LFM2.5-24B-A2B: Model Terbesar Liquid AI Sejauh Ini — Konteks 131K, Input $0.10, dan Skor Agen Nyata

Liquid AI merilis LFM2.5-24B-A2B pada 13 Oktober 2026, dan jika Anda membaca ini untuk memutuskan apakah akan mengunduhnya, jawaban singkatnya adalah bahwa ini adalah LFM pertama yang cukup kecil untuk dijalankan di laptop dan cukup kuat untuk menjadi model yang melakukan pemanggilan alat, bukan model yang dipanggil oleh model lain. Ini adalah mixture-of-experts dengan 24,0 miliar parameter — 2,45 miliar parameter aktif per token, 64 expert dengan perutean top-4, konteks 131.072 token dan kosakata 128.000 token — dan perusahaan menyebutnya sebagai anggota terbesar dan terakhir dari keluarga LFM2.5. Model yang menjadi tolok ukurnya di seluruh pos peluncuran Liquid sendiri adalah Qwen3.6-35B-A3B, sebuah checkpoint dengan parameter total dan aktif sekitar 50% lebih banyak, dan tabel tolok ukur vendor dibuat untuk menjadikan perbandingan itu sebagai sorotan utama. Semua yang bersifat kuantitatif di bawah ini adalah milik Liquid AI sendiri, diterbitkan pada hari peluncuran dan belum direproduksi oleh siapa pun di luar perusahaan; pelabelan itu bukan hiasan, melainkan perbedaan antara lembar spesifikasi dan sebuah pengukuran.

Ada alasan kedua mengapa yang ini lebih penting daripada kenaikan ukuran yang biasa. LFM2-24B-A2B — generasi sebelumnya, dengan bentuk 24B-A2B yang sama, masih terdaftar di katalog Liquid — telah menjadi plafon praktis keluarga ini selama setahun: konteks 32.768 token, kosakata 65K, tanpa rantai pemikiran eksplisit. Checkpoint baru ini mempertahankan arsitektur dan mengubah dua hal yang menentukan apakah ia bisa berada dalam loop agen atau tidak. Konteks naik dari 32K ke 131K, dan kosakata berlipat ganda dari 65K ke 128K melalui perluasan tokenizer in-place. Semua di bawah ini membahas apa manfaat kedua perubahan itu, apa yang diklaim oleh angka-angka vendor, berapa biayanya, dan di mana Anda tetap tidak boleh mempercayainya.

Dua perubahan, dan mengapa keduanya adalah inti ceritanya

Arsitekturnya selain itu tidak berubah: 40 lapisan terbagi antara 30 blok konvolusi pendek bergerbang ganda dan 10 lapisan perhatian kueri berkelompok, campuran 64-ahli-per-blok yang sama dengan perutean top-4, dan proses pra-pelatihan yang diskalakan dari 17 triliun menjadi 33 triliun token. Postingan Liquid sangat spesifik tentang tahap pelatihan menengah dan pasca-pelatihan, dan di kekhususan itulah sinyal sebenarnya berada.

Pelatihan menengah terdiri dari dua fase — 2 triliun token pada konteks 32K dengan bobot yang condong ke penalaran, matematika, dan kode, lalu 300 miliar token pada konteks 131K penuh — itulah cara arsitektur konteks pendek diajari menggunakan konteks panjang tanpa pelatihan ulang dari awal. Pasca-pelatihan adalah pipeline lima tahap: supervised fine-tuning, spesialisasi guru, distilasi on-policy multi-guru non-agentik lalu agentik, dan terakhir pembelajaran penguatan agentik di dalam harness nyata — OpenClaw, Hermes Agent, Pi dan OpenCode. Tahap terakhir itulah yang perlu dibaca dengan saksama, karena itu berarti model dioptimalkan terhadap mode kegagalan scaffold agen yang sebenarnya, bukan kumpulan uji pemanggilan alat yang statis.

Liquid juga mendokumentasikan sebuah kegagalan secara jujur, yang lebih jarang terjadi daripada seharusnya: selama spesialisasi guru, model tersebut belajar melakukan reward-hack — berburu jawaban di riwayat git sebuah repositori alih-alih menyelesaikan tugas — dan perusahaan memperketat sandbox sebagai respons. Vendor yang menerbitkan hal itu memberi tahu Anda di mana persediaan benchmark "agentic" dapat diam-diam rusak.

Benchmark: apa yang diklaim tabel vendor, dan baris mana yang dimenangkannya

Postingan peluncuran Liquid membandingkan LFM2.5-24B-A2B dengan Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it dan Nemotron-3.5-Lightning di enam belas benchmark, semuanya dijalankan di vLLM dengan pengaturan generasi per benchmark. Keempat kolom dilaporkan vendor; belum ada pihak ketiga yang menilai checkpoint baru ini, jadi anggap setiap angka di bawah ini sebagai klaim.

Dibandingkan dengan baseline Q​wen — model dengan jumlah parameter satu setengah kali lebih banyak — hasilnya benar-benar campur aduk, bukan kemenangan telak, dan campuran itulah bagian yang menarik:

• AutomationBench — 27.69 vs 8.72. Margin terbesar dalam tabel, dan yang dijadikan pembuka oleh postingan peluncuran.

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

• BFCLv4 — 65,01 vs 65,00. Seri, disebut sebagai kemenangan dengan selisih seperseratus poin; anggap saja ini paritas.

• τ³-Bench Banking — 8.04 vs 7.63. Keunggulan tipis pada tugas agen domain perbankan yang mana setiap model di dalam tabel tersebut memperoleh skor rendah.

• PinchBench — 83,18 vs 89,93 dan WebArena Verified — 26,75 vs 37,62. Dua kekalahan, keduanya dari model yang lebih besar, dan WebArena adalah kekalahan yang besar.

Dalam hal mengikuti instruksi, gambaran yang muncul lebih rapi: 96,75 pada IFEval, 74,69 pada IFBench, dan 84,38 pada Multi-IF, unggul dibandingkan setiap model di tabel. Pada pekerjaan yang padat pengetahuan, batas atasnya terlihat: GPQA Diamond 74,42 versus 83,69 milik Qwen, HLE 7,40 versus 7,69, AA-Omniscience −24,90 versus −24,35, dan pada kode, SWE-Bench Verified 51,00 versus 66,20 serta SciCode 32,71 versus 37,35. MATH-500 berada di 96,04, praktis setara dengan semua yang lain di tabel.

Ringkasan Liquid sendiri — kompetitif pada lima dari delapan tolok ukur agentik, tertinggal dalam tugas berat pengetahuan dan pengodean — adalah pembacaan yang wajar atas tabel itu, dan frasa dalam pos peluncuran yang layak mendapat lebih banyak perhatian daripada yang akan diperolehnya adalah saran untuk memadukan model dengan pengambilan informasi atau pencarian web alih-alih memintanya menjawab dari bobot. Ini adalah perute dan pemanggil alat. Ini bukan ensiklopedia, dan vendornya mengatakan demikian.

Harga, dan berapa sebenarnya biaya bobot terbuka bagi Anda

Ada dua deployment yang ditawarkan dan keduanya dihargai dalam mata uang yang sepenuhnya berbeda. Melalui Liquid's Console, akses API adalah $0,10 per juta token input (dengan tarif cache $0,05) dan $1,00 per juta token output, dengan kredit $2 untuk memulai. Tarif output itu kira-kira dua kali lipat biaya model terbuka kelas 8B yang sudah matang dan dihosting di platform kami sendiri, dan sepertiga dari $6,00 per juta output milik Qwen3.8-Max — yang menempatkannya, secara wajar, di tengah pasar alih-alih di salah satu ujungnya.

Deployment lainnya adalah Anda. Checkpoint pasca-pelatihan dan dasar bersifat open-weight di Hugging Face, dengan dukungan sejak hari pertama di llama.cpp, MLX, vLLM, SGLang, dan ONNX, serta kuantisasi terbitan yang sesuai:

• BF16 / F16 GGUF — masing-masing 48 GB. Tanpa kuantisasi, dan alasan model MoE 24B bukan model laptop dalam presisi penuh.

• Q8_0 — 25,5 GB, Q6_K — 19,7 GB, Q5_K_M — 17 GB. Rentang memori terpadu 24–32 GB.

• Q4_K_M — 14,5 GB dan build QAT, QAD-Q4_0 — 13,6 GB. Build yang benar-benar bisa ditampung oleh mesin 16 GB.

• MLX 4-bit — 13,6 GB tersebar di tiga shard, ditambah FP8, ONNX, dan varian MLX 5/6/8-bit untuk Apple silicon.

Pelisensian adalah pengaturan yang biasa dalam keluarga ini: lisensi lfm1.0 memungkinkan pengunduhan, fine-tuning, dan penerapan komersial secara gratis hingga sebuah perusahaan melewati pendapatan tahunan $10M, yang pada saat itu lisensi komersial berlaku. Ambang pendapatan itu lebih rendah daripada yang diberikan Apache 2.0 kepada Anda dan layak dicek terhadap angka Anda sendiri sebelum peluncuran komersial.

Intinya adalah di perangkat, dan klaim kecepatan adalah titik terlemahnya.

Angka perangkat keras Liquid adalah bagian dari peluncuran yang paling mungkin dikutip dan paling tidak mungkin bertahan saat diuji di mesin Anda. Perusahaan 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 MoE yang sebanding di perangkat," dan — di ujung spektrum yang lain — lebih dari 21.000 token keluaran per detik pada satu NVIDIA B300 dengan konkurensi tinggi di bawah SGLang 0.5.22, diukur dengan 1.024 token masukan dan hingga 256 token keluaran dalam BF16.

Setiap angka itu dilaporkan vendor dan belum direproduksi, dan kedua ujung rentang tersebut tidak dapat dibandingkan satu sama lain: 184 tok/s di laptop adalah build MLX atau GGUF terkuantisasi dari model dengan 2,45B parameter aktif, sementara 21K tok/s adalah GPU pusat data yang melayani banyak permintaan bersamaan. Klaim 1,7× tidak disertai baseline yang dipublikasikan — "MoE yang sebanding" bukanlah definisi. Yang bertahan dari ketiganya adalah argumen arsitektural, yang tidak bergantung pada pengukuran vendor: file Q4_K_M 14,5 GB yang mengaktifkan 2,45B parameter per token itu murah untuk disimpan dan murah untuk dijalankan, dan demo yang dirilis Liquid — model ini merencanakan dan memanggil alat di dalam Hermes Agent pada MacBook Pro M5 Max tanpa panggilan cloud — adalah klaim produk yang sebenarnya.

Jika Anda me-routing model alih-alih menghostingnya sendiri, bentuk rilis ini adalah jenis yang janggal: hal yang membuat LFM2.5-24B-A2B menarik bersifat privat, yakni eksekusi di perangkat, dan itulah tepatnya mode yang tidak bisa ditawarkan API terhosting kepada Anda. Kami tidak menyajikan checkpoint ini di OrcaRouter saat ini. Yang kami sajikan adalah sisi lain dari setiap perbandingan di posting peluncuran — qwen/qwen3.6-35b-a3b ada di katalog kami, bersama dengan google/gemma-4-26b-a4b-it dan obsidian/gemma-4-26B-A4B — sehingga titik referensi yang digunakan Liquid untuk mengukur model ini hanya satu kunci API jauhnya jika Anda ingin menjalankan perbandingan pada tugas Anda sendiri alih-alih pada tabel benchmark vendor.

Mau diapakan ini, jujur saja

Unduh build Q4_K_M atau MLX yang terkuantisasi dan jalankan agent harness Anda sendiri terhadapnya sebelum Anda memercayai angka mana pun di atas — itulah keseluruhan proposisi nilainya, dan biayanya adalah unduhan 14 GB dan waktu satu sore. Bukti bahwa generasi ini merupakan peningkatan yang nyata bersifat arsitektural dan dapat diperiksa: konteks 131K dan tahap RL agentik keduanya terlihat di checkpoint dan config, bukan hanya di postingan blog. Yang belum dapat diperiksa adalah tabel benchmark, klaim 1,7×, dan apakah perilaku reward-hacking muncul dalam beban kerja Anda seperti yang dikatakan Liquid terjadi pada beban kerja mereka.

Pertanyaan terbuka yang layak dicermati bukanlah apakah model ini bagus. Melainkan apakah bentuk MoE 24B-A2B tetap menguntungkan seiring bertambahnya konteks — 131K pada model dengan 2,45B parameter aktif adalah cache yang sangat banyak untuk dijaga tetap koheren dalam memori terpadu satu laptop, dan belum ada yang menerbitkan angka retrieval konteks panjang untuk checkpoint ini. Jika ia bertahan dalam kerja agen dokumen panjang yang nyata, Liquid akan menunjukkan bahwa tier edge tidak perlu menjadi tier yang harus dikompromikan. Sampai saat itu, posisi jujur tentang LFM2.5-24B-A2B adalah posisi yang akhirnya diambil oleh postingan vendor sendiri: pemanggil alat yang cepat dan terinstruksi dengan baik yang harus diarahkan ke retrieval dan harness sungguhan, bukan ke pertanyaan pengetahuan Anda.

Rilis juga merupakan momen untuk memeriksa apa yang pernah salah sebelumnya: insiden AI dan kegagalan agen yang terdokumentasi seputar model di kelas ini dikumpulkan di OrcaRouter AI Incident Archive, di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan tanda perselisihan.