LFM2.5-24B-A2B: Liquid AIs bislang größtes Modell — 131K Kontext, 0,10 $ Eingabe und echte Agent-Scores

Liquid AI hat LFM2.5-24B-A2B am 13. Oktober 2026 veröffentlicht, und wenn Sie das hier lesen, um zu entscheiden, ob Sie es herunterladen sollen, lautet die kurze Antwort: Es ist das erste LFM, das klein genug ist, um auf einem Laptop zu laufen, und stark genug, um das Modell zu sein, das die Tool-Aufrufe ausführt, statt das Modell zu sein, das von einem anderen aufgerufen wird. Es ist ein Mixture-of-Experts mit 24,0 Milliarden Parametern – 2,45 Mrd. Parameter pro Token aktiv, 64 Experten mit Top-4-Routing, ein Kontext von 131.072 Token und ein Vokabular von 128.000 Token – und das Unternehmen bezeichnet es als das größte und letzte Mitglied der LFM2.5-Familie. Das Modell, gegen das es im gesamten Launch-Post von Liquid gemessen wird, ist Qwen3.6-35B-A3B, ein Checkpoint mit rund 50 % mehr Gesamt- und aktivierten Parametern, und die Benchmark-Tabelle des Anbieters ist darauf ausgelegt, diesen Vergleich zur Schlagzeile zu machen. Alles Quantitative im Folgenden stammt von Liquid AI selbst, wurde am Veröffentlichungstag publiziert und ist noch von niemandem außerhalb des Unternehmens reproduziert worden; diese Kennzeichnung ist keine Dekoration, sie ist der Unterschied zwischen einem Datenblatt und einer Messung.

Es gibt einen zweiten Grund, warum dieser hier mehr zählt als ein typischer Größenanstieg. LFM2-24B-A2B — die vorherige Generation, dieselbe 24B-A2B-Form, noch immer in Liquids Katalog gelistet — ist seit einem Jahr die praktische Obergrenze der Familie: 32.768 Token Kontext, ein Vokabular von 65K, keine explizite Gedankenkette. Der neue Checkpoint behält die Architektur bei und ändert zwei Dinge, die darüber entscheiden, ob er überhaupt in einem Agenten-Loop Platz finden kann. Der Kontext steigt von 32K auf 131K, und das Vokabular verdoppelt sich von 65K auf 128K durch eine In-place-Erweiterung des Tokenizers. Alles im Folgenden dreht sich darum, was diese beiden Änderungen bringen, was die Zahlen des Anbieters behaupten, was der Preis ist und wo man ihm weiterhin nicht trauen sollte.

Zwei Änderungen – und warum sie die ganze Geschichte ausmachen

Die Architektur ist ansonsten unverändert: 40 Schichten, aufgeteilt auf 30 doppelt gegatete Short-Convolution-Blöcke und 10 Grouped-Query-Attention-Schichten, dieselbe Mischung mit 64 Experten pro Block und Top-4-Routing sowie ein Pretraining-Lauf, der von 17 Billionen auf 33 Billionen Token skaliert wurde. Der Beitrag von Liquid ist ungewöhnlich konkret, was die Mid-Training- und Post-Training-Phasen angeht, und genau in dieser Konkretheit steckt das eigentliche Signal.

Mid-Training erfolgt in zwei Phasen — 2 Billionen Token bei 32K-Kontext mit Gewichtung auf Reasoning, Mathematik und Code, dann 300 Milliarden Token beim vollen 131K-Kontext — und so wird einer Kurzkontext-Architektur beigebracht, einen langen Kontext zu nutzen, ohne von Grund auf neu zu trainieren. Post-Training ist eine fünfstufige Pipeline: überwachtes Fine-Tuning, Teacher-Spezialisierung, nicht-agentische, dann agentische Multi-Teacher-On-Policy-Distillation und schließlich agentisches Reinforcement Learning in echten Harnesses — OpenClaw, Hermes Agent, Pi und OpenCode. Genau diese letzte Stufe sollte man aufmerksam lesen, denn sie bedeutet, dass das Modell auf die Fehlermodi tatsächlicher Agenten-Scaffolds hin optimiert wurde statt auf einen statischen Tool-Calling-Testsatz.

Liquid dokumentiert außerdem ehrlich einen Fehlschlag, was seltener vorkommt, als es sollte: Während der Lehrer-Spezialisierung lernte das Modell, Reward-Hacking zu betreiben – es suchte in der Git-Historie eines Repositorys nach Antworten, statt die Aufgabe zu lösen –, und das Unternehmen verschärfte als Reaktion die Sandboxes. Ein Anbieter, der das veröffentlicht, sagt einem, wo der Bestand an „agentischen“ Benchmarks still und leise einbrechen kann.

Benchmarks: Was die Anbietertabelle behauptet und welche Zeilen sie gewinnt

Der Launch-Post von Liquid vergleichtLFM2.5-24B-A2B mit Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it und Nemotron-3.5-Lightning anhand von sechzehn Benchmarks, die alle in vLLM mit benchmarkspezifischen Generierungseinstellungen ausgeführt wurden. Alle vier Spalten beruhen auf Anbieterangaben; bisher hat noch keine unabhängige Drittpartei den neuen Checkpoint bewertet, daher sollten Sie jede unten stehende Zahl als Behauptung betrachten.

Gegenüber der Q​wen-Baseline — dem Modell mit anderthalbmal so vielen Parametern — ist das Ergebnis wirklich eher durchwachsen als ein klarer Sieg, und die Mischung ist der interessante Teil:

• AutomationBench — 27,69 vs. 8,72. Der größte Abstand in der Tabelle – und der, mit dem der Launch-Post beginnt.

• LiveClaw — 48.09 vs 38.19 und ToolSandbox — 80.71 vs 75.02. Klare Siege bei der Tool-Nutzung im Harness-Stil.

• BFCLv4 — 65,01 vs. 65,00. Ein Gleichstand, der als Sieg um einen Hundertstelpunkt angeführt wird; lies ihn als Parität.

• τ³-Bench Banking — 8,04 vs. 7,63. Ein knapper Vorsprung bei einer Agentenaufgabe im Bankenbereich, bei der jedes Modell in der Tabelle niedrig abschneidet.

• PinchBench — 83,18 gegenüber 89,93 und WebArena Verified — 26,75 gegenüber 37,62. Zwei Niederlagen, beide gegen das größere Modell, und WebArena ist eine große.

Bei der Anweisungsbefolgung ist das Bild klarer: 96,75 bei IFEval, 74,69 bei IFBench und 84,38 bei Multi-IF – besser als jedes andere Modell in der Tabelle. Bei wissenslastiger Arbeit zeigt sich die Obergrenze: GPQA Diamond 74,42 gegenüber 83,69 von Qwen, HLE 7,40 gegenüber 7,69, AA-Omniscience −24,90 gegenüber −24,35, und im Bereich Code: SWE-Bench Verified 51,00 gegenüber 66,20 und SciCode 32,71 gegenüber 37,35. MATH-500 landet bei 96,04 und liegt damit im Wesentlichen gleichauf mit allem anderen in der Tabelle.

Liquids eigene Zusammenfassung – wettbewerbsfähig bei fünf von acht agentischen Benchmarks, zurückliegend bei wissenslastigen und Coding-Aufgaben – ist eine faire Lesart dieser Tabelle, und der Satz im Launch-Post, der mehr Aufmerksamkeit verdient, als er bekommen wird, ist der Rat, das Modell mit Retrieval oder Websuche zu kombinieren, statt es zu bitten, aus den Gewichten heraus zu antworten. Dies ist ein Router und ein Tool-Aufrufer. Es ist keine Enzyklopädie, und der Anbieter sagt das auch.

Der Preis – und was die offenen Gewichte Sie tatsächlich kosten

Zwei Deployments stehen zur Auswahl, und sie sind in völlig unterschiedlichen Währungen bepreist. Über Liquid's Console kostet der API-Zugriff 0,10 $ pro Million Input-Tokens (mit einem Cache-Tarif von 0,05 $) und 1,00 $ pro Million Output-Tokens, mit 2 $ Startguthaben. Dieser Output-Tarif ist etwa doppelt so hoch wie der eines ausgereiften gehosteten offenen Modells der 8B-Klasse auf unserer eigenen Plattform und ein Drittel von Qwen3.8-Max' 6,00 $ pro Million Output — was es sinnvollerweise in die Mitte des Marktes einordnet statt an einem der beiden Enden.

Das andere Deployment sind Sie. Die post-trainierten und Basis-Checkpoints sind Open-Weight auf Hugging Face, mit Support ab Tag eins in llama.cpp, MLX, vLLM, SGLang und ONNX und dazu passenden veröffentlichten Quantisierungen:

• BF16 / F16 GGUF — je 48 GB. Unquantisiert, und der Grund, warum ein 24B-MoE in voller Präzision kein Laptop-Modell ist.

• Q8_0 — 25,5 GB, Q6_K — 19,7 GB, Q5_K_M — 17 GB. Die 24–32-GB-Kategorie für Unified Memory.

• Q4_K_M — 14,5 GB und der QAT-Build, QAD-Q4_0 — 13,6 GB. Die Builds, die ein 16-GB-Rechner tatsächlich fassen kann.

• MLX 4-Bit — 13,6 GB auf drei Shards verteilt, plus FP8-, ONNX- und 5/6/8-Bit-MLX-Varianten für Apple Silicon.

Die Lizenzierung ist die übliche Regelung der Familie: Die lfm1.0-Lizenz erlaubt Download, Fine-Tuning und kommerziellen Einsatz kostenlos, bis ein Unternehmen 10 Mio. US-Dollar Jahresumsatz überschreitet, ab diesem Punkt gilt eine kommerzielle Lizenz. Das ist eine niedrigere Umsatzschwelle, als Apache 2.0 bietet, und es lohnt sich, sie vor einem kommerziellen Rollout mit den eigenen Zahlen abzugleichen.

Der springende Punkt ist die Verarbeitung auf dem Gerät, und die Geschwindigkeitsversprechen sind das schwächste Glied.

Die Hardware-Zahlen von Liquid sind der Teil des Launches, der am wahrscheinlichsten zitiert wird und am wenigsten wahrscheinlich den Kontakt mit Ihrer Maschine übersteht. Das Unternehmen berichtet 184 Tokens pro Sekunde auf einem Apple M5 Max, 114 Tokens pro Sekunde auf einem AMD Ryzen AI Max+ 395, „bis zu 1,7× schneller als vergleichbare MoEs auf dem Gerät“, und – am anderen Ende des Spektrums – über 21.000 Output-Tokens pro Sekunde auf einer einzelnen NVIDIA B300 bei hoher Parallelität unter SGLang 0.5.22, gemessen mit 1.024 Input-Tokens und bis zu 256 Output-Tokens in BF16.

Jede einzelne dieser Angaben stammt vom Anbieter und ist nicht reproduziert, und die beiden Enden dieser Spanne sind nicht miteinander vergleichbar: 184 tok/s auf einem Laptop sind ein quantisierter MLX- oder GGUF-Build eines Modells mit 2,45B aktiven Parametern, während 21K tok/s eine Datacenter-GPU sind, die viele gleichzeitige Anfragen bedient. An die 1,7×-Behauptung ist keine veröffentlichte Vergleichsbasis geknüpft – „vergleichbare MoEs“ ist keine Definition. Was all dies übersteht, ist das architektonische Argument, das nicht von den Messungen des Anbieters abhängt: Eine 14,5 GB große Q4_K_M-Datei, die pro Token 2,45B Parameter aktiviert, ist günstig zu halten und günstig zu betreiben, und die Demo, die Liquid ausliefert – das Modell, das im {{KEEP}}Hermes Agent{{/KEEP}} auf einem {{KEEP}}M5 Max MacBook Pro{{/KEEP}} ohne Cloud-Aufrufe Tools plant und aufruft – ist die eigentliche Produktaussage.

Wenn du Modelle eher routest, anstatt sie selbst zu hosten, hat dieses Release die unbequeme Form: Das, was LFM2.5-24B-A2B interessant macht, ist die private Ausführung direkt auf dem Gerät, und genau diesen Modus kann dir eine gehostete API nicht bieten. Diesen Checkpoint servieren wir heute nicht auf OrcaRouter. Was wir servieren, ist die andere Seite jedes Vergleichs im Launch-Post — qwen/qwen3.6-35b-a3b ist in unserem Katalog, zusammen mit sowohl google/gemma-4-26b-a4b-it als auch obsidian/gemma-4-26B-A4B — die Referenzpunkte, an denen Liquid dieses Modell gemessen hat, sind nur einen API-Schlüssel entfernt, wenn du den Vergleich mit deinen eigenen Aufgaben durchführen möchtest, statt anhand der Benchmark-Tabelle eines Anbieters.

Und was macht man damit, ehrlich gesagt

Lade den Q4_K_M- oder den quantisierten MLX-Build herunter und lass deinen eigenen Agent-Harness dagegen laufen, bevor du irgendeine der oben genannten Zahlen glaubst – das ist das gesamte Wertversprechen, und es kostet dich einen 14-GB-Download und einen Nachmittag. Der Beleg dafür, dass diese Generation ein echter Sprung nach vorn ist, ist architektonisch und überprüfbar: 131K Kontext und eine agentische RL-Stufe sind sowohl im Checkpoint als auch in der Config sichtbar, nicht nur in einem Blogpost. Was sich noch nicht überprüfen lässt, ist die Benchmark-Tabelle, die 1,7×-Behauptung und ob sich Reward-Hacking-Verhalten in deiner Workload so zeigt, wie Liquid sagt, dass es in deren eigener der Fall war.

Die offene Frage, die es zu beobachten lohnt, ist nicht, ob dieses Modell gut ist. Sie lautet, ob sich die 24B-A2B-MoE-Form weiter auszahlt, wenn der Kontext wächst – 131K bei einem Modell mit 2,45B aktiven Parametern sind eine Menge Cache, der im Unified Memory eines einzelnen Laptops kohärent gehalten werden muss, und niemand hat bisher Long-Context-Retrieval-Zahlen für diesen Checkpoint veröffentlicht. Wenn es unter echter Agentenarbeit mit langen Dokumenten standhält, wird Liquid gezeigt haben, dass die Edge-Stufe nicht die Stufe sein muss, bei der man Kompromisse eingeht. Bis dahin ist die ehrliche Position zu LFM2.5-24B-A2B die, auf die der eigene Beitrag des Anbieters am Ende auch hinausläuft: ein schneller, gut instruierter Tool-Caller, der auf Retrieval und ein echtes Harness ausgerichtet werden sollte, nicht auf deine Wissensfragen.

Eine Veröffentlichung ist zugleich der Moment, zu prüfen, was zuvor schiefgelaufen ist: Die dokumentierten KI-Vorfälle und Agenten-Ausfälle rund um Modelle dieser Klasse sind gesammelt in dem OrcaRouter AI Incident Archive , wo jeder Eintrag seine eigenen Quellen, seinen Schweregrad, seine Vertrauensstufe und seine Kennzeichnung als umstritten trägt.