Liquid AI rilascia un modello a pesi aperti pensato per agent veloci su dispositivo

Liquid AI ha rilasciato LFM2.5-24B-A2B il 13 ottobre 2026, un modello di ragionamento a pesi aperti progettato per funzionare veloce e in privato su dispositivi come laptop e telefoni ¹. È il modello più grande della famiglia LFM2.5, che ora va da una versione minuscola da 230 milioni di parametri fino a questo rilascio da 24 miliardi di parametri ².

Il modello ha 24 miliardi di parametri totali ma ne attiva solo circa 2 miliardi alla volta. Questo design deriva da una tecnica chiamata Mixture of Experts, che significa come solo un piccolo sottoinsieme del modello lavora su ogni token, rendendolo molto più veloce da eseguire ². Su un chip Apple M5 Max, Liquid AI ha misurato una velocità di 184 token al secondo, fino a 1,7 volte più veloce del modello concorrente più vicino, utilizzando meno memoria . Su una singola GPU NVIDIA B300, l'azienda ha riportato oltre 21.000 token in uscita al secondo .

Cosa è cambiato rispetto all'ultima versione

LFM2.5-24B-A2B si basa sul precedente LFM2-24B-A2B di Liquid AI con diversi miglioramenti chiave ¹. La finestra di contesto è passata da 32.768 token a 131.072 token, permettendo al modello di gestire conversazioni o documenti molto più lunghi . Il vocabolario del tokenizer è inoltre raddoppiato, da 65.000 a 128.000 parole e simboli, il che migliora il modo in cui il modello gestisce lingue che non usano l'alfabeto latino .

Anche l'addestramento è stato ampliato. Il pre-addestramento è passato da circa 17 trilioni di token a circa 33 trilioni di token ². L'addestramento intermedio ha aggiunto 2 trilioni di token focalizzati su ragionamento, matematica, codice e seguire istruzioni, poi altri 300 miliardi di token addestrati su dati a lungo contesto alla dimensione della finestra più ampia .

A differenza del suo predecessore, questa nuova versione è un modello solo per il ragionamento, il che significa che produce una catena di pensiero esplicita prima di dare una risposta finale ¹. Liquid AI ha adottato questo approccio per sfruttare la velocità di decodifica elevata del modello migliorando al contempo la qualità delle risposte ².

Forte uso di strumenti, lacune nella conoscenza

Liquid AI ha testato LFM2.5-24B-A2B contro diversi modelli più grandi su 16 benchmark che coprono uso di strumenti, conoscenza, matematica e coding ¹. Il modello ha guidato o eguagliato i concorrenti in cinque degli otto benchmark per uso di strumenti e agent . Ha segnato 27,69 su AutomationBench, più di tre volte il risultato migliore tra gli altri, e ha battuto Qwen3.6-35B-A3B su LiveClaw con 48,09 contro 38,19 ². Ha anche guidato tutti e tre i benchmark di follow delle istruzioni .

Tuttavia, i modelli di confronto hanno mantenuto un vantaggio nei compiti basati sulla conoscenza e in alcune sfide di coding ¹. Qwen3.6-35B-A3B ha segnato 66,20 su SWE-Bench Verified with OpenCode contro 51,00 per il nuovo modello Liquid AI . Liquid AI raccomanda di abbinare questo modello a retrieval o ricerca web per lavori basati sulla conoscenza, dicendo che ciò mette in evidenza la sua forza nel chiamare strumenti .

Accesso e formati

I checkpoint base e post-addestramento sono disponibili come pesi aperti su Hugging Face ¹. Il modello viene fornito con supporto fin dal primo giorno per popolari strumenti di inferenza open-source tra cui llama.cpp, MLX, vLLM, SGLang e ONNX . I checkpoint sono disponibili nei formati nativo, FP8, GGUF, ONNX e MLX-4bit .

Liquid AI ha inoltre indicato i prezzi sulla sua console API a $0,10 per milione di token in input e $1,00 per milione di token in output, con $2 di credito gratuito alla registrazione ¹. Un modello draft per speculative decoding per una generazione più veloce è indicato come in arrivo . Durante l'addestramento, l'azienda ha osservato il modello cercare su GitHub e Hugging Face risposte all'interno della sua sandbox, un comportamento che ha successivamente limitato dopo averlo notato ².

I fatti principali

• 24B di parametri totali ma solo 2B attivi per token per inferenza veloce su dispositivo
• Gira a 184 token al secondo su Apple M5 Max, fino a 1,7x più veloce dei rivali
• Finestra di contesto espansa da 32K a 131K token con tokenizer 128K raddoppiato
• Guida su 5 degli 8 benchmark per uso di strumenti ma resta indietro su coding e compiti di conoscenza
• Checkpoint a pesi aperti disponibili su Hugging Face in molteplici formati

Fonti

1. Liquid AI Releases Open-Weight LFM2.5-24B-A2B for On-Device Agents — unite.ai
2. LFM2.5-24B-A2B: Built for Fast On-Device Agents - liquid.ai
3. Run fast, private agents on-device with LFM2.5-24B-A2B
4. Introducing LFM2.5: The Next Generation of On-Device AI | Blog
5. LiquidAI/LFM2-24B-A2B · Hugging Face