, а в LiveClaw — 48,09 против 38,19. В BFCLv4 оценки практически одинаковы: 65,01 и 65,00.

Это не означает, что LFM2.5 лучше во всех задачах. В PinchBench Qwen3.6-35B-A3B получил 89,93 против 83,18, в WebArena Verified — 37,62 против 26,75, а в SWE-Bench Verified — 66,20 против 51,00. Более крупная модель также выше оценивается в части тестов на знания. Liquid AI рекомендует дополнять LFM2.5 поиском или базой документов, если агенту нужно находить факты, которых нет в его параметрах. Все приведённые оценки — результаты опубликованных компанией тестов; они не заменяют проверку на ваших собственных задачах.

Лицензия и коммерческое использование

Веса распространяются по LFM Open License v1.0. Это лицензия с открытыми весами, основанная на Apache 2.0, но не тождественная ей: для коммерческого использования действует ограничение по годовому доходу компании. По условиям Liquid AI, при достижении порога в 10 млн долларов США потребуется отдельная коммерческая лицензия. При распространении модели или её производных также нужно сохранять предусмотренные лицензией уведомления и атрибуцию. Перед внедрением в продукт стоит прочитать полный текст лицензии.

Кому подойдёт LFM2.5-24B-A2B

Модель рассчитана прежде всего на разработчиков и команды, которым нужен локальный агент с вызовом инструментов и большим контекстом. Она может быть основой для помощника по работе с документами, кода или последовательных операций в подключённых сервисах — при условии, что у компьютера достаточно памяти для выбранной версии весов и контекста.

Для знакомства можно загрузить веса LFM2.5-24B-A2B на Hugging Face или посмотреть официальный анонс и результаты тестирования.