LFM2.5-24B-A2B-DSpark jest już dostępny na Hugging Face — Liquid AI po prostu jeszcze tego nie ogłosiło

Karta modelu największego modelu Liquid AI wciąż mówi, że jego drafter do dekodowania spekulatywnego jest już wkrótce. Drafter się nie pojawi. LFM2.5-24B-A2B-DSpark ma publiczne repozytorium od 2026-10-19, checkpoint BF16 o rozmiarze 655 MB, pełną tabelę benchmarków, sidecar GGUF opublikowany następnego wieczoru oraz flagi uruchomieniowe dla SGLang wpisane do jego karty. Czego natomiast nie ma, to ogłoszenia. LFM2.5-24B-A2B, model typu mixture-of-experts o 24B, który ma przyspieszać, dostał wpis na blogu, datę premiery, cennik i link do playgroundu 2026-10-13. Jego drafter dostał repozytorium i kartę modelu, a własna strona dokumentacji Liquid AI dotycząca dekodowania spekulatywnego wciąż wymienia jako obsługiwane tylko modele 1.2B, 2.6B, 8B i VL-3B. Udokumentowane awarie AI i incydenty z agentami stojące za takimi wydaniami są zbierane w the OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom ważności, ocenę pewności i oznaczenie sporne.

Ta luka jest tu sednem sprawy i warto dokładnie określić, czego ona dotyczy, a czego nie. Repozytorium, którego wagi są otwarte, którego benchmarki można odtworzyć z pliku CSV leżącego obok modelu, a którego ścieżka wnioskowania jest już zmergowana w upstreamie, to prawdziwe wydanie, a nie wyciek. Ale nic z tego nie zostało potwierdzone przez dostawcę w opisie słownym, żadna strona trzecia tego nie zmierzyła, a liczby w karcie modelu to liczby tego samego zespołu, zmierzone na sprzęcie, który sam wybrał. Ten tekst rozdziela jedno od drugiego: co repozytorium ustala, a co pozostaje twierdzeniem.

Co tak naprawdę znajduje się w repozytorium

Checkpoint jest na tyle mały, że już sama lista plików wiele mówi. Całość to jeden model.safetensors o rozmiarze 655 421 522 bajtów — 327,7 mln parametrów w BF16 — plus konfiguracja, licencja i katalog benchmarków. Nic więcej. Nie ma tokenizera, macierzy osadzeń ani głowicy LM, ponieważ architektura podczas wczytywania ponownie wykorzystuje wszystkie trzy elementy z modelu docelowego. Taki jest zamysł: drafter musi jedynie wiedzieć, jak odgadnąć następny blok tokenów ze słownictwa modelu docelowego, a nie jak reprezentować świat.

Konfiguracja potwierdza kształt opisany w sierpniowym materiale DSpark. Pięć warstw pełnej uwagi przy rozmiarze ukrytym 2048 i rozmiarze pośrednim 6144 z SiLU/SwiGLU; uwaga z grupowanymi zapytaniami z 32 głowami i 8 głowami KV przy wymiarze głowy 64; głowa Markowa rzędu 256 i osobna głowa pewności; rozmiar bloku 9; słownik 128 000; oraz maksymalne osadzenie pozycji 131 072, co dokładnie odpowiada oknu kontekstu celu. Jedynym polem specyficznym dla tego draftera jest target_layer_ids: [2, 10, 18, 26, 34] wobec num_target_layers: 40 — pięć warstw modelu 24B, których stany ukryte drafter odczytuje jako kontekst. Te indeksy są powodem, dla którego draftera wytrenowanego dla jednego modelu LFM2.5 nie można po prostu skierować na inny.

Licencja to lfm1.0, ta sama niestandardowa licencja co w pozostałej części rodziny, co warto odnotować dla każdego, kto planuje redystrybuować połączony artefakt target-plus-drafter, zamiast używać go wewnętrznie.

Tabela benchmarków odczytywana jako tabela dostawcy

Karta publikuje przepustowość dla ośmiu zbiorów danych przy współbieżności 1, 32 i 256, na pojedynczym NVIDIA B300 z docelowym formatem FP8, pamięcią podręczną KV w BF16 i temperaturą 0. Każda liczba poniżej pochodzi od Liquid AI i nie została odtworzona poza firmą; surowe wiersze znajdują się w repozytorium w pliku benchmarks/b300-fp8.csv, jeśli chcesz samodzielnie sprawdzić obliczenia.

• Średnia arytmetyczna z ośmiu zbiorów danych — 2,38× przy współbieżności 1, 2,69× przy współbieżności 32, 1,71× przy współbieżności 256.

• Najlepsza pojedyncza komórka — MBPP przy współbieżności 32, 3,28×, tuż za nią MATH-500 z 3,04×.

• Najgorsza pojedyncza komórka — LiveCodeBench przy współbieżności 256, 1,34×, oraz AIME przy 256, 1,36×.

• Tokeny akceptowane na krok — średnio 5,16, wobec pułapu 10 wyznaczonego przez rozmiar bloku plus bonusowy token celu.

• Najwyższa akceptacja — MBPP przy 6,70 tokena na krok; najniższa — LiveCodeBench przy 4,02.

Dwie rzeczy w tej tabeli są ciekawsze niż nagłówek. Po pierwsze, średnie przyspieszenie jest wyższe przy współbieżności 32 niż przy współbieżności 1 — 2,69× wobec 2,38× — co jest przeciwieństwem typowej historii dekodowania spekulacyjnego, w której batchowanie zjada korzyść. Po drugie, załamuje się przy 256. Przy 256 równoczesnych żądaniach sam model docelowy generuje już około 15 000 tokenów na sekundę na tym GPU dla MATH-500, a wkład modelu draftującego spada do 1,79×. Zespół zajmujący się serwowaniem, czytając tylko „2,4×”, źle dobrałby rozmiar klastra; liczbą, która ma znaczenie dla endpointu z obsługą wsadową, jest 1,71×, a nawet ona pochodzi z B300 i przy profilu współbieżności, którego większość wdrożeń nie osiągnie.

Zdanie, które zmieniło się od sierpnia

Gdy Liquid AI wydała draftery DSpark dla modeli docelowych 1.2B, 2.6B i 8B-A1B w dniu 2026-08-20, wpis na blogu firmy zawierał mocne twierdzenie: ponieważ model docelowy weryfikuje każdy proponowany token i zastępuje odrzucone własnym wyborem, „emitowana sekwencja jest zatem z konstrukcji identyczna z bazowym dekodowaniem zachłannym”. Karta modelu draftera 8B powtarza jego sens, obiecując „dokładnie takie same wyniki”.

Karta 24B draftującego nie mówi tego. Mówi, że model docelowy weryfikuje każdy proponowany token, a następnie: „Różnice zmiennoprzecinkowe między weryfikacją wsadową a zwykłym dekodowaniem mogą dawać inny tekst, także przy próbkowaniu zachłannym”. Dodaje, że pomiary oceniają wydajność, a nie dokładność wykonania zadania.

To zdanie jest sformułowane ostrożniej i jest właściwe. Weryfikacja wsadowa nie wykonuje tych samych operacji zmiennoprzecinkowych w tej samej kolejności co dekodowanie sekwencyjne, więc identyczność bitowa jest założeniem, które zachodzi w arytmetyce dokładnej, a nie zawsze na rzeczywistym sprzęcie. To, że nowsza karta tak podaje, podczas gdy starsza tego nie robiła, jest albo korektą dokumentacji, albo odkryciem dokonanym podczas trenowania tego draftera — repozytorium nie mówi, którym z tych przypadków, a Liquid nie opublikował wyjaśnienia. W praktyce oznacza to coś wąskiego, ale realnego: jeśli Twój zestaw testów regresyjnych porównuje wynik modelu bajt po bajcie, dodanie tego draftera może spowodować jego niepowodzenie, i jest to właściwość arytmetyki, a nie błąd w drafcie.

Dlaczego kreślarz przybył sześć dni po własnym modelu

Warto przedstawić chronologię wydarzeń, ponieważ wyjaśnia ona ciszę lepiej niż jakiekolwiek spekulacje na temat strategii.

• 2026-08-20 — Liquid publikuje rodzinę DSpark: modele wstępne dla LFM2.5-1.2B-Instruct, LFM2.5-2.6B i LFM2.5-8B-A1B. Nie istnieje jeszcze model docelowy 24B.

• 2026-08-31 — SGLang scala PR #31041, dodając obsługę dekodowania spekulatywnego DSpark dla LFM2 i LFM2-MoE. Ścieżka MoE, której potrzebuje model 24B, trafia tutaj — półtora miesiąca przed modelem, któremu będzie służyć.

• 2026-10-13 — LFM2.5-24B-A2B zostaje wydany wraz z wpisem na blogu i ceną. Tego samego dnia SGLang scala PR #43939, który pozwala serwerowi bezpośrednio ponownie wykorzystywać konfigurację LFM2-MoE z Hugging Face.

• 2026-10-19 — pojawia się repozytorium LFM2.5-24B-A2B-DSpark, wraz z wagami i benchmarkami.

• 2026-10-20 — pojawia się plik towarzyszący GGUF: pojedynczy plik F16 o rozmiarze 664 MB dla llama.cpp.

• 2026-10-21 — karta modelu docelowego zyskuje wiersz draftującego. Nadal widnieje w niej Wkrótce.

Przeczytaj ten ciąg zdarzeń, a najbardziej prawdopodobne wyjaśnienie okaże się tym nudnym. Infrastruktura została udostępniona przed artefaktem; artefakt udostępniono, gdy zakończyło się trenowanie; ogłoszenie to zadanie marketingowe, do którego jeszcze nie doszło. Nic w repozytorium nie sugeruje celowo cichego startu — karta jest kompletna, benchmarki są udokumentowane aż po protokół, a wywołania SGLang i llama.cpp są wypisane w całości. Cicho oznacza tu nieogłoszone, a nie ukryte.

Czego jeszcze nie można poznać

Uczciwą granicę tego tekstu wyznacza krótka lista, a każdy jej punkt to rzeczywista luka, a nie formalność.

Brak niezależnego pomiaru. Nie ma wpisu w Artificial Analysis, nie ma uruchomienia akceptacyjnego przeprowadzonego przez stronę trzecią, nie ma odtworzenia tabeli przepustowości. Na dzień 2026-10-21 repozytorium wykazywało siedem pobrań i jedno polubienie. Każde przyspieszenie w tym artykule pochodzi od dostawcy, na wybranej przez dostawcę karcie GPU, z wybraną przez dostawcę docelową precyzją.

Brak zapowiedzi, więc brak narracji. Nie wiemy, czy Liquid zamierza potraktować to jako rekomendację produkcyjną dla 24B, czy jako artefakt badawczy. Ton karty — pełne flagi premiery, tabela rodziny, link kontaktowy — sugeruje to pierwsze, ale to tylko przypuszczenie.

Nie ma ceny, bo nie może jej być. Drafter nie jest serwowanym modelem. Nie ma stawki za milion tokenów i nigdy nie pojawi się w katalogu modeli jako wywoływalny endpoint. Jego koszt to 655 MB VRAM lub pamięci ujednoliconej, które zajmuje obok modelu docelowego, plus dodatkowy nakład obliczeniowy na weryfikację bloku zamiast pojedynczego tokenu.

Brak liczb dla Apple Silicon. To największa luka, a kolejna sekcja wyjaśnia, dlaczego ma ona większe znaczenie niż pozostałe.

Brakujący numer Mac to interesujące pominięcie.

Model 24B jest sprzedawany jako model działający na urządzeniu. Wpis premierowy Liquid zaczyna się od 184 tokenów na sekundę na Apple M5 Max i określa go jako stworzony do szybkich, prywatnych agentów działających na urządzeniu. Karta modelu draftującego natomiast podaje wyłącznie liczby dla B300. W przypadku 8B draftującego w sierpniu Liquid opublikował zarówno wyniki dla H100, jak i M4 Max, i szczerze mówił o różnicy między nimi: średnie przyspieszenie 2,54× na H100 zamieniło się w 1,18× na MacBooku. Podany powód był mechaniczny — weryfikowanie k tokenów aktywuje więcej ekspertów niż pojedynczy krok dekodowania, więc model docelowy MoE generuje większy transfer wag na zweryfikowany token, a backend Metal w llama.cpp jeszcze to pogarszał.

LFM2.5-24B-A2B to również mieszanina ekspertów: 64 ekspertów na blok z routingiem top-4. Obowiązuje ten sam mechanizm, a 24B to większy model z większym zestawem ekspertów do stronicowania. To nie dowodzi, że przyspieszenie na urządzeniu jest małe — drafter został wytrenowany specjalnie dla tego celu, a akceptacja jest znacznie lepsza niż w przypadku 8B na początku — ale oznacza, że jedyna liczba, jakiej potrzebuje użytkownik laptopa, to ta, której karta nie zawiera. Wszelkie założenia, że współczynnik B300 przenosi się na Maca, należy traktować jako niezweryfikowane.

Uruchamianie tego i jedna flaga, która cię ugryzie

Na GPU opublikowany przepis to SGLang z modelem docelowym FP8 i dołączonym drafterem, rozmiarem bloku 9 i dziesięcioma tokenami draftu. Zainstalowany SGLang musi być wystarczająco nowy, aby zawierać ścieżkę LFM2-MoE DSpark z PR #31041 oraz ponowne użycie konfiguracji z PR #43939; w starszej kompilacji serwer w ogóle nie rozpozna architektury draftera. Należy pamiętać, że wyniki benchmarków zakładają model docelowy FP8 — model docelowy BF16 będzie zachowywał się inaczej i niekoniecznie lepiej, ponieważ drafter był trenowany względem określonego rozkładu logitów modelu docelowego.

Na CPU i Apple silicon ścieżka to llama.cpp z sidecarem F16 GGUF. Sidecar odczytuje rozmiar swojego bloku z własnych metadanych i ogranicza--spec-draft-n-max do niego, więc ustawienie długości draftu na 12 nie da ci 12. Czasy poszczególnych odpowiedzi ujawniają draft_n i draft_n_accepted, czyli pole, na które warto patrzeć przy własnym obciążeniu: jeśli akceptacja w twoim ruchu jest znacznie poniżej średniej 5,16 podanej na karcie, drafter kosztuje cię dodatkowy forward pass, a daje niewiele, więc uczciwym posunięciem jest go odłączyć.

Co to oznacza, jeśli w tym tygodniu wybierasz model

Dla większości zespołów praktyczna konsekwencja jest niewielka, ponieważ drafter zmienia szybkość, a nie możliwości. LFM2.5-24B-A2B to model, który odpowiada na prompty; drafter zmienia jedynie to, ile takich odpowiedzi otrzymujecie na sekundę. Jeśli 24B nie było na waszej krótkiej liście w zeszłym tygodniu, szybsza wersja nie sprawi, że się tam znajdzie.

Jeśli był na Twojej krótkiej liście, model draftujący wzmacnia argument za samodzielnym hostowaniem, a w przypadku API nie wnosi nic. Warto tę różnicę wyrazić wprost: checkpoint dekodowania spekulacyjnego jest niewidoczny dla każdego, kto wywołuje hostowany endpoint, ponieważ to stos serwowania decyduje, czy go podpiąć. Na równych warunkach możesz porównać sam model z alternatywami, do których w przeciwnym razie kierowałbyś ruch — a jeśli oceniasz go względem czegoś takiego jak Qwen3.6-35B-A3B, modelu, względem którego Liquid prowadzi testy porównawcze w pięciu z ośmiu zadań agentowych, OrcaRouter udostępnia ten cel porównania za jednym kluczem przy 0% narzutu na cenę katalogową dostawcy, z automatycznym przełączaniem awaryjnym między dostawcami. Nie obsługujemy dziś rodziny LFM2.5, więc sam model 24B musi pochodzić z własnego API dostawcy lub z Twoich własnych GPU; oferujemy drugą stronę porównania bez drugiej umowy.

Co zmieniłoby ten obraz

Trzy rzeczy, w kolejności od tego, jak bardzo przesunęłyby narrację. Wpis na blogu Liquid rozstrzygnąłby kwestię ujęcia — czy to zalecane zestawienie produkcyjne, czy wydanie badawcze. Opublikowany pomiar na Macu rozstrzygnąłby twierdzenie, które ma znaczenie dla odbiorców, dla których powstał model 24B. A niezależny przebieg akceptacyjny na rzeczywistym ruchu, zamiast ośmiu zestawów danych benchmarkowych przy temperaturze 0, powiedziałby ci, czy 5,16 tokena na krok przetrwa kontakt z chaotycznymi, długimi promptami wywołującymi narzędzia, dla których ten model jest faktycznie sprzedawany.

Do tego czasu repozytorium jest publiczne, wagi można pobrać, CSV jest tuż pod ręką, a karta modelu samego dostawcy to ostatnie miejsce, w którym należy szukać wieści o nim. To nietypowy stan dla wydania — ale prawdziwy, a artefakt nie staje się mniej prawdziwy tylko dlatego, że nikt nie napisał wpisu na blogu.