شرکت Liquid AI مدل LFM2.5-24B-A2B را منتشر کرده است؛ مدلی استدلالی با وزن‌های باز که هدفش اجرای عامل‌های هوش مصنوعی روی لپ‌تاپ و رایانه‌های کاری به جای سرورهای ابری است. این شرکت مدل را در نوشته‌ای در وبلاگ Hugging Face به تاریخ ۱۳ اکتبر ۲۰۲۶ معرفی کرد و هم نسخه تنظیم‌شده برای پیروی از دستورها و هم نسخه پایه را در صفحه خود در این پلتفرم قرار داد.
طراحی این مدل بر پراکندگی تکیه دارد. LFM2.5 در مجموع ۲۴ میلیارد پارامتر دارد، اما مسیریاب ترکیب متخصصان در هر توکن فقط حدود ۲ میلیارد از آن‌ها را فعال می‌کند و به همین دلیل تولید هر توکن ارزان می‌ماند. این نکته اهمیت زیادی دارد، چون LFM2.5 همیشه پیش از پاسخ دادن زنجیره استدلال خود را می‌نویسد و در هر کار توکن‌های فراوانی تولید می‌کند. Liquid AI ساختار مدل قبلی خود، LFM2-24B-A2B، را حفظ کرده است: ۴۰ لایه، ۶۴ متخصص در هر بلوک، مسیریابی top-4 و ترکیبی از کانولوشن‌های کوتاه دریچه‌دار و توجه با پرسش‌های گروهی. با این حال پنجره متنی از ۳۲ هزار به ۱۳۱ هزار توکن رسیده و واژگان مدل برای پشتیبانی بهتر از خط‌های غیرلاتین به ۱۲۸ هزار توکن دو برابر شده است.
بیشترین تغییر در آموزش رخ داده است. حجم پیش‌آموزش تقریباً دو برابر شده و از حدود ۱۷ تریلیون به حدود ۳۳ تریلیون توکن رسیده و پس از آن مرحله‌ای میانی با متن‌های طولانی آمده است. پس‌آموزش در پنج مرحله انجام شده و آخرین مرحله یادگیری تقویتی درون محیط‌های واقعی عامل‌ها مانند OpenClaw، Hermes Agent، Pi و OpenCode بوده است تا مدل کار با ابزارها را در همان جایی بیاموزد که کاربران از آن استفاده خواهند کرد.
در ارزیابی خود شرکت، این مدل در ۱۶ سنجه با Qwen3.6-35B-A3B، Gemma-4-26B-A4B-it و Nemotron-3.5-Lightning مقایسه شده و همه مدل‌ها با vLLM اجرا شده‌اند. بر پایه این ارقام، LFM2.5 در پنج سنجه از هشت سنجه کار با ابزار و عامل‌ها پیشتاز یا هم‌تراز است؛ در LiveClaw امتیاز ۴۸٫۰۹ در برابر ۳۸٫۱۹ برای مدل بزرگ‌تر Qwen گرفته و در AutomationBench با ۲۷٫۶۹ بیش از سه برابر رتبه بعدی امتیاز آورده است. این مدل در هر سه سنجه پیروی از دستورها نیز نفر نخست است. اما همان جدول ضعف‌های روشنی هم نشان می‌دهد: در SWE-Bench Verified مدل Qwen3.6 به ۶۶٫۲ می‌رسد و LFM2.5 به ۵۱٫۰، و رقبای بزرگ‌تر در GPQA Diamond و دیگر آزمون‌های دانش‌محور جلوترند. خود Liquid AI توصیه می‌کند برای چنین کارهایی مدل را با جست‌وجوی وب یا سامانه بازیابی اطلاعات همراه کنند.
سرعت برگ برنده دیگر است. به گفته شرکت، این مدل روی Apple M5 Max ۱۸۴ توکن و روی AMD Ryzen AI Max+ 395 ۱۱۴ توکن در ثانیه تولید می‌کند، یعنی تا ۱٫۷ برابر سریع‌تر از مدل بعدی در این مقایسه و با کمترین مصرف حافظه، و روی یک کارت NVIDIA B300 در بار همزمان بالا بیش از ۲۱ هزار توکن خروجی در ثانیه دارد. از نخستین روز نیز با llama.cpp، MLX، vLLM، SGLang و ONNX سازگار است.
این عرضه گزینه تازه‌ای پیش روی توسعه‌دهندگانی می‌گذارد که می‌خواهند داده‌ها روی دستگاه خودشان بماند؛ حوزه‌ای که Nemotron 3.5 Bolt از NVIDIA نیز همین هفته وارد آن شد. اما مجوز مدل نیازمند دقت است. LFM2.5 با مجوز LFM Open License v1.0 منتشر شده که استفاده رایگان را مجاز می‌داند، ولی استفاده تجاری سازمان‌هایی با درآمد سالانه ۱۰ میلیون دلار یا بیشتر را در بر نمی‌گیرد. بنابراین شرکت‌های بزرگ نمی‌توانند آن را مانند مدلی با مجوز Apache به کار ببرند.
همه ارقام عملکرد و سرعت را خود Liquid AI اعلام کرده و هنوز به‌طور مستقل بازتولید نشده‌اند.