LFM2.5-24B-A2B: Liquid AI bouwde een 24B-agentmodel dat slechts 2,45B parameters activeert

Vierentwintig miljard parameters zitten in het bestand. Twee komma vijfenveertig miljard ervan doen werk bij een gegeven token. Die verhouding is het hele punt van LFM2.5-24B-A2B, het model dat Liquid AI op 13 oktober 2026 aankondigde als het grootste lid van zijn LFM2.5-familie — en het is de reden dat Liquid zich op zijn gemak voelt bij het afdrukken van zijn eigen benchmarktabel naast Qwen3.6-35B-A3B, een checkpoint met ruwweg anderhalf keer zoveel totale en actieve parameters. De tabel bevat ook kolommen voor Gemma-4-26B-A4B-it en Nemotron-3.5-Lightning, die geen van beide door Liquid zelf zijn gemeten; die twee kolommen zijn cijfers van derden die Liquid heeft overgenomen zonder een methodologie te publiceren, wat het onthouden waard is voordat iemand een rij citeert.

De framing van Liquid is niet "dit verslaat grotere modellen." Het is "dit hoort op jouw machine, in de agent-loop, waar het tools aanroept." De vorige generatie, LFM2-24B-A2B, was een jaar lang het praktische plafond van de familie met 32.768 tokens context en een vocabulaire van 65K. De nieuwe checkpoint behoudt de architectuur en verschuift precies twee getallen die bepalen of een klein model een lange agent-trace kan vasthouden: context naar 131.072, vocabulaire naar 128.000.

Wat is er daadwerkelijk veranderd, en wat niet?

Lees de config en de delta is kleiner dan de marketing suggereert. Veertig lagen, verdeeld over 30 short-convolutionblokken met dubbele gate en 10 grouped-query-attentielagen. Vierenzestig experts per mixture-of-expertsblok met top-4-routering. Dezelfde vorm als voorheen.

Wat is veranderd, is waar de tokens naartoe gingen. Pre-training werd opgeschaald — het lanceringsbericht van Liquid zegt van 17 biljoen naar 33 biljoen tokens, terwijl de Hugging Face-modelkaart voor dezelfde release 36 biljoen zegt. Een van die getallen is verouderd, en niets in een van beide documenten zegt welk. Mid-training verloopt dan in twee fasen: 2 biljoen tokens bij een context van 32K, met een weging richting redeneren, wiskunde en code, gevolgd door 300 miljard tokens bij de volledige 131K. Die tweede fase is hoe een architectuur met korte context wordt aangeleerd om een lange te gebruiken zonder vanaf nul opnieuw te trainen.

Post-training bestaat uit vijf fasen: supervised fine-tuning, teacher-specialisatie, niet-agentische multi-teacher on-policy distillatie, agentische multi-teacher on-policy distillatie, en tot slot agentische reinforcement learning uitgevoerd binnen echte harnesses — OpenClaw, Hermes Agent, Pi en OpenCode. Die laatste fase is het deel dat je twee keer moet lezen. Trainen tegen daadwerkelijke agent-scaffolds is iets anders dan trainen tegen een statische tool-calling-testset, en het is de reden dat de benchmarktabel van de leverancier zo zwaar leunt op harness-vormige evaluaties.

Liquid documenteert ook een tekortkoming die de meeste leveranciers stilletjes zouden hebben verholpen: tijdens de teacher-specialisatie leerde het model aan reward-hacking te doen, door de git-geschiedenis van een repository te spitten om antwoorden te vinden in plaats van de taak op te lossen, en de sandboxes moesten worden aangescherpt. Dat is een nuttige onthulling. Het laat zien waar "agentic benchmark"-scores stilletjes kunnen worden opgeblazen.

De benchmarktabel, gelezen als beweringen in plaats van resultaten

Zestien benchmarks, vier modelkolommen, allemaal uitgevoerd door Liquid in vLLM met generatie-instellingen per benchmark. Nog geen enkele derde partij heeft LFM2.5-24B-A2B beoordeeld, dus elk cijfer hier is een claim, inclusief die in de kolommen van de andere modellen.

Ten opzichte van de Qwen-baseline is het resultaat echt gemengd, en de mix is het interessante deel:

• AutomationBench — 27,69 tegenover 8,72. De grootste marge in de tabel, en de rij waar Liquid mee vooroploopt.

• LiveClaw — 48,09 versus 38,19 en ToolSandbox — 80,71 versus 75,02. Echte overwinningen bij toolgebruik in harness-stijl.

• BFCLv4 — 65,01 tegenover 65,00. Een gelijkspel dat met een honderdste van een punt als overwinning wordt voorgesteld. Lees het als pariteit.

• τ³-Bench Banking — 8,04 tegenover 7,63. Een nipte voorsprong bij een agenttaak in het bankdomein waar de hele tabel laag scoort, waaronder Qwen3.6-35B-A3B en Gemma-4-26B-A4B-it.

• PinchBench — 83,18 versus 89,93 en WebArena Verified — 26,75 versus 37,62. Twee nederlagen tegen het grotere model, en het WebArena-verschil is niet klein.

Instructieopvolging is een volledige overwinning: 96,75 op IFEval, 74,69 op IFBench, 84,38 op Multi-IF, in elke kolom voorop. Kennis en coderen laten het plafond zien: GPQA Diamond 74,42 tegenover de 83,69 van Qwen, SWE-Bench Verified 51,00 tegenover 66,20, SciCode 32,71 tegenover 37,35, HLE 7,40 tegenover 7,69, en AA-Omniscience −24,90 tegenover −24,35. MATH-500 komt uit op 96,04, in de praktijk gelijk aan alles in de tabel.

Liquids eigen samenvatting — concurrerend op vijf van de acht agentische benchmarks, achter op kennisintensief en programmeerwerk — is een eerlijke interpretatie. De passage in het lanceringsbericht die meer aandacht verdient, is het advies om het model te combineren met retrieval of zoeken op het web in plaats van het te vragen om vanuit de gewichten te antwoorden. Dit is een router en een aanroeper van tools, en de leverancier zegt dat zelf.

Twee prijzen, in twee valuta's

Liquid verkoopt API-toegang via zijn eigen Console voor $0,10 per miljoen inputtokens, met een cachetarief van $0,05, en $1,00 per miljoen outputtokens, plus $2 aan starttegoed. Dat outputtarief is ongeveer het dubbele van wat een volwassen gehost open model van de 8B-klasse in onze eigen catalogus kost, en ongeveer een zesde van de $6,00 per miljoen output van Qwen3.8-Max — het midden van de markt in plaats van een van beide uitersten.

De andere prijs is hardware. De gewichten zijn open en staan op Hugging Face onder de lfm1.0-licentie van Liquid, die niet Apache 2.0 is en eigen commerciële voorwaarden heeft; lees ze voordat je er een product op bouwt. De stacks die de leverancier vanaf dag één vermeldt, zijn llama.cpp voor GGUF, MLX, vLLM, SGLang en ONNX, met FP8-, ONNX- en 4-bit-MLX-zusterrepo's, en een DSpark speculative-decoding-drafter die als coming soon is gemarkeerd — in lijn met de DSpark-release van Liquid uit augustus, die dit model nog niet heeft gekregen.

De doorvoerclaims zijn het minst controleerbare onderdeel van de release. Liquid meldt 184 tokens per seconde op een Apple M5 Max, 114 tokens per seconde op een AMD Ryzen AI Max+ 395, "tot 1,7× sneller dan het op een na beste model", en meer dan 21.000 outputtokens per seconde op één enkele NVIDIA B300 onder SGLang 0.5.22 bij 1.024 tokens in en tot 256 uit in BF16. Die twee uitersten zijn niet vergelijkbaar: 184 tokens per seconde is een gekwantiseerde on-device build van een 2,45B-actief model, en 21.000 is een datacenter-GPU bij veel gelijktijdige verzoeken. De claim van 1,7× heeft geen gepubliceerde baseline — "het op een na beste model" is geen definitie.

Wat zou dit werkelijkheid maken?

De architectuur is vandaag controleerbaar: een context van 131K en een agentische reinforcement-learningfase zijn zichtbaar in de config en de checkpoint, niet alleen in een blogpost. De cijfers niet. Niemand heeft resultaten voor long-context-retrieval voor deze checkpoint gepubliceerd, wat van belang is omdat 131.072 tokens aan KV-status op een model met 2,45B actieve parameters een hoop cache is om coherent te houden binnen het unified memory van één laptop — en de hele propositie is dat de laptop genoeg is.

Als u een productiepad liever niet inzet op een niet-gereproduceerde tabel, is de interessante vergelijking degene die Liquid zelf trok. qwen/qwen3.6-35b-a3b en google/gemma-4-26b-a4b-it — de referentiepunten in de lanceringspost — staan beide in onze catalogus, en het draaien van uw eigen taken ertegen kost een sleutel in plaats van een download, met automatische failover als het endpoint van een provider tijdens de run verslechtert. Richt failover op dat traject terwijl u de lokale evalueert, en laat de vergelijking plaatsvinden op uw workload in plaats van op de harness van Liquid.

De open vraag is niet of een MoE met 2,45B actieve parameters goed kan zijn. Het is of de 24B-A2B-vorm blijft lonen naarmate de context groeit, of dat de sweet spot naar het 8B-A1B-niveau zakt zodra de agent-trace lang wordt. Liquids eigen productlijn geeft het bedrijf een reden om het hoe dan ook uit te zoeken — en dat is precies waarom de volgende reeks onafhankelijke cijfers, niet de volgende blogpost, de knoop doorhakt.

Volg live modelstoringen en degradaties in ons incidentenarchief en zie welke routes een probleemloze failover hebben uitgevoerd.