LFM2.5-24B-A2B: Liquid AI Membangun Model Agen 24B yang Hanya Mengaktifkan 2.45B Parameter

Dua puluh empat miliar parameter berada di dalam file. Dua koma empat lima miliar di antaranya melakukan pekerjaan apa pun pada token mana pun. Rasio itulah keseluruhan dari LFM2.5-24B-A2B, model yang diumumkan Liquid AI pada 13 Oktober 2026 sebagai anggota terbesar dari keluarga LFM2.5-nya — dan itulah alasan Liquid merasa nyaman mencetak tabel benchmark-nya sendiri di samping Qwen3.6-35B-A3B, sebuah checkpoint dengan total dan parameter aktif sekitar satu setengah kali lebih banyak. Tabel itu juga memuat kolom untuk Gemma-4-26B-A4B-it dan Nemotron-3.5-Lightning, yang keduanya tidak diukur sendiri oleh Liquid; dua kolom itu adalah angka pihak ketiga yang direproduksi Liquid tanpa menerbitkan metodologi, yang layak diingat sebelum siapa pun mengutip satu baris.

Cara Liquid membingkai ini bukanlah "ini mengalahkan model yang lebih besar." Melainkan "ini tempatnya di mesin Anda, di dalam loop agen, memanggil alat." Generasi sebelumnya, LFM2-24B-A2B, menghabiskan setahun sebagai batas praktis keluarga ini pada 32.768 token konteks dan kosakata 65K. Checkpoint baru ini mempertahankan arsitektur dan menggeser tepat dua angka yang menentukan apakah model kecil dapat menampung jejak agen yang panjang: konteks menjadi 131.072, kosakata menjadi 128.000.

Apa yang sebenarnya berubah, dan apa yang tidak

Baca konfigurasinya dan delta-nya lebih sempit daripada yang disiratkan pemasaran. Empat puluh lapisan, terbagi antara 30 blok konvolusi pendek berpagar ganda dan 10 lapisan attention grouped-query. Enam puluh empat pakar per blok mixture-of-experts dengan routing top-4. Bentuk yang sama seperti sebelumnya.

Yang berubah adalah ke mana token-token itu pergi. Pra-pelatihan diperbesar skalanya — postingan peluncuran Liquid menyebut dari 17 triliun menjadi 33 triliun token, sementara kartu model Hugging Face untuk rilis yang sama menyebut 36 triliun. Salah satu dari angka-angka itu sudah usang, dan tidak ada apa pun di kedua dokumen tersebut yang menyebutkan yang mana. Pelatihan pertengahan kemudian berjalan dalam dua fase: 2 triliun token pada konteks 32K dengan bobot yang condong ke penalaran, matematika, dan kode, diikuti oleh 300 miliar token pada 131K penuh. Fase kedua itulah cara sebuah arsitektur berkonteks pendek diajari untuk menggunakan konteks panjang tanpa pelatihan ulang dari awal.

Pasca-pelatihan terdiri dari lima tahap: fine-tuning terawasi, spesialisasi guru, distilasi on-policy multi-guru non-agentik, distilasi on-policy multi-guru agentik, dan terakhir pembelajaran penguatan agentik yang dijalankan di dalam harness nyata — OpenClaw, Hermes Agent, Pi, dan OpenCode. Tahap terakhir itulah bagian yang perlu dibaca dua kali. Melatih terhadap perancah agen yang sebenarnya berbeda dari melatih terhadap set pengujian pemanggilan alat yang statis, dan itulah alasan tabel tolok ukur vendor sangat bergantung pada evaluasi berbentuk harness.

Liquid juga mendokumentasikan kegagalan yang sebagian besar vendor akan diam-diam perbaiki: selama spesialisasi teacher, model belajar melakukan reward-hack, menggali riwayat git sebuah repositori untuk menemukan jawaban alih-alih menyelesaikan tugas, dan sandbox harus diperketat. Itu adalah pengungkapan yang berguna. Ini memberi tahu Anda di mana skor "agentic benchmark" bisa diam-diam menggelembung.

Tabel tolok ukur, dibaca sebagai klaim, bukan hasil.

Enam belas benchmark, empat kolom model, semuanya dijalankan oleh Liquid di vLLM dengan pengaturan generasi per benchmark. Belum ada pihak ketiga yang menilai LFM2.5-24B-A2B, jadi setiap angka di sini adalah klaim, termasuk angka-angka di kolom model lain.

Dibandingkan dengan baseline Q​wen, hasilnya benar-benar campuran, dan campuran itulah bagian yang menarik:

• AutomationBench — 27,69 versus 8,72. Margin terlebar dalam tabel, dan baris yang dipimpin Liquid.

• LiveClaw — 48,09 versus 38,19 dan ToolSandbox — 80,71 versus 75,02. Kemenangan nyata dalam penggunaan alat bergaya harness.

• BFCLv4 — 65,01 versus 65,00. Seri yang dikutip sebagai kemenangan dengan selisih seperseratus poin. Bacalah itu sebagai paritas.

• τ³-Bench Banking — 8,04 versus 7,63. Keunggulan tipis pada tugas agen domain perbankan yang seluruh barisnya mendapat skor rendah, termasuk Qwen3.6-35B-A3B dan Gemma-4-26B-A4B-it.

• PinchBench — 83,18 versus 89,93 dan WebArena Verified — 26,75 versus 37,62. Dua kekalahan dari model yang lebih besar, dan selisih WebArena tidak kecil.

Kepatuhan terhadap instruksi adalah sapu bersih: 96,75 pada IFEval, 74,69 pada IFBench, 84,38 pada Multi-IF, unggul di setiap kolom. Pengetahuan dan pengodean menunjukkan batas atas: GPQA Diamond 74,42 berbanding 83,69 milik Qwen, SWE-Bench Verified 51,00 berbanding 66,20, SciCode 32,71 berbanding 37,35, HLE 7,40 berbanding 7,69, dan AA-Omniscience −24,90 berbanding −24,35. MATH-500 berada pada 96,04, praktis setara dengan semua yang ada di tabel.

Ringkasan Liquid sendiri — kompetitif pada lima dari delapan benchmark agentik, tertinggal dalam pekerjaan yang padat pengetahuan dan pengodean — adalah tafsiran yang wajar. Kalimat dalam tulisan peluncuran yang perlu mendapat lebih banyak perhatian adalah saran untuk memasangkan model dengan retrieval atau penelusuran web alih-alih memintanya menjawab dari bobot. Ini adalah router dan pemanggil alat, dan vendor mengatakan demikian.

Dua harga, dalam dua mata uang

Liquid menjual akses API melalui Console-nya sendiri dengan harga $0.10 per juta token input, dengan tarif cache $0.05, dan $1.00 per juta token output, plus kredit awal $2. Tarif output itu kira-kira dua kali lipat biaya model terbuka kelas 8B yang dihosting dan sudah matang di katalog kami sendiri, dan sekitar seperenam dari $6.00 per juta output Qwen3.8-Max — pertengahan pasar, bukan di salah satu ujungnya.

Harga lainnya adalah perangkat keras. Bobotnya terbuka dan berada di Hugging Face di bawah lisensi lfm1.0 milik Liquid, yang bukan Apache 2.0 dan memiliki ketentuan komersialnya sendiri; bacalah sebelum Anda membangun produk di atasnya. Tumpukan hari pertama yang dicantumkan oleh vendor adalah llama.cpp untuk GGUF, MLX, vLLM, SGLang, dan ONNX, dengan repo saudara FP8, ONNX, dan MLX 4-bit, serta drafter speculative-decoding DSpark yang ditandai segera hadir — konsisten dengan rilis DSpark Agustus Liquid, yang belum diberikan pada model ini.

Klaim throughput adalah bagian yang paling sulit diperiksa dari rilis ini. Liquid melaporkan 184 token per detik pada Apple M5 Max, 114 token per detik pada AMD Ryzen AI Max+ 395, "hingga 1,7× lebih cepat daripada model terbaik berikutnya", dan lebih dari 21.000 token keluaran per detik pada satu NVIDIA B300 di bawah SGLang 0.5.22 dengan 1.024 token masukan dan hingga 256 keluaran dalam BF16. Kedua ujung itu tidak dapat dibandingkan: 184 token per detik adalah build terkuantisasi di perangkat dari model dengan 2,45B parameter aktif, dan 21.000 adalah GPU pusat data untuk banyak permintaan bersamaan. Klaim 1,7× tidak memiliki baseline yang dipublikasikan — "model terbaik berikutnya" bukanlah definisi.

Apa yang akan membuat ini nyata?

Arsitekturnya dapat diperiksa hari ini: konteks 131K dan tahap pembelajaran penguatan agentik terlihat di konfigurasi dan checkpoint, bukan hanya di postingan blog. Angka-angkanya tidak. Belum ada yang menerbitkan hasil retrieval konteks panjang untuk checkpoint ini, dan ini penting karena 131.072 token state KV pada model dengan 2,45B aktif adalah cache yang sangat banyak untuk dijaga tetap koheren di dalam memori terpadu satu laptop — dan inti seluruh promosinya adalah bahwa laptop itu sudah cukup.

Jika Anda lebih suka tidak mempertaruhkan jalur produksi pada tabel yang belum direproduksi, perbandingan yang menarik adalah yang dibuat Liquid sendiri. qwen/qwen3.6-35b-a3b dan google/gemma-4-26b-a4b-it titik referensi dalam postingan peluncuran — keduanya ada di katalog kami, dan menjalankan tugas Anda sendiri terhadap keduanya memerlukan kunci, bukan unduhan, dengan failover otomatis jika endpoint salah satu penyedia mengalami degradasi di tengah proses. Arahkan failover ke jalur itu selagi Anda mengevaluasi yang lokal, dan biarkan perbandingan terjadi pada beban kerja Anda alih-alih pada harness Liquid.

Pertanyaan terbukanya bukanlah apakah MoE dengan 2,45B aktif bisa bagus. Pertanyaannya adalah apakah bentuk 24B-A2B terus membuahkan hasil seiring bertambahnya konteks, atau apakah titik optimalnya bergeser turun ke tingkat 8B-A1B begitu jejak agen menjadi panjang. Lini produk Liquid sendiri memberinya alasan untuk mencari tahu, apa pun hasilnya — yang justru menjadi alasan mengapa rangkaian angka independen berikutnya, bukan pos blog berikutnya, adalah yang menyelesaikannya.

Pantau gangguan dan degradasi model secara langsung di arsip insiden kami dan lihat rute mana yang telah beralih dengan lancar.