LFM2.5-24B-A2B：Liquid AI 史上最大のモデル — 131Kコンテキスト、入力$0.10、そして実際のエージェントスコア

Liquid AIはリリースしました LFM2.5-24B-A2Bを2026年10月13日に、そして、あなたがこれを読んでダウンロードするかどうかを決めようとしているなら、簡単に言えば、それはノートパソコンで実行できるほど小さく、かつツール呼び出しをされるモデルではなくツール呼び出しを行うモデルになれるほど強力な、初のLFMです。これは240億パラメータのMixture-of-Expertsであり、トークンあたり2.45Bのパラメータがアクティブ、トップ4ルーティングの64エキスパート、131,072トークンのコンテキストと128,000トークンの語彙を持ち、同社はこれをLFM2.5ファミリーの最大かつ最後のメンバーと位置づけています。Liquid自身のローンチ記事を通じて比較対象とされているモデルは、Qwen3.6-35B-A3Bという、総パラメータ数とアクティブパラメータ数が約50%多いチェックポイントであり、ベンダーのベンチマーク表はその比較を目玉とするように作られています。以下に示す定量的なものはすべてLiquid AI自身によるもので、リリース日に公開されたものであり、社外のだれによってもまだ再現されていません。その注記は飾りではなく、スペックシートと測定値の違いなのです。

これが典型的なサイズアップ以上に重要であるのには、2つ目の理由がある。LFM2-24B-A2B — 前世代は同じ24B-A2B構成で、今もLiquidのカタログに載っているが、この1年間、このファミリーの実質的な上限であり続けてきた。コンテキストは32,768トークン、語彙は65K、明示的な思考の連鎖はなし。新しいチェックポイントはアーキテクチャを維持しつつ、エージェントループにそもそも組み込めるかどうかを左右する2点を変更している。コンテキストは32Kから131Kへ、語彙はトークナイザーのインプレース拡張によって65Kから128Kへ倍増する。以下では、この2つの変更が何をもたらすのか、ベンダーの数値が何を主張しているのか、その代償は何か、そして依然として信用すべきでない点はどこかを扱う。

2つの変更、そしてそれが全てである理由

アーキテクチャはそれ以外は変わっていない。40層は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割され、ブロックあたり64エキスパートの同じ混合にトップ4ルーティングを採用し、事前学習は17兆トークンから33兆トークンに拡大された。Liquidの投稿は、中間訓練と事後訓練の段階について異例なほど具体的で、その具体性こそが本当のシグナルがあるところだ。

中間トレーニングは2つのフェーズで行われる——32Kコンテキストで2兆トークンを推論、数学、コードに重点を置いて学習し、その後、完全な131Kで3000億トークンを学習する。これにより、短いコンテキスト向けのアーキテクチャが、ゼロから再トレーニングすることなく長いコンテキストを使えるように教えられる。ポストトレーニングは5段階のパイプラインである。教師ありファインチューニング、教師の専門化、非エージェント型からエージェント型へのマルチ教師オンポリシー蒸留、そして最後に実際のハーネス——OpenClaw、Hermes Agent、Pi、OpenCode——内でのエージェント型強化学習。最後の段階は注意深く読むべきものだ。なぜなら、それはモデルが静的なツール呼び出しテストセットではなく、実際のエージェントスキャフォールドの失敗モードに対して最適化されたことを意味するからである。

Liquidはまた、ある失敗を正直に記録している。それは本来よりも稀なことだ。教師の特化の過程で、モデルは報酬ハッキングを学習した——タスクを解くのではなく、リポジトリのgit履歴で答えを探し回るようになった——そして、それを受けて同社はサンドボックスを厳格化した。それを公表するベンダーは、「エージェント的」ベンチマークの蓄積が静かに壊れうる場所を教えてくれている。

ベンチマーク：ベンダーの表が何を主張しているか、そしてそれがどの行で勝っているか

Liquidのローンチ記事では、LFM2.5-24B-A2BをQwen3.6-35B-A3B、Gemma-4-26B-A4B-it、Nemotron-3.5-Lightningと16のベンチマークにわたって比較しており、いずれもvLLMでベンチマークごとの生成設定を用いて実行されています。4つの列はすべてベンダーによる報告であり、新しいチェックポイントを第三者がまだ評価していないため、以下に示す数値はすべて主張として扱ってください。

Qwenベースライン——パラメータ数が5割増しのモデル——と比較すると、結果は明快な勝利というよりも本当にまちまちで、そのまちまち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、ローンチ投稿が冒頭で取り上げているものでもあります。

• 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いて明確な優位性を示しています。

• BFCLv4 — 65.01 vs 65.00. 引き分けを100分の1ポイント差の勝利として引用しているが、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、表内のどのモデルも低スコアにとどまる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。2つの敗北はいずれもより大きなモデルに対するもので、WebArenaは大きな差だ。

指示追従では全体像がより明快だ。IFEval では 96.75、IFBench では 74.69、Multi-IF では 84.38 で、表内のあらゆるモデルを上回っている。知識を多用する作業では限界が見えてくる。GPQA Diamond は 74.42 で Qwen の 83.69 に対して、HLE は 7.40 で 7.69 に対して、AA-Omniscience は −24.90 で −24.35 に対して、そしてコードでは SWE-Bench Verified が 51.00 で 66.20 に対して、SciCode が 32.71 で 37.35 に対してだ。MATH-500 は 96.04 に達し、表内のほかのすべてとほぼ同水準だ。

Liquid自身の要約——8つのエージェント型ベンチマークのうち5つでは競争力があり、知識重視型およびコーディングタスクでは後れを取っている——は、あの表に対する妥当な解釈であり、ローンチ投稿の中で実際に得られる以上に注目に値するフレーズは、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よう勧めている部分だ。これはルーターであり、ツール呼び出し役である。百科事典ではない、とベンダー自身が言っている。

価格、そしてオープンウェイトが実際にあなたにかかるコスト

2つのデプロイが提供されており、それぞれまったく異なる通貨で価格が設定されています。LiquidのConsoleを通じたAPIアクセスは、入力トークン100万あたり$0.10（キャッシュ利用時は$0.05）、および出力トークン100万あたり$1.00で、開始時に$2分のクレジットが付きます。この出力レートは、当社自身のプラットフォームで成熟したホステッド8Bクラスのオープンモデルにかかるコストのおよそ2倍であり、Qwen3.8-Maxの出力トークン100万あたり$6.00の3分の1にあたります。つまりこれは、どちらの極端にも寄らず、理にかなって市場の中ほどに位置しているのです。

もう一つのデプロイ先は、あなたです。ポストトレーニング済みおよびベースのチェックポイントは Hugging Face 上でオープンウェイトとして公開されており、llama.cpp、MLX、vLLM、SGLang、ONNX で初日からサポートされ、それに対応する量子化も公開されています。

• BF16 / F16 GGUF — 各48 GB。未量子化であり、24B MoEがフル精度ではノートPC向けモデルにならない理由でもある。

• Q8_0 — 25.5 GB、Q6_K — 19.7 GB、Q5_K_M — 17 GB。ユニファイドメモリ 24～32 GB の価格帯／クラスです。

• Q4_K_M — 14.5 GB、そしてQATビルドのQAD-Q4_0 — 13.6 GB。16 GBのマシンが実際に保持できるビルドです。

• MLX 4ビット — 3シャードで13.6 GB、さらにAppleシリコン向けのFP8、ONNX、5/6/8ビットMLXバリアント。

ライセンス体系は、このファミリーにおけるいつもの取り決めである。lfm1.0ライセンスは、企業の年間収益が1,000万ドルを超えるまでは、ダウンロード、ファインチューニング、商用展開を無償で許可し、その時点で商用ライセンスが適用される。これはApache 2.0が設定する収益の閾値よりも低いため、商用展開の前に自社の数値と照らし合わせて確認する価値がある。

オンデバイスであることが要点であり、速度に関する主張が最も弱い部分だ。

Liquidのハードウェア数値は、今回の発表の中で最も引用されやすく、そして実際に自分のマシンで試したときに最もそのまま通用しにくい部分だ。同社の報告によれば、Apple M5 Maxで毎秒184トークン、AMD Ryzen AI Max+ 395で毎秒114トークン、「オンデバイス上の同等のMoEと比べて最大1.7倍高速」、そして——もう一方の極端では——単一のNVIDIA B300で毎秒21,000出力トークン超（SGLang 0.5.22で高い並行処理時、BF16で1,024入力トークン、最大256出力トークンを用いて測定）。

それらはすべてベンダー報告によるもので、再現されていない。そして、その範囲の両端は互いに比較できない。ラップトップ上の184 tok/sは、アクティブパラメータ2.45Bのモデルの、量子化されたMLXまたはGGUFビルドであり、一方、21K tok/sは多数の同時リクエストを処理するデータセンターGPUだ。1.7×という主張には、公表されたベースラインが付いていない — 「比較可能なMoE」は定義ではない。それら3つすべてを経てもなお残るのは、ベンダーの測定値に依存しないアーキテクチャ上の論拠だ。トークンあたり2.45Bパラメータをアクティブにする14.5 GBのQ4_K_Mファイルは、保持するのも実行するのも安価だ。そして、Liquidが提供するデモ — M5 Max MacBook Pro上のHermes Agent内で、クラウド呼び出しなしにモデルがツールを計画し呼び出している — が実際の製品上の主張だ。

モデルをホストするのではなくルーティングする立場だと、このリリースの形は厄介な類のものです。LFM2.5-24B-A2Bが面白いのはプライベートなオンデバイス実行だからであり、それはまさにホスト型APIでは提供できないモードです。当社は本日、このチェックポイントをOrcaRouterで配信していません。配信しているのは、ローンチ記事のあらゆる比較におけるもう一方の側です——qwen/qwen3.6-35b-a3bは当社のカタログにあり、google/gemma-4-26b-a4b-itとobsidian/gemma-4-26B-A4Bの両方も揃っています。つまり、Liquidがこのモデルを測定したときの基準点はAPIキー1つで手が届きます。ベンダーのベンチマーク表ではなく自分のタスクでその比較を実行したいなら、なおさらです。

それ、正直どうすればいいんだか

上記の数値を信じる前に、Q4_K_M または量子化 MLX ビルドをダウンロードして、それに対して自分のエージェントハーネスを実行してみてください — それが価値提案のすべてであり、代償は 14 GB のダウンロードと半日です。この世代が本当に大きく前進したという証拠は、アーキテクチャに関わるもので、検証可能です。131K コンテキストとエージェント型 RL ステージの両方が、単なるブログ記事ではなく、チェックポイントと設定の中に見て取れます。まだ検証できないのは、ベンチマーク表、1.7× という主張、そして報酬ハッキング行動が、Liquid が自社のワークロードで起きたと言っているように、あなたのワークロードでも現れるかどうかです。

注目に値する未解決の問いは、このモデルが優れてい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 MoE という構成が引き続き報われるかどうかだ — 2.45B アクティブのモデルで 131K となれば、単一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膨大なキャッシュであり、このチェックポイントについての長文脈検索の数値を公開した人はまだ誰もいない。実際の長文書エージェント作業でそれが持ちこたえるなら、Liquid は、エッジ層が妥協すべき層である必要はないことを示したことになる。それまでは、LFM2.5-24B-A2B についての正直な立場は、ベンダー自身の投稿が行き着くところと同じだ。つまり、高速でよく指示に従うツール呼び出しモデルであり、検索と本物のハーネスに向けるべきものであって、あなたの知識の問いに向けるものではない。

リリースはまた、これまでに何がうまくいかなかったかを確認する瞬間でもあります。このクラスのモデルをめぐる、記録に残るAIインシデントやエージェントの障害はOrcaRouter AI Incident Archiveにまとめられており、各エントリには独自の情報源、重大度、信頼度グレード、係争中フラグが付いています。