Liquid AI опубликовала LFM2.5-24B-A2B на Hugging Face - запись датирована 13 октября 2026 года. Это рассуждающая модель: всего в ней 24 млрд параметров, на каждый токен задействуется 2 млрд. Перед ответом она всегда строит цепочку рассуждений, умеет вызывать инструменты и справляется с многошаговыми задачами. Открыты веса и самой модели, и её базовой версии, их можно скачать.
Что вошло в релиз
Архитектура осталась от предшественницы, LFM2-24B-A2B: 40 слоёв и 64 эксперта в каждом блоке mixture-of-experts с маршрутизацией top-4. Контекстное окно выросло с 32K до 131K токенов, а словарь удвоился - с 65K до 128K токенов, чтобы лучше работать с нелатинским текстом. Предобучение выросло примерно с 17T до 33T токенов. На этапе дообучения использовалось агентное обучение с подкреплением внутри агентных обвязок: OpenClaw, Hermes Agent, Pi и OpenCode.
Заявленные результаты
Liquid AI сравнила модель с Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning на 16 бенчмарках, все прогоны выполнены через vLLM. Это результаты самого вендора.
- AutomationBench: 27.69 против 8.72 у Qwen3.6-35B-A3B, следующей по результату модели в таблице.
- LiveClaw: 48.09 против 38.19 у Qwen3.6-35B-A3B.
- IFEval: 96.75 и IFBench: 74.69 - впереди трёх остальных моделей из таблицы.
В других тестах лидируют модели покрупнее. На GPQA Diamond у новинки 74.42 против 83.69 у Qwen3.6-35B-A3B. На SWE-Bench Verified с OpenCode - 51.00 против 66.20, на WebArena Verified - 26.75 против 37.62. Для задач, где нужны знания, Liquid AI советует сочетать модель с retrieval или веб-поиском.
Скорость и железо
По данным источника, на Apple M5 Max модель выдаёт 184 токена в секунду, на Ryzen AI Max+ 395 - 114 токенов в секунду. Это до 1.7x быстрее ближайшей из сравниваемых моделей при наименьшем потреблении памяти. На одной NVIDIA B300 при высокой параллельности она даёт свыше 21K выходных токенов в секунду. На старте поддерживаются llama.cpp, MLX, vLLM, SGLang и ONNX.
Как подключить
Модель можно поднять локально за любым OpenAI-совместимым бэкендом и направить на этот эндпоинт агентную обвязку. Liquid AI приводит пример для Hermes Agent: контекст 131072 токена и включённое принудительное использование инструментов. Для адаптации под конкретную задачу даны ссылки на руководства по дообучению.
О чём источник молчит
В публикации нет условий лицензии, цен и результатов работы в продакшене. Бенчмарки измеряют модель в лабораторных условиях, а не внутри CRM или helpdesk конкретной компании.