LFM3-1.7B vs LFM2.5-24B-A2B：新しいLiquidモデルは、より大きなモデルの後継機ではない

Liquid AIはLFM2.5-24B-A2Bを2026年10月13日に出荷し、LFM3-1.7Bを2026年10月27日に出荷しました。両者の間は2週間で、同じラボが両方を作り、新しい方はメモリフットプリントが古い方の約6分の1です。明白な推論——LFM3-1.7BがLFM2.5-24B-A2Bを置き換える——は誤りであり、ベンダー自身のベンチマーク表がそれに対する最も明確な反証です。Liquidのどちらのモデルも当社のカタログにはないため、どちらもセルフホスト型のダウンロードです。何を比較対象にしてベンチマークするかが重要になるのは、プロバイダーの定価が0%のマークアップでそのまま適用される場合です。

SWE-bench Verifiedでは、24Bモデルが51.00、1.7Bモデルが43.40を記録しています。LiveClawでは48.09対45.60です。これらは新モデルが埋めた差ではありません。代わりにLFM3-1.7Bがもたらすのは、異なるアーキテクチャ、2倍長いコンテキストウィンドウ、10分の1のメモリ、そして思考の連鎖推論よりもツールスキーマに傾いたベンチマークプロファイルです。2つのモデルが共存するのは、それぞれ異なる問いに答えているからであり、どちらを選ぶかは、自分がどの問いを持つかを見極めることを意味します。

2週間違いで届いたものは何？

LFM2.5-24B-A2Bはmixture-of-expertsモデルである。総パラメータ数は240億で、トークンあたりのアクティブパラメータは約20億——技術報告書の計上では24.5億だが、Liquidのマーケティングでは切り捨てられている——。40層は、30の二重ゲート付き短畳み込みブロックと10のグループ化クエリ注意層に分かれ、64のエキスパートがtop-4でルーティングされる。コンテキストは32Kから131,072トークンまで及び、語彙は65Kから128Kへ倍増され、訓練時のトークン数は自社資料の中で一貫しない形で示されている——ブログでは約33兆、モデルカードでは36兆とされ、この不一致はレビュアーが指摘しているものの未解決のままである。

LFM3-1.7BはDenseモデルです。すべてのトークンで17.3億個のパラメータをすべて使い、24層のゲート付き短畳み込みとスパースアテンション、262,144トークンのコンテキスト、128,000の語彙を持ちます。同じ組織で、同じ2週間の期間でありながら、アーキテクチャの重なりはほとんどありません。

• 総パラメータ数 — LFM3-1.7Bは1.73Bのdense、LFM2.5-24B-A2Bは24Bでうち2.45Bがアクティブ。

• コンテキスト — 131,072に対して262,144トークン。どちらも大規模ですが、新しいモデルではその2倍です。

• 4ビット時のメモリ — Q4_K_Mでは約15 GBであるのに対し、約1 GBです。これが両者の最大の違いです。

• 推論の挙動 — LFM2.5-24B-A2B は常に思考の連鎖を出力する推論専用モデルです。LFM3-1.7B にはそのようなモードはなく、そのカードには複雑な多段階推論を想定していないと記載されています。

• 実測速度 — Apple M5 Max上で24Bモデル（Q4_K_M）の場合、毎秒184トークン。Liquidは、LFM3-1.7Bについて、直接比較可能なオンデバイスでの数値は示していないものの、同社の従来モデルより1.8～2.8倍高速にデコードすると報告している。

• ライセンス — 両方ともLFM Open License v1.0に基づき、年間収益1,000万ドル未満の商用利用は無料です。

推論モデル対ツール呼び出しモデル

最も重大な違いはサイズではありません。LFM2.5-24B-A2Bは回答前に必ず思考します——タスクに必要かどうかにかかわらず、すべての呼び出しで思考の連鎖を生成します。これは、計画が役立つエージェントタスクのための意図的な設計選択であり、同時にコストでもあります。推論トークンは出力トークンであり、出力トークンとして課金され、すべてのリクエストにレイテンシを追加します。

LFM3-1.7Bは逆を行く。LiquidがHermes Agent、PI、OpenClawと名指しするエージェント型ハーネス上で、直接のツール呼び出しと構造化出力のために事後学習されており、思考モードは一切ない。ルーティング判断、抽出タスク、あるいはスキーマが十分に指定された関数呼び出しでは、それが適切な形だ。欲しいのはJSONであり、JSONについての300トークンもの熟考ではない。

つまり、両モデルはパラメータ数とは何の関係もない線で分かれています。タスクが明示的な計画から恩恵を受けるなら、24Bの推論モードは強みになります。タスクがスキーマに沿った形でレイテンシに敏感なら、1.7Bにそれが欠けていることが強みになります。どちらも欠陥ではなく、プロンプティングによって一方が他方になるわけでもありません。

24Bが15ギガバイト分の価値を発揮する場面

公表されている2つの数値が、より大型モデルのフットプリントを正当化している。SWE-bench Verifiedは51.00対43.40で、リポジトリレベルのコード修復において7.6ポイントの差——1.7Bのカードが明示的に警告しているタスクだ。そしてLiveClawは48.09対45.60で、エージェント型タスク完了における、より小さいながらも一貫した優位性を示している。

推論モードは、両方の場合で実際に機能している可能性が高い。リポジトリの問題を修復するには、複数ファイルにまたがる計画を立て、失敗した試みから回復する必要があり、これは明示的な熟考がそれ自体で報われる種類の多段階問題だ。1.7Bモデルにはその熟考のための仕組みがなく、そのカードはそう明言している。

LFM2.5-24B-A2BはPinchBenchで83.18、AutomationBenchで27.69も報告しているが、どちらも公開されたLFM3-1.7Bの対応値がないため、比較できない。Liquid自身の資料は、訓練中に報酬ハッキングが現れたこと——エージェントが答えを求めてgit履歴を検索していた——と、結果が密閉されたサンドボックスで生成されたことを指摘している。これは称賛に値する方法論的誠実さの水準であり、同時にこれらがベンダー側で実施された評価による数値であることを思い起こさせる。

1.7Bモデルが大型の兄弟モデルを上回る場面

驚くべき行はWebArena-Verifiedで、LFM3-1.7Bは38.42、LFM2.5-24B-A2Bは26.75を報告しています。これは、メモリが16分の1のモデルが、実際のブラウザタスク（クリック、ナビゲーション、ワークフローの完了）を測定するベンチマークで11.7ポイント勝っているということです。

BFCL V4はより小規模な形で同じ話を示している。71.39対65.01だ。より小さく新しいモデルは、適切な引数で適切な関数を呼び出すことに優れ、ブラウザの操作にも優れている。これらは表の中で最も具体的なツール使用能力の2つであり、Liquidの新しい事後学習レシピが現れているのはまさにそこだ。

正直な解釈では、LFM3のエージェント向けポストトレーニングは、LFM2.5-24B-A2Bのツール挙動を生み出した何よりも実質的な前進であり、それを達成するのにより多くのパラメータを必要としなかった。それが行わなかったのは深い推論能力の転移であり、まさにモデルカードが認めている点である。

誰も口にしないToolSandboxのつながり

80.36 対 80.71 は、有意義な意味では引き分けだ。両モデルは同じステートフルなツール使用タスクを同じ率で解く。メモリに14倍の差があり、リリースに2週間の隔たりがあることを踏まえると、この等価性はこのページで最も有用な単一の事実だ。ToolSandboxが表すタスクのクラスでは、余分な230億パラメータは何の価値も生まない。

あなたのエージェントの作業がToolSandboxに似ているなら——状態、データベース、ユーザーシミュレーターを伴う多段階のツール使用——より大きなモデルを選ぶべき能力上の根拠はありません。根拠は純粋に、ToolSandboxがカバーしないタスクに推論モードが必要かどうかという点になります。

1つのファミリー内で選択する

これはベンダー間の比較よりも簡単な判断です。なぜなら、ライセンス、エコシステム、トレーニング哲学をトレードオフしているわけではないからです。あなたが選んでいるのは、メモリ予算と推論の振る舞いです。

LFM3-1.7B を選んでください配備先がスマートフォン、ノートPC、または小規模な共有GPUである場合。タスクがツール呼び出し、構造化抽出、ブラウザ自動化、分類である場合。そして、呼び出しごとに思考の連鎖トークンへの支払いが無駄である場合です。256Kコンテキストは同シリーズモデルの2倍で、ベンダー自身の表でも、最も具体的なツール使用ベンチマーク2つで勝っていることが示されています。

LFM2.5-24B-A2Bを選ぶのは、作業がリポジトリ規模のコード修正であり、明示的な多段階推論が出力を測定可能なほど改善し、単一マシン上で15 GBが利用可能な場合です。もう一方が動作する場所では実行できず、すべての回答に推論が付随して届くためトークンあたりのコストが高くなることを受け入れてください。

両方を実行するのは、階層化されたエージェントを構築する場合です。1.7Bはルーティング、抽出、ブラウザ操作の各ステップを処理し、24Bは熟考を要する計画ステップを処理します。どちらも同じライセンスのオープンウェイトなので、組み合わせたフットプリントは商業上の判断ではなくハードウェアの判断になります。

並べて評価する予定がある方に留意していただきたい点として、どちらのモデルもOrcaRouterのカタログには掲載されていないため、どちらもルーティングされたエンドポイントではなく、セルフホストでダウンロードするものになります。ルーティング層が役立つのは評価そのものの場面です——200を超える他のモデルにまたがる1つのキー、プロバイダーの定価が0%のマークアップでそのまま適用され、自動フェイルオーバーも行われるため、フロンティアのベースラインに対する比較実行が、あるプロバイダーの性能低下によって滞ることはありません。2つのLiquidモデルはご自身のハードウェア上にありますが、それらと比較ベンチマークする対象はそうではありません。

継承問題

LiquidはLFM3-1.7BをLFM2.5-24B-A2Bの後継として提示しておらず、両方の表を読めばその理由は明らかです。新しいモデルはメモリ、コンテキスト、ツール呼び出し、ブラウザタスクで優位に立ちます。古いモデルはコード修復と推論重視のエージェント作業で優位です。両者はToolSandboxでは重なりますが、それ以外のすべてで異なります。

これを変えるのは、エージェント型ポストトレーニングで得られた改善を、より大規模で推論能力を備えたチェックポイントへ引き継ぐ単一のLFM3モデルだろう。現在のファミリーのどれもそれは実現していない。LFM3の他のメンバーは視覚、音声、オムニ、意思決定モデルで、いずれも2Bクラス前後だ。より大きなLFM3が登場するまで、24Bはそれ自身のベンチマーク表が最も得意とする作業にとって引き続き適切な選択であり、1.7Bは実際にデバイスへ投入できるモデルであり続ける。