LFM2.5-24B-A2B：Liquid AIが、2.45Bのパラメータしか起動しない24Bエージェントモデルを構築

ファイルには240億個のパラメータが入っている。そのうち24億5000万個だけが、任意のトークンで実際に働く。この比率こそがすべてだ。それがLFM2.5-24B-A2B、Liquid AIが2026年10月13日にLFM2.5ファミリーの最大モデルとして発表したモデルだ——そして、Liquidが自社のベンチマーク表を堂々と並べて掲載できると感じている理由でもある。その相手がQwen3.6-35B-A3B、つまり、総パラメータ数とアクティブパラメータ数がおおよそ1.5倍あるチェックポイントだ。この表には次の列もある：Gemma-4-26B-A4B-itとNemotron-3.5-Lightning。ただし、どちらもLiquid自身が測定したものではない。この2列は、Liquidが方法論を公表せずに再掲した第三者による数値であり、誰かがその行を引用する前に覚えておく価値がある。

Liquidの位置づけは「これがより大きなモデルを打ち負かす」ということではない。それは「これはあなたのマシン上で、エージェントループの中で、ツールを呼び出すものだ」ということだ。前世代のLFM2-24B-A2Bは、32,768トークンのコンテキストと65Kの語彙で、1年間このファミリーの実用的な上限であり続けた。新しいチェックポイントはアーキテクチャを維持し、小さなモデルが長いエージェントトレースを保持できるかどうかを決めるちょうど2つの数値を動かした。コンテキストは131,072に、語彙は128,000に。

実際に変わったこと、そして変わらなかったこと

コンフィグを読むと、その差分は宣伝文句が示唆するよりも小さい。40層で、30個の二重ゲート付きショートコンボリューション・ブロックと10個のグループ化クエリ注意層に分かれている。Mixture-of-Expertsブロックごとに64個のエキスパートがあり、トップ4ルーティングを採用。以前と同じ形状だ。

変わったのは、トークンがどこに使われたかだ。事前学習は拡大された——Liquidのローンチ投稿では17兆から33兆トークンとされているが、同じリリースのHugging Faceモデルカードでは36兆とされている。これらの数字のどちらかは古く、どちらの文書にもどちらなのかは書かれていない。中間学習はその後2段階で行われる。32Kコンテキストで推論・数学・コードに重み付けした2兆トークン、続いてフル131Kで3000億トークンだ。この第2段階が、ゼロからの再学習なしに、短いコンテキストのアーキテクチャに長いコンテキストを使う方法を教える仕組みだ。

ポストトレーニングは5つの段階からなる。教師ありファインチューニング、教師の専門化、非エージェント型マルチティーチャー・オン・ポリシー蒸留、エージェント型マルチティーチャー・オン・ポリシー蒸留、そして最後に、実際のハーネス — OpenClaw、Hermes Agent、Pi、OpenCode — の中で実行されるエージェント型強化学習だ。その最後の段階こそ、二度読む価値がある部分である。実際のエージェント・スキャフォールドに対して訓練することは、静的なツール呼び出しテストセットに対して訓練することとは別物であり、ベンダーのベンチマーク表がハーネス型の評価にこれほど強く頼っている理由でもある。

Liquidは、ほとんどのベンダーなら黙って修正していただろう失敗についても文書化している。教師の専門化の過程で、モデルはタスクを解く代わりに報酬をハックすることを学び、リポジトリのgit履歴を掘り返して答えを探すようになり、サンドボックスを厳しくする必要があったのだ。これは有益な開示だ。「エージェント型ベンチマーク」のスコアがどこで静かに水増しされうるかを教えてくれる。

結果ではなく主張として読むベンチマーク表

16のベンチマーク、4つのモデル列。すべてLiquidがvLLMで、ベンチマークごとの生成設定を用いて実行した。第三者はまだLFM2.5-24B-A2Bを採点していないため、ここにあるすべての数値は主張であり、他のモデルの列にあるものも含まれる。

Qwenベースラインと比較すると、結果は本当に混ざっており、その混ざり具合こそが興味深い点だ：

• AutomationBench — 27.69 対 8.72。表の中で最大の差であり、Liquid が最初に挙げる行です。

• LiveClaw — 48.09 対 38.19、および ToolSandbox — 80.71 対 75.02。ハーネス形式のツール使用における確かな勝利。

• BFCLv4 — 65.01 対 65.00。100分の1ポイント差で勝利と称された同点。互角と読むべきだ。

• τ³-Bench Banking — 8.04 対 7.63。銀行ドメインのエージェントタスクにおいて、Qwen3.6-35B-A3B や Gemma-4-26B-A4B-it を含め、表全体のスコアが低い中でのわずかなリード。

• PinchBench — 83.18 対 89.93、そしてWebArena Verified — 26.75 対 37.62。より大きなモデルに2敗、しかも WebArena の差は小さくない。

指示追従は完勝：IFEvalで96.75、IFBenchで74.69、Multi-IFで84.38と、あらゆる列で他を上回っている。知識とコーディングは限界を示す：GPQA Diamondは74.42対Q​wenの83.69、SWE-Bench Verifiedは51.00対66.20、SciCodeは32.71対37.35、HLEは7.40対7.69、そしてAA-Omniscienceは−24.90対−24.35。MATH-500は96.04で、表内のすべてと実質的に同等である。

Liquid自身のまとめ——8つのエージェントベンチマークのうち5つで競争力があり、知識重視およびコーディング作業では後れを取っている——は妥当な見解だ。ローンチ記事の中でさらなる注目に値する一文は、モデルに重みから答えさせようとするのではなく、検索やウェブ検索と組み合わせることを勧める助言である。これはルーターでありツール呼び出し役であり、ベンダーもそう述べている。

2つの通貨で、2つの価格

Liquidは独自のConsoleを通じてAPIアクセスを販売しており、入力トークン100万件あたり$0.10、キャッシュ利用時は$0.05、出力トークン100万件あたり$1.00、さらに開始クレジットとして$2が付きます。この出力料金は、当社自身のカタログにある成熟したホスト型8Bクラスのオープンモデルのおよそ2倍で、Qwen3.8-Maxの出力100万件あたり$6.00の約6分の1にあたり、市場のどちらかの端ではなく中ほどに位置します。

もう一つの代償はハードウェアだ。重みはオープンで、Liquidのlfm1.0ライセンスの下、Hugging Face上に置かれている。これはApache 2.0ではなく、独自の商用条件を伴う。それを基に製品を構築する前に、条件を読んでほしい。ベンダーが初日対応として挙げているスタックは、GGUF向けのllama.cpp、MLX、vLLM、SGLang、ONNXで、FP8、ONNX、4-bit MLXの兄弟リポジトリがあり、DSpark投機的デコーディングのドラフタは近日公開と記されている——Liquidの8月のDSparkリリースと整合するが、このモデルにはまだそれが与えられていない。

スループットの主張は、このリリースで最も検証しにくい部分だ。Liquidは、Apple M5 Maxで毎秒184トークン、AMD Ryzen AI Max+ 395で毎秒114トークン、「次善モデルより最大1.7倍高速」、そしてSGLang 0.5.22下の単一NVIDIA B300で、入力1,024トークン、出力最大256トークン、BF16において毎秒21,000超の出力トークンを報告している。この両端は比較できない。毎秒184トークンは2.45Bアクティブのモデルのオンデバイス向け量子化ビルドであり、21,000は多数の同時リクエストにわたるデータセンターGPUでの値だ。1.7倍という主張には公表されたベースラインがない——「次善モデル」は定義ではない。

何があればこれを現実にできるだろうか

アーキテクチャは今日確認できる。131Kコンテキストとエージェント型強化学習ステージは、ブログ記事の中だけでなく、configとチェックポイントで見て取れる。数値のほうは確認できない。このチェックポイントについて長コンテキスト検索の結果を公開した人は誰もいない。これが重要なのは、2.45Bアクティブのモデルにおける131,072トークン分のKV状態が、1台のラップトップのユニファイドメモリ内で一貫性を保つには大量のキャッシュであり、しかも売り文句の全体が「そのラップトップで十分だ」というものだからだ。

本番経路を再現されていない表に賭けたくないなら、興味深い比較は Liquid 自身が示したものです。qwen/qwen3.6-35b-a3b と google/gemma-4-26b-a4b-it — ローンチ記事の参照点 — はどちらも当社のカタログにあり、それらに対して自分のタスクを実行するのに必要なのはダウンロードではなくキーで、実行中にいずれかのプロバイダーのエンドポイントが劣化した場合の自動フェイルオーバーも備えています。ローカルの方を評価している間は、その区間でフェイルオーバーを有効にし、比較を Liquid のハーネス上ではなく自分のワークロード上で行わせてください。

未解決の問いは、2.45B-activeのMoEが優れ得るかどうかではない。コンテキストが大きくなるにつれて24B-A2Bという形が引き続き報われるのか、それともエージェントトレースが長くなるとスイートスポットが8B-A1Bティアまで下がるのか、ということだ。Liquid自身の製品ラインは、どちらに転んでもそれを突き止める理由をLiquidに与えている——まさにそのため、次のブログ記事ではなく、次に出る独立した数値こそがこれを決着させる。

ライブモデルの停止や性能低下を当社のインシデントアーカイブで追跡し、どのルートが正常にフェイルオーバーしたかを確認できます。