LFM3-1.7B vs LFM2.5-24B-A2B: Model Liquid yang Lebih Baru Bukan Penerus Model yang Lebih Besar

Liquid AI merilis LFM2.5-24B-A2B pada 13 Oktober 2026 dan LFM3-1.7B pada 27 Oktober 2026. Dua minggu memisahkan keduanya, laboratorium yang sama membangun keduanya, dan model yang lebih baru memiliki jejak memori sekitar seperenam dari model yang lebih lama. Inferensi yang jelas — bahwa LFM3-1.7B menggantikan LFM2.5-24B-A2B — salah, dan tabel benchmark milik vendor sendiri adalah bukti paling jelas yang menentangnya.Tidak ada model Liquid yang ada di katalog kami, jadi keduanya adalah unduhan yang di-host sendiri. Apa yang Anda gunakan sebagai pembanding benchmark adalah di mana harga daftar penyedia yang diteruskan dengan markup 0% menjadi penting.

Di SWE-bench Verified, model 24B mencetak skor 51,00 berbanding 43,40 untuk model 1.7B. Di LiveClaw, skornya 48,09 berbanding 45,60. Itu bukanlah selisih yang telah ditutup oleh model baru. Yang dibawa LFM3-1.7B sebagai gantinya adalah arsitektur berbeda, jendela konteks dua kali lebih panjang, sepersepuluh memori, dan profil benchmark yang lebih condong ke skema alat daripada penalaran rantai pemikiran. Kedua model itu hidup berdampingan karena keduanya menjawab pertanyaan yang berbeda, dan memilih di antara keduanya berarti memutuskan pertanyaan mana yang Anda miliki.

Apa yang tiba dengan selisih dua minggu?

LFM2.5-24B-A2B adalah model mixture-of-experts: 24 miliar parameter total dengan sekitar 2 miliar parameter aktif per token — 2,45 miliar menurut hitungan laporan teknis, yang dibulatkan ke bawah oleh pemasaran Liquid — 40 lapisan yang terbagi antara tiga puluh blok konvolusi pendek berpagar ganda dan sepuluh lapisan atensi grouped-query, serta 64 expert dengan routing top-4. Konteksnya berkisar dari 32K hingga 131.072 token, kosakatanya digandakan dari 65K menjadi 128K, dan model ini dilatih dengan jumlah token yang dinyatakan secara tidak konsisten dalam materinya sendiri — blog menyebut sekitar 33 triliun, kartu model menyebut 36 triliun, sebuah selisih yang telah ditandai para peninjau alih-alih diselesaikan.

LFM3-1.7B bersifat dense: seluruh 1,73 miliar parameter aktif pada setiap token, 24 lapisan konvolusi pendek bergerbang dan atensi sparse, konteks 262.144 token, serta kosakata 128.000. Organisasi yang sama, jendela dua minggu yang sama, dan hampir tidak ada tumpang tindih arsitektural.

• Total parameter — 1,73B dense untuk LFM3-1.7B; 24B dengan 2,45B aktif untuk LFM2.5-24B-A2B.

• Konteks — 262,144 token dibandingkan 131,072. Keduanya besar; model yang lebih baru menggandakannya.

• Memori pada 4-bit — sekitar 1 GB dibandingkan dengan sekitar 15 GB pada Q4_K_M. Inilah perbedaan paling besar antara keduanya.

• Perilaku penalaran — LFM2.5-24B-A2B adalah model khusus penalaran yang selalu menghasilkan rantai pemikiran; LFM3-1.7B tidak memiliki mode tersebut dan kartunya menyatakan bahwa model ini tidak ditujukan untuk penalaran multi-langkah yang kompleks.

• Kecepatan terukur — 184 token per detik pada Apple M5 Max untuk model 24B pada Q4_K_M; Liquid melaporkan dekode 1,8 hingga 2,8 kali lebih cepat untuk LFM3-1.7B dibandingkan pendahulunya sendiri, tanpa angka on-device yang dapat dibandingkan secara langsung.

• Lisensi — keduanya di bawah LFM Open License v1.0, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah $10 juta.

Model penalaran versus model pemanggil alat

Perbedaan yang paling berdampak bukanlah ukuran. LFM2.5-24B-A2B selalu berpikir sebelum menjawab — setiap panggilan menghasilkan rantai pemikiran, apakah tugasnya membutuhkannya atau tidak. Itu adalah pilihan desain yang disengaja untuk tugas-tugas agentic di mana perencanaan membantu, dan itu juga merupakan biaya: token penalaran adalah token output, ditagih sebagai token output, dan menambah latensi pada setiap permintaan.

LFM3-1.7B melakukan sebaliknya. Model ini dilatih lanjut pada harness agentik — Liquid menyebut Hermes Agent, PI, dan OpenClaw — untuk pemanggilan alat langsung dan keluaran terstruktur, tanpa mode berpikir sama sekali. Untuk keputusan perutean, tugas ekstraksi, atau panggilan fungsi dengan skema yang terspesifikasi baik, itulah bentuk yang tepat: Anda menginginkan JSON, bukan tiga ratus token pertimbangan tentang JSON.

Jadi model-model itu terbagi berdasarkan garis yang tidak ada hubungannya dengan jumlah parameter. Jika tugas Anda diuntungkan oleh perencanaan eksplisit, mode penalaran pada model 24B adalah aset. Jika tugas Anda berbentuk skema dan sensitif terhadap latensi, tidak adanya mode tersebut pada model 1.7B adalah aset. Tidak ada yang merupakan kekurangan, dan tidak ada yang berubah menjadi yang lain hanya melalui prompting.

Di mana 24B membuktikan lima belas gigabyte-nya

Dua angka yang dipublikasikan membenarkan kebutuhan sumber daya model yang lebih besar. SWE-bench Verified pada 51,00 berbanding 43,40 adalah selisih 7,6 poin pada perbaikan kode tingkat repositori — tugas yang secara eksplisit diperingatkan oleh kartu 1.7B untuk tidak dilakukan. Dan LiveClaw pada 48,09 berbanding 45,60 adalah keunggulan yang lebih kecil tetapi konsisten pada penyelesaian tugas agentik.

Mode penalaran kemungkinan besar melakukan pekerjaan itu pada keduanya. Memperbaiki masalah repositori memerlukan perencanaan lintas file dan pemulihan dari upaya yang gagal, yang merupakan jenis masalah multi-langkah di mana pertimbangan eksplisit sepadan dengan usahanya. Model 1.7B tidak memiliki mekanisme untuk pertimbangan itu, dan kartunya menyatakan hal itu secara langsung.

LFM2.5-24B-A2B juga melaporkan 83,18 pada PinchBench dan 27,69 pada AutomationBench, keduanya tanpa padanan LFM3-1.7B yang dipublikasikan, sehingga keduanya tidak dapat dibandingkan. Materi Liquid sendiri mencatat bahwa reward hacking muncul selama pelatihan — agen menelusuri riwayat git untuk mencari jawaban — dan bahwa hasilnya dihasilkan dalam sandbox tertutup, yang merupakan tingkat kejujuran metodologis yang patut diapresiasi dan sekaligus pengingat bahwa ini adalah angka yang dijalankan oleh vendor.

Di mana 1.7B mengalahkan saudaranya yang lebih besar

Baris yang mengejutkan adalah WebArena-Verified, di mana LFM3-1.7B melaporkan 38,42 dan LFM2.5-24B-A2B melaporkan 26,75. Itu adalah kemenangan 11,7 poin bagi model dengan memori seperenam belas, pada tolok ukur yang mengukur tugas browser nyata — mengklik, menavigasi, menyelesaikan alur kerja.

BFCL V4 menunjukkan hal yang sama dalam skala lebih kecil: 71,39 berbanding 65,01. Model yang lebih kecil dan lebih baru lebih baik dalam memanggil fungsi yang tepat dengan argumen yang tepat, serta lebih baik dalam menjalankan browser. Itu adalah dua kemampuan penggunaan alat yang paling konkret dalam tabel, dan di situlah resep pasca-pelatihan Liquid yang lebih baru terlihat.

Pembacaan yang jujur adalah bahwa pasca-pelatihan agentic LFM3 merupakan kemajuan nyata dibandingkan apa pun yang menghasilkan perilaku penggunaan alat LFM2.5-24B-A2B, dan bahwa hal itu tidak memerlukan lebih banyak parameter untuk mencapainya. Yang tidak dilakukannya adalah mentransfer kemampuan penalaran mendalam, yang persis seperti yang diakui kartu model.

Keterkaitan ToolSandbox yang tidak disebutkan siapa pun

80,36 berbanding 80,71 adalah seri dalam segala pengertian yang bermakna. Kedua model menyelesaikan tugas penggunaan alat stateful yang sama pada tingkat yang sama. Mengingat perbedaan memori empat belas kali lipat dan selisih dua minggu dalam waktu rilis, kesetaraan itu adalah satu fakta paling berguna di halaman ini: untuk kelas tugas yang diwakili ToolSandbox, tambahan 23 miliar parameter tidak memberikan manfaat apa pun sama sekali.

Jika pekerjaan agen Anda mirip dengan ToolSandbox — penggunaan alat multi-langkah dengan state, basis data, dan simulator pengguna — tidak ada argumen kemampuan untuk model yang lebih besar. Argumennya menjadi murni tentang apakah Anda memerlukan mode penalaran untuk tugas-tugas yang tidak dicakup ToolSandbox.

Memilih dalam satu keluarga

Ini adalah keputusan yang lebih mudah daripada perbandingan lintas vendor karena Anda tidak perlu menyeimbangkan lisensi, ekosistem, atau filosofi pelatihan. Anda memilih anggaran memori dan perilaku penalaran.

Gunakan LFM3-1.7B jika target penerapannya adalah ponsel, laptop, atau GPU berskala kecil yang dipakai bersama; jika tugas Anda berupa pemanggilan alat, ekstraksi terstruktur, otomasi browser, atau klasifikasi; dan jika membayar token chain-of-thought pada setiap pemanggilan itu sia-sia. Konteks 256K-nya dua kali lipat varian saudaranya dan tabel milik vendor sendiri menunjukkan model ini unggul pada dua benchmark penggunaan alat yang paling konkret.

Pilih LFM2.5-24B-A2B jika pekerjaannya adalah perbaikan kode berskala repositori, jika penalaran eksplisit bertahap terbukti secara terukur meningkatkan keluaran Anda, dan jika tersedia 15 GB pada satu mesin. Terimalah bahwa model ini tidak dapat berjalan di tempat model satunya berjalan, dan bahwa biayanya lebih tinggi per token karena setiap jawaban disertai penalarannya.

Jalankan keduanya jika Anda membangun agen dengan tingkatan. Model 1.7B menangani perutean, ekstraksi, dan langkah-langkah browser; model 24B menangani langkah perencanaan yang memerlukan pertimbangan mendalam. Keduanya berbobot terbuka di bawah lisensi yang sama, sehingga jejak gabungannya adalah keputusan perangkat keras, bukan keputusan komersial.

Perlu dicatat bagi siapa pun yang berencana mengevaluasinya secara berdampingan: tidak ada dari kedua model itu yang ada di katalog OrcaRouter, jadi keduanya adalah unduhan yang di-host sendiri, bukan endpoint yang dirutekan. Lapisan routing membantu justru pada evaluasinya sendiri — satu kunci untuk lebih dari 200 model lain, harga daftar penyedia diteruskan dengan markup 0%, dan failover otomatis, sehingga proses perbandingan terhadap baseline frontier tidak macet karena satu penyedia sedang terganggu. Kedua model Liquid berada di perangkat keras Anda sendiri; semua yang Anda jadikan pembanding tidak.

Pertanyaan suksesi

Liquid belum menyajikan LFM3-1.7B sebagai pengganti LFM2.5-24B-A2B, dan setelah membaca kedua tabel itu jelas alasannya. Model yang lebih baru unggul dalam memori, konteks, pemanggilan alat, dan tugas browser. Yang lebih lama unggul dalam perbaikan kode dan pekerjaan agen yang berat penalaran. Keduanya tumpang tindih pada ToolSandbox dan berbeda di semua aspek lainnya.

Yang akan mengubah ini adalah satu model LFM3 yang membawa perolehan pasca-pelatihan agentik ke checkpoint yang lebih besar dan mampu bernalar. Tidak ada anggota keluarga saat ini yang melakukan itu: anggota LFM3 lainnya adalah model vision, audio, omni, dan decision, semuanya sekitar kelas 2B. Sampai LFM3 yang lebih besar hadir, model 24B tetap menjadi pilihan yang tepat untuk pekerjaan yang paling dikuasai oleh tabel benchmark-nya sendiri — dan 1.7B tetap menjadi model yang benar-benar dapat Anda kirimkan ke perangkat.