A Liquid AI disponibilizou o LFM2.5-24B-A2B, um modelo de raciocínio com pesos abertos concebido para pôr agentes de IA a funcionar em portáteis e estações de trabalho, sem depender da nuvem. A apresentação surgiu num artigo no blogue do Hugging Face com data de 13 de outubro de 2026, e a empresa colocou na sua página da plataforma tanto a versão afinada para instruções como um ponto de partida base.
A arquitetura aposta na esparsidade. São 24 mil milhões de parâmetros no total, mas um encaminhador de mistura de especialistas ativa apenas cerca de 2 mil milhões por token, o que mantém barato cada token gerado. Isto pesa bastante porque o LFM2.5 raciocina sempre antes de responder e, por isso, escreve muitos tokens por tarefa. A Liquid AI manteve a estrutura do anterior LFM2-24B-A2B, com 40 camadas, 64 especialistas por bloco, encaminhamento top-4 e uma combinação de convoluções curtas com portas e atenção de consultas agrupadas, mas alargou a janela de contexto de 32 mil para 131 mil tokens e duplicou o vocabulário para 128 mil, de modo a tratar melhor alfabetos não latinos.
A grande diferença está no treino. O pré-treino quase duplicou, de cerca de 17 biliões para cerca de 33 biliões de tokens, e foi seguido de uma etapa intermédia com contexto longo. O pós-treino decorreu em cinco fases e terminou com aprendizagem por reforço feita dentro de ferramentas de agentes reais, como OpenClaw, Hermes Agent, Pi e OpenCode, para que o modelo aprenda a usar ferramentas nos ambientes onde vai ser efetivamente utilizado.
Na avaliação da própria empresa, o modelo é comparado com o Qwen3.6-35B-A3B, o Gemma-4-26B-A4B-it e o Nemotron-3.5-Lightning em 16 testes, todos servidos com vLLM. Segundo esses números, o LFM2.5 lidera ou empata em cinco dos oito testes de uso de ferramentas e de agentes: obtém 48,09 no LiveClaw, contra 38,19 do Qwen, maior, e 27,69 no AutomationBench, mais do triplo do segundo classificado. Fica ainda em primeiro nos três testes de cumprimento de instruções. A mesma tabela revela fragilidades evidentes: no SWE-Bench Verified, o Qwen3.6 chega a 66,2 e o LFM2.5 a 51,0, e os rivais maiores mantêm vantagem no GPQA Diamond e noutras provas de conhecimento. A própria Liquid AI aconselha juntar o modelo a pesquisa na web ou a sistemas de recuperação de informação nesses casos.
A velocidade é o outro trunfo. A empresa indica 184 tokens por segundo num Apple M5 Max e 114 num AMD Ryzen AI Max+ 395, até 1,7 vezes mais do que o modelo seguinte na comparação, com o menor consumo de memória, e mais de 21 mil tokens de saída por segundo numa única NVIDIA B300 com muitos pedidos em simultâneo. Desde o primeiro dia, funciona com llama.cpp, MLX, vLLM, SGLang e ONNX.
O lançamento reforça a oferta para quem quer agentes que mantenham os dados na própria máquina, um segmento onde também entrou esta semana o Nemotron 3.5 Bolt da NVIDIA. A licença merece, porém, atenção: o LFM2.5 é distribuído com a LFM Open License v1.0, que permite o uso gratuito mas exclui a utilização comercial por organizações com receitas anuais iguais ou superiores a 10 milhões de dólares. As grandes empresas não o podem, por isso, tratar como um modelo com licença Apache.
Todos os valores de desempenho e de velocidade foram divulgados pela Liquid AI e ainda não foram reproduzidos de forma independente.