Liquid AI ha publicado LFM2.5-24B-A2B en Hugging Face, con fecha del 13 de octubre de 2026. Es un modelo de razonamiento con 24.000 millones de parámetros en total y 2.000 millones activos por token. Siempre genera una cadena de pensamiento antes de responder, llama a herramientas y resuelve tareas de varios pasos. Tanto el modelo como una versión base son de pesos abiertos y se pueden descargar.
Qué incluye la publicación
El modelo mantiene la arquitectura de su predecesor, LFM2-24B-A2B: 40 capas y 64 expertos por bloque de mezcla de expertos, con enrutamiento top-4. La ventana de contexto pasa de 32K a 131K tokens y el vocabulario se duplica de 65K a 128K tokens para tratar mejor el texto en alfabetos no latinos. El preentrenamiento crece de unos 17T a unos 33T tokens. El posentrenamiento incluye aprendizaje por refuerzo con agentes dentro de entornos como OpenClaw, Hermes Agent, Pi y OpenCode.
Rendimiento declarado
Liquid AI comparó el modelo con Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it y Nemotron-3.5-Lightning en 16 pruebas, todas ejecutadas con vLLM. Son resultados del propio proveedor.
- AutomationBench: 27,69, frente a 8,72 de Qwen3.6-35B-A3B, el siguiente mejor modelo de la tabla.
- LiveClaw: 48,09 frente a 38,19 de Qwen3.6-35B-A3B.
- IFEval: 96,75 e IFBench: 74,69, por delante de los otros tres modelos de la tabla.
Los modelos más grandes mantienen la ventaja en otros terrenos. En GPQA Diamond obtiene 74,42 frente a 83,69 de Qwen3.6-35B-A3B. En SWE-Bench Verified con OpenCode logra 51,00 frente a 66,20, y en WebArena Verified 26,75 frente a 37,62. Liquid AI aconseja combinar el modelo con recuperación o búsqueda web en tareas de mucho conocimiento.
Velocidad y hardware
La fuente indica 184 tokens por segundo en un Apple M5 Max y 114 tokens por segundo en un Ryzen AI Max+ 395, hasta 1,7 veces más rápido que el siguiente mejor modelo comparado y con el menor uso de memoria. En una sola NVIDIA B300 con alta concurrencia supera los 21.000 tokens de salida por segundo. En el lanzamiento hay compatibilidad con llama.cpp, MLX, vLLM, SGLang y ONNX.
Cómo se integra
El modelo puede servirse en local tras cualquier backend compatible con OpenAI, y después se apunta un entorno de agente a ese endpoint. Liquid AI ofrece un ejemplo con Hermes Agent, con contexto de 131072 tokens y la obligatoriedad del uso de herramientas activada. Hay tutoriales de ajuste fino enlazados para adaptarlo a una tarea concreta.
Lo que la fuente no dice
La publicación no da condiciones de licencia, ni precios, ni resultados de despliegues en producción. Las pruebas miden el modelo en condiciones de laboratorio, no dentro del CRM o del helpdesk de una empresa.