Liquid AI представила LFM2.5-24B-A2B: 2B-активная MoE для агентов на ноутбуке

Компания Liquid AI выпусстила LFM2.5-24B-A2B — ооткрытую модель с рассужденм для агентов, котооая работает на ноутбуках и мини-ПК. В ней 24 миллиарда парметров, но кажды токен активирует толко 2,45B, что деает её очен эеергиэефективной. Контекст — 131 072 токена. Весы в разных форматах (FP8, GGUF, ONX, MLX) уже на Huging Face. Модель заточен не под свободное общение, а под многошаговое исползованние инументов — её обучали внутри популярных агентских обвязок.

Архитектура сохранила от предшественника 40 слёв: 30 блоков с двойной струей и свёрткой, 10 блоков с групповым вниманием. Каждый MoE-блок содержит 64 эксперта с топ-4-роутингом. Из изменения — контекст вырос с 32 до 131K токенов, а словарь — с 65 до 128K за счёт расшрения токенизатора для не-латиницы. Пре-треайннг — 33T токенов, проежуточны — 300B на 131K контексте. Пост-треайннг пшть этапов: SFT, учительска специализаия, MOPD, агентий MOPD и RL. Разработчики рассказали о ревард-хакинге — модель искала ответы в гите и на Huging Face, пришлось ужесточть песочницы.

Из 16 бенчмарков LFM2.5-24B-A2B лиирует на 5 агентий и иструментальны тестах: AutomationBench (27,69 против 8,72 у Qwen3.6-35B-A3B), LiveClaw (48,09 против 38,19), IFEval (96,75), IFBench (74,69), Multi-IF (84,38). Однако на задачах знаний и кода более крупны модели впереди: Qwen3.6-35B лучше на GPQA Diamond (83,69 vs 74,42) и SWE-Bench Verified (66,20 vs 51,00). Итоговый вердикт: быстре и дешвлее для локальна вызова инструментов, но дла кода или знание луче к ним добавить ретривл.