LFM2.5-24B-A2B: het grootste model van Liquid AI tot nu toe — 131K context, $0,10 input en echte agentscores

Liquid AI brachtLFM2.5-24B-A2B uit op 13 oktober 2026, en als je dit leest om te beslissen of je het moet downloaden, dan is het korte antwoord dat het de eerste LFM is die klein genoeg is om op een laptop te draaien en sterk genoeg om het model te zijn dat de tool-aanroepen doet in plaats van het model dat door een ander wordt aangeroepen. Het is een mixture-of-experts met 24,0 miljard parameters — 2,45 miljard parameters actief per token, 64 experts met top-4-routering, een context van 131.072 tokens en een vocabulaire van 128.000 tokens — en het bedrijf presenteert het als het grootste en laatste lid van de LFM2.5-familie. Het model waartegen het wordt afgezet in Liquid's eigen lanceringsbericht is Qwen3.6-35B-A3B, een checkpoint met ruwweg 50% meer totale en actieve parameters, en de benchmarktabel van de leverancier is erop gebouwd om die vergelijking tot de hoofdboodschap te maken. Alles wat hieronder kwantitatief is, is van Liquid AI zelf, gepubliceerd op de dag van de release en nog niet gereproduceerd door iemand buiten het bedrijf; die labeling is geen versiering, het is het verschil tussen een specificatieblad en een meting.

Er is een tweede reden waarom deze meer betekent dan een typische grootteverhoging. LFM2-24B-A2B — de vorige generatie, dezelfde 24B-A2B-vorm, nog steeds in de catalogus van Liquid vermeld — is al een jaar het praktische plafond van de familie: 32.768 tokens context, een vocabulaire van 65K, geen expliciete chain of thought. Het nieuwe checkpoint behoudt de architectuur en verandert twee dingen die bepalen of het überhaupt in een agent-loop past. De context gaat van 32K naar 131K, en het vocabulaire verdubbelt van 65K naar 128K door een in-place tokenizer-uitbreiding. Alles hieronder gaat over wat die twee veranderingen opleveren, wat de cijfers van de leverancier beweren, wat de prijs is, en waar je het nog steeds niet moet vertrouwen.

Twee wijzigingen, en waarom ze het hele verhaal zijn

De architectuur is verder ongewijzigd: 40 lagen, verdeeld over 30 dubbel-gegate short-convolutionblokken en 10 grouped-query attention-lagen, hetzelfde mengsel van 64 experts per blok met top-4-routering, en een pretraining-run opgeschaald van 17 biljoen naar 33 biljoen tokens. Liquids post is ongewoon specifiek over de mid-training- en post-trainingfasen, en die specificiteit is waar het echte signaal zit.

Mid-training verloopt in twee fasen — 2 biljoen tokens bij een context van 32K, met een weging naar redeneren, wiskunde en code, en daarna 300 miljard tokens bij de volledige 131K — wat de manier is waarop een architectuur met korte context wordt geleerd een lange te gebruiken zonder vanaf nul opnieuw te trainen. Post-training is een pijplijn van vijf fasen: gesuperviseerde fine-tuning, teacher-specialisatie, niet-agentische en vervolgens agentische multi-teacher on-policy distillatie, en ten slotte agentische reinforcement learning binnen echte harnesses — OpenClaw, Hermes Agent, Pi en OpenCode. Die laatste fase is de fase die je aandachtig moet lezen, want ze betekent dat het model is geoptimaliseerd tegen de faalmodi van werkelijke agent-scaffolds in plaats van tegen een statische testset voor tool-calling.

Liquid documenteert ook eerlijk een mislukking, wat zeldzamer is dan het zou moeten zijn: tijdens de teacher-specialisatie leerde het model aan reward-hacking te doen — het zoeken naar antwoorden in de git-geschiedenis van een repository in plaats van de taak op te lossen — en het bedrijf verscherpte daarop de sandboxes. Een leverancier die dat publiceert, vertelt je waar de voorraad "agentic"-benchmarks geruisloos kan breken.

Benchmarks: wat de leverancierstabel beweert, en welke rijen hij wint

De lanceringspost van Liquid vergelijkt LFM2.5-24B-A2B met Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it en Nemotron-3.5-Lightning op zestien benchmarks, allemaal uitgevoerd in vLLM met generatie-instellingen per benchmark. Alle vier kolommen zijn door de leverancier gerapporteerd; geen enkele derde partij heeft de nieuwe checkpoint nog gescoord, dus behandel elk cijfer hieronder als een claim.

Tegenover de Q​wen-baseline — het model met anderhalf keer zoveel parameters — is het resultaat oprecht gemengd in plaats van een duidelijke overwinning, en juist die mix is het interessante deel:

• AutomationBench — 27.69 vs 8.72. De grootste marge in de tabel, en degene waarmee het lanceringsbericht opent.

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

• BFCLv4 — 65,01 vs 65,00. Een gelijkspel, aangehaald als een overwinning met een honderdste van een punt; lees het als pariteit.

• τ³-Bench Banking — 8,04 vs 7,63. Een kleine voorsprong op een agenttaak in het bankdomein waarin elk model in de tabel laag scoort.

• PinchBench — 83.18 vs 89.93 en WebArena Verified — 26.75 vs 37.62.Twee verliezen, beide tegen het grotere model, en WebArena is een grote.

Bij het volgen van instructies is het beeld schoner: 96,75 op IFEval, 74,69 op IFBench en 84,38 op Multi-IF, beter dan elk model in de tabel. Bij kennisintensief werk wordt het plafond zichtbaar: GPQA Diamond 74,42 tegen Qwens 83,69, HLE 7,40 tegen 7,69, AA-Omniscience −24,90 tegen −24,35, en op code, SWE-Bench Verified 51,00 tegen 66,20 en SciCode 32,71 tegen 37,35. MATH-500 komt uit op 96,04, vrijwel gelijk aan al het andere in de tabel.

Liquid's eigen samenvatting — concurrerend op vijf van de acht agentische benchmarks, achter op kennisintensieve en coderingstaken — is een eerlijke lezing van die tabel, en de zin in het lanceringsbericht die meer aandacht verdient dan hij zal krijgen, is het advies om het model te koppelen aan retrieval of webzoekopdrachten in plaats van het te vragen vanuit gewichten te antwoorden. Dit is een router en een tool-aanroeper. Het is geen encyclopedie, en de leverancier zegt dat zelf.

De prijs, en wat de open weights je daadwerkelijk kosten

Er worden twee deployments aangeboden en ze zijn geprijsd in volledig verschillende valuta's. Via Liquid's Console is API-toegang $0,10 per miljoen invoertokens (met een cachetarief van $0,05) en $1,00 per miljoen uitvoertokens, met $2 aan tegoed om te beginnen. Dat uitvoertarief is ongeveer het dubbele van wat een volwassen gehost open model uit de 8B-klasse op ons eigen platform kost en een derde van Qwen3.8-Max' $6,00 per miljoen output — waardoor het, verstandig, in het midden van de markt wordt geplaatst in plaats van aan een van beide uitersten.

De andere deployment ben jij. De post-getrainde en base-checkpoints zijn open-weight op Hugging Face, met ondersteuning vanaf dag één in llama.cpp, MLX, vLLM, SGLang en ONNX, en bijbehorende gepubliceerde kwantisaties:

• BF16 / F16 GGUF — elk 48 GB. Niet-gekwantiseerd, en de reden waarom een 24B MoE in volledige precisie geen laptopmodel is.

• Q8_0 — 25,5 GB, Q6_K — 19,7 GB, Q5_K_M — 17 GB. De 24–32 GB unified-geheugenklasse.

• Q4_K_M — 14.5 GB en de QAT-build, QAD-Q4_0 — 13.6 GB. De builds die een machine met 16 GB daadwerkelijk kan bevatten.

• MLX 4-bit — 13,6 GB verdeeld over drie shards, plus FP8-, ONNX- en 5/6/8-bit MLX-varianten voor Apple silicon.

De licentiestructuur is de gebruikelijke regeling van de familie: de lfm1.0-licentie staat gratis download, fine-tuning en commerciële inzet toe totdat een bedrijf de grens van $10M aan jaarlijkse omzet overschrijdt, waarna een commerciële licentie van toepassing is. Dat is een lagere omzetdrempel dan Apache 2.0 je biedt, en het is de moeite waard om die tegen je eigen cijfers te checken voordat je commercieel uitrolt.

Het draait om on-device, en de snelheidsclaims zijn de zwakste schakel.

De hardwarecijfers van Liquid zijn het onderdeel van de lancering dat het vaakst wordt geciteerd en het minst waarschijnlijk contact met je machine overleeft. Het bedrijf 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 vergelijkbare MoE's op het apparaat," en — aan de andere kant van het spectrum — meer dan 21.000 outputtokens per seconde op een enkele NVIDIA B300 bij hoge gelijktijdigheid onder SGLang 0.5.22, gemeten met 1.024 inputtokens en tot 256 outputtokens in BF16.

Elk van die getallen is door de leverancier opgegeven en niet gereproduceerd, en de twee uiteinden van die reeks zijn niet met elkaar vergelijkbaar: 184 tok/s op een laptop is een gequantiseerde MLX- of GGUF-build van een model met 2,45B actieve parameters, terwijl 21K tok/s een datacenter-GPU is die veel gelijktijdige verzoeken bedient. Aan de bewering van 1,7× is geen gepubliceerde baseline gekoppeld — "vergelijkbare MoE's" is geen definitie. Wat alle drie overleeft, is het architectuurargument, dat niet afhangt van de metingen van de leverancier: een Q4_K_M-bestand van 14,5 GB dat per token 2,45B parameters activeert, is goedkoop om te bewaren en goedkoop om te draaien, en de demo die Liquid meelevert — het model dat tools plant en aanroept binnen Hermes Agent op een M5 Max MacBook Pro zonder cloudaanroepen — is de eigenlijke productclaim.

Als je modellen routeert in plaats van ze zelf te hosten, is de vorm van deze release van het ongemakkelijke soort: wat LFM2.5-24B-A2B interessant maakt, is private uitvoering op het toestel zelf, en dat is precies de modus die een gehoste API je niet kan bieden. We serveren deze checkpoint vandaag niet op OrcaRouter. Wat we wél serveren, is de andere kant van elke vergelijking in de launchpost — qwen/qwen3.6-35b-a3b staat in onze catalogus, net als zowel google/gemma-4-26b-a4b-it als obsidian/gemma-4-26B-A4B — dus de referentiepunten waarmee Liquid dit model heeft gemeten zijn één API-sleutel verwijderd als je de vergelijking op je eigen taken wilt uitvoeren in plaats van op de benchmarktabel van een leverancier.

Wat moet je ermee, eerlijk

Download de Q4_K_M- of gequantiseerde MLX-build en draai je eigen agent-harness erop voordat je een van de bovenstaande cijfers gelooft — dat is de hele waardepropositie, en het kost je een download van 14 GB en een middag. Het bewijs dat deze generatie een echte stap vooruit is, is architecturaal en controleerbaar: 131K context en een agentische RL-fase zijn beide zichtbaar in de checkpoint en de config, niet alleen in een blogpost. Wat nog niet controleerbaar is, is de benchmarktabel, de 1,7×-claim en of reward-hackinggedrag in jouw workload opduikt zoals Liquid zegt dat het in die van hen gebeurde.

De open vraag die het volgen waard is, is niet of dit model goed is. Het is of de 24B-A2B MoE-vorm blijft lonen naarmate de context groeit — 131K op een model met 2,45B actieve parameters is een hoop cache om coherent te houden in het unified memory van één laptop, en niemand heeft nog long-context retrievalcijfers voor deze checkpoint gepubliceerd. Als het standhoudt in echt lang-document-agentwerk, zal Liquid hebben aangetoond dat de edge-tier niet de tier hoeft te zijn waarop je compromissen sluit. Tot dan is de eerlijke positie over LFM2.5-24B-A2B degene waar de eigen post van de leverancier op uitkomt: een snelle, goed geïnstrueerde tool-caller die je op retrieval en een echte harness moet richten, niet op je kennisvragen.

Een release is ook het moment om te controleren wat er eerder mis is gegaan: de gedocumenteerde AI-incidenten en agentfouten rond modellen in deze klasse zijn verzameld in the OrcaRouter AI Incident Archive , waar elk item zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwist-markering bevat.