LiquidAI выпустила LFM2.5-24B-A2B — модель на 24 млрд параметров, у которой за токен включаются только 2 млрд. Идея понятная: агент сидит на вашем железе, вызывает инструменты, тащит многошаговые задачи и не гоняет каждый чих в чужое облако. По крайней мере, так это устроено в задумке.
Главная фишка тут не «ещё один чатик». Модель заточена под агентские сценарии: рассуждение, tool calling, многоходовые траектории. В пост-тренинге её гоняли через агентные harness’ы, среди них OpenClaw, Hermes Agent, Pi и OpenCode. То есть LiquidAI явно целилась не в красивый ответ на вопрос «что такое червяк», а в штуку, которая умеет дергать инструменты и не разваливаться после второго шага.
По железу история тоже не пустая. Контекст вырос с 32K до 131K токенов, словарь — с 65K до 128K, чтобы не-латиница резалась менее мясорубочно. Архитектура осталась от LFM2-24B-A2B: 40 слоёв, 64 эксперта в MoE-блоке, top-4 routing, плюс смесь gated short convolutions и GQA. Перевод с инженерного: модель большая на бумаге, но за один токен работает только часть, поэтому локальный запуск не превращается сразу в отопление квартиры.
В бенчмарках LiquidAI сравнивает LFM2.5-24B-A2B с Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning. На LiveClaw у LFM2.5 — 48.09 против 38.19 у Qwen3.6-35B-A3B. На AutomationBench — 27.69, а ближайший соперник там набрал 8.72. Сильно, но держим себя за рукав: это тесты, а не гарантия, что локальный помощник завтра без истерики разрулит браузер, бухгалтерию и деплой.
Скорость в источнике выглядит бодро: 184 токена в секунду на Apple M5 Max, 114 на Ryzen AI Max+ 395, до 21K выходных токенов в секунду на одной NVIDIA B300 при высокой параллельности. Поддержка обещана сразу в llama.cpp, MLX, vLLM, SGLang и ONNX; для Transformers указан вариант установки через актуальную версию с совместимостью transformers>=5.0.0.
Граница простая. Для tool-use и instruction-following модель выглядит как полезный локальный диспетчер: не оракул, а парень у щитка, который знает, какой рубильник дёрнуть. Для knowledge-heavy задач сами материалы LiquidAI советуют добавлять retrieval или веб-поиск: на GPQA Diamond, HLE, AA-Omniscience, SWE-Bench Verified и SciCode более крупные конкуренты местами впереди.
Второго независимого источника в пакете нет, так что независимой проверки этих замеров тут тоже нет. Подтверждено одно: LiquidAI опубликовала LFM2.5-24B-A2B на Hugging Face, описала архитектурные изменения, режимы запуска и свои тесты. Остальное — уже ваша кухня: железо, backend, лимиты, логи reasoning-следа и то, насколько аккуратно агенту дадут доступ к инструментам.