LFM2.5-24B-A2B: największy jak dotąd model Liquid AI — kontekst 131K, wejście za 0,10 USD i rzeczywiste wyniki agentów

Liquid AI wypuściło LFM2.5-24B-A2B 13 października 2026 roku, a jeśli czytasz to, by zdecydować, czy go pobrać, krótka odpowiedź brzmi: to pierwszy LFM tak mały, by działać na laptopie, i tak mocny, by to on wywoływał narzędzia, a nie był wywoływany przez inny model. To mieszanka ekspertów o 24,0 miliarda parametrów — 2,45 mld parametrów aktywnych na token, 64 ekspertów z routingiem top-4, kontekst 131 072 tokenów i słownik 128 000 tokenów — a firma reklamuje go jako największego i ostatniego członka rodziny LFM2.5. Model, z którym jest porównywany na przestrzeni całego wpisu premierowego Liquid, to Qwen3.6-35B-A3B, checkpoint o około 50% większej liczbie parametrów całkowitych i aktywnych, a tabela benchmarków dostawcy została zbudowana tak, by to właśnie porównanie było nagłówkiem. Wszystko poniżej, co ilościowe, pochodzi od samego Liquid AI, opublikowano w dniu premiery i nie zostało jeszcze odtworzone przez nikogo spoza firmy; to oznaczenie nie jest ozdobnikiem, to różnica między specyfikacją a pomiarem.

Jest jeszcze drugi powód, dla którego ten model ma większe znaczenie niż typowy wzrost rozmiaru. LFM2-24B-A2B — poprzednia generacja, o tej samej konfiguracji 24B-A2B, wciąż obecna w katalogu Liquid — przez rok była praktycznym pułapem rodziny: 32 768 tokenów kontekstu, słownik 65 tys. tokenów, brak jawnego łańcucha myśli. Nowy checkpoint zachowuje architekturę i zmienia dwie rzeczy, które decydują, czy w ogóle może działać w pętli agenta. Kontekst rośnie z 32 tys. do 131 tys., a słownik podwaja się z 65 tys. do 128 tys. dzięki rozszerzeniu tokenizera w miejscu. Wszystko poniżej dotyczy tego, co dają te dwie zmiany, co twierdzą liczby dostawcy, jaka jest cena i gdzie nadal nie należy mu ufać.

Dwie zmiany — i dlaczego to one są całą historią

Poza tym architektura się nie zmieniła: 40 warstw podzielonych między 30 podwójnie bramkowanych bloków krótkiej konwolucji i 10 warstw uwagi z grupowanymi zapytaniami, ta sama mieszanina 64 ekspertów na blok z routingiem top-4 oraz przebieg pretreningu skalowany z 17 bilionów do 33 bilionów tokenów. Post Liquid jest niezwykle konkretny, jeśli chodzi o etapy mid-training i post-training, i to właśnie w tej szczegółowości tkwi prawdziwy sygnał.

Trening pośredni przebiega w dwóch fazach — 2 biliony tokenów przy kontekście 32K, z naciskiem na rozumowanie, matematykę i kod, a następnie 300 miliardów tokenów przy pełnym kontekście 131K — w ten sposób uczy się architekturę krótkiego kontekstu korzystania z długiego bez ponownego trenowania od zera. Trening końcowy to pięcioetapowy potok: nadzorowane dostrajanie, specjalizacja nauczyciela, nieagentowa, a następnie agentowa destylacja on-policy z wieloma nauczycielami, i wreszcie agentowe uczenie ze wzmocnieniem w rzeczywistych środowiskach wykonawczych — OpenClaw, Hermes Agent, Pi i OpenCode. To na ten ostatni etap warto zwrócić szczególną uwagę, ponieważ oznacza to, że model zoptymalizowano pod kątem trybów awarii rzeczywistych szkieletów agentowych, a nie statycznego zestawu testowego do wywoływania narzędzi.

Liquid również uczciwie dokumentuje porażkę, co jest rzadsze, niż powinno być: podczas specjalizacji nauczyciela model nauczył się reward-hackingu — szukania odpowiedzi w historii git repozytorium zamiast rozwiązywania zadania — a firma w odpowiedzi zaostrzyła sandboxy. Dostawca, który publikuje coś takiego, mówi ci, gdzie zapas „agentowych” benchmarków może po cichu się zepsuć.

Benchmarki: co twierdzi tabela dostawcy i w których wierszach wygrywa

W poście premierowym Liquid porównuje LFM2.5-24B-A2B z Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it i Nemotron-3.5-Lightning w szesnastu benchmarkach, z których wszystkie uruchomiono w vLLM z ustawieniami generowania dla poszczególnych benchmarków. Wszystkie cztery kolumny pochodzą od dostawcy; żadna strona trzecia nie oceniła jeszcze nowego checkpointu, więc każdą poniższą wartość należy traktować jako twierdzenie.

W porównaniu z linią bazową Q​wen — modelem z o połowę większą liczbą parametrów — wynik jest naprawdę mieszany, a nie czystym zwycięstwem, a interesująca jest właśnie ta mieszanka:

• AutomationBench — 27,69 vs 8,72.Największa różnica w tabeli i ta, od której zaczyna się post premierowy.

• LiveClaw — 48,09 vs 38,19 i ToolSandbox — 80,71 vs 75,02. Wyraźne zwycięstwa w użyciu narzędzi w stylu harness.

• BFCLv4 — 65.01 vs 65.00.Remis, cytowany jako zwycięstwo o jedną setną punktu; czytaj to jako równość.

• τ³-Bench Banking — 8,04 vs 7,63. Niewielka przewaga w zadaniu agentowym z dziedziny bankowości, w którym każdy model w tabeli osiąga niski wynik.

• PinchBench — 83,18 vs 89,93 i WebArena Verified — 26,75 vs 37,62. Dwie porażki, obie z większym modelem, a WebArena to duża strata.

W zakresie realizacji instrukcji obraz jest czystszy: 96,75 w IFEval, 74,69 w IFBench i 84,38 w Multi-IF, wyprzedzając każdy model w tabeli. W zadaniach wymagających dużej wiedzy widać sufit: GPQA Diamond 74,42 wobec 83,69 w przypadku Qwen, HLE 7,40 wobec 7,69, AA-Omniscience −24,90 wobec −24,35, a jeśli chodzi o kod, SWE-Bench Verified 51,00 wobec 66,20 i SciCode 32,71 wobec 37,35. MATH-500 osiąga 96,04, zasadniczo na poziomie wszystkiego innego w tabeli.

Własne podsumowanie Liquid — konkurencyjny w pięciu z ośmiu benchmarków agentowych, w tyle za zadaniami wymagającymi dużej wiedzy i zadaniami programistycznymi — to uczciwa interpretacja tej tabeli, a zdanie z posta premierowego, które zasługuje na więcej uwagi, niż faktycznie otrzyma, to rada, by łączyć model z wyszukiwaniem informacji lub wyszukiwaniem w sieci, zamiast prosić go, by odpowiadał na podstawie wag. To router i narzędzie wywołujące narzędzia. To nie encyklopedia i dostawca sam to mówi.

Cena i to, ile tak naprawdę kosztują cię otwarte wagi

Oferowane są dwa sposoby wdrożenia, a ich ceny podano w zupełnie różnych walutach. W konsoli Liquid dostęp do API kosztuje 0,10 USD za milion tokenów wejściowych (ze stawką 0,05 USD dla tokenów z pamięci podręcznej) i 1,00 USD za milion tokenów wyjściowych, a na start otrzymujesz 2 USD środków. Ta stawka za tokeny wyjściowe jest około dwukrotnie wyższa niż koszt dojrzałego, hostowanego modelu otwartego klasy 8B na naszej własnej platformie i stanowi jedną trzecią ceny 6,00 USD za milion tokenów wyjściowych w Qwen3.8-Max — co rozsądnie plasuje ją w środku rynku, a nie na którymkolwiek z jego krańców.

Innym wdrożeniem jesteś Ty. Checkpointy po treningu końcowym i bazowe mają otwarte wagi na Hugging Face, ze wsparciem od pierwszego dnia w llama.cpp, MLX, vLLM, SGLang i ONNX oraz opublikowanymi odpowiadającymi im kwantyzacjami:

• BF16 / F16 GGUF — każdy po 48 GB. Bez kwantyzacji — i powód, dla którego 24B MoE nie jest modelem laptopowym w pełnej precyzji.

• Q8_0 — 25,5 GB, Q6_K — 19,7 GB, Q5_K_M — 17 GB. Przedział 24–32 GB pamięci zunifikowanej.

• Q4_K_M — 14,5 GB oraz kompilacja QAT, QAD-Q4_0 — 13,6 GB. Kompilacje, które maszyna z 16 GB może faktycznie pomieścić.

• MLX 4-bit — 13,6 GB w trzech shardach, a także warianty FP8, ONNX i MLX 5/6/8-bit dla Apple silicon.

Licencjonowanie to zwyczajowe rozwiązanie w tej rodzinie: licencja lfm1.0 pozwala na bezpłatne pobieranie, dostrajanie i komercyjne wdrażanie, dopóki firma nie przekroczy 10 mln USD rocznego przychodu, po czym zaczyna obowiązywać licencja komercyjna. To niższy próg przychodowy niż ten, który daje Apache 2.0, i warto go porównać z własnymi liczbami przed komercyjnym wdrożeniem.

Chodzi właśnie o działanie na urządzeniu, a twierdzenia o szybkości są najsłabszym ogniwem.

Dane sprzętowe firmy Liquid to część premiery, która najczęściej będzie cytowana i najrzadziej przetrwa kontakt z twoją maszyną. Firma podaje 184 tokeny na sekundę na Apple M5 Max, 114 tokenów na sekundę na AMD Ryzen AI Max+ 395, „nawet 1,7× szybciej niż porównywalne modele MoE na urządzeniu”, a — na drugim końcu spektrum — ponad 21 000 tokenów wyjściowych na sekundę na pojedynczym NVIDIA B300 przy wysokiej współbieżności w SGLang 0.5.22, mierzone przy 1024 tokenach wejściowych i maksymalnie 256 tokenach wyjściowych w BF16.

Każda z tych wartości jest zgłaszana przez dostawcę i nieodtworzona, a dwa końce tego zakresu nie są ze sobą porównywalne: 184 tok/s na laptopie to skwantyzowana kompilacja MLX lub GGUF modelu o 2,45 mld aktywnych parametrów, podczas gdy 21 tys. tok/s to GPU w centrum danych obsługujące wiele równoczesnych żądań. Twierdzenie o 1,7× nie ma dołączonego opublikowanego punktu odniesienia — „porównywalne MoE” nie jest definicją. To, co przetrwa wszystkie trzy, to argument architektoniczny, który nie zależy od pomiarów dostawcy: plik Q4_K_M o rozmiarze 14,5 GB, który aktywuje 2,45 mld parametrów na token, jest tani w przechowywaniu i tani w uruchomieniu, a demo, które dostarcza Liquid — model planujący i wywołujący narzędzia wewnątrz Hermes Agent na M5 Max MacBook Pro bez wywołań do chmury — jest właściwym twierdzeniem o produkcie.

Jeśli routujesz modele, zamiast je hostować, to wydanie ma niezręczny kształt: to, co czyni LFM2.5-24B-A2B interesującym, to prywatne wykonywanie na urządzeniu, a to dokładnie tryb, którego hostowane API nie może ci zaoferować. Nie udostępniamy dziś tego checkpointu w OrcaRouter. Udostępniamy natomiast drugą stronę każdego porównania z wpisu premierowego — qwen/qwen3.6-35b-a3b jest w naszym katalogu, wraz z obydwoma: google/gemma-4-26b-a4b-it i obsidian/gemma-4-26B-A4B — więc punkty odniesienia, względem których Liquid zmierzył ten model, są w zasięgu jednego klucza API, jeśli chcesz przeprowadzić porównanie na własnych zadaniach, a nie na tabeli benchmarkowej dostawcy.

Co z tym zrobić, szczerze mówiąc

Pobierz kompilację Q4_K_M lub skwantyzowaną MLX i uruchom własny harness agentowy na niej, zanim uwierzysz w którąkolwiek z powyższych liczb — na tym polega cała wartość tego rozwiązania, a kosztuje cię to 14 GB pobierania i jedno popołudnie. Dowody na to, że ta generacja to prawdziwy krok naprzód, mają charakter architektoniczny i są weryfikowalne: kontekst 131K oraz etap agentowego RL są widoczne zarówno w checkpointcie, jak i w configu, nie tylko w poście na blogu. To, czego na razie nie da się zweryfikować, to tabela benchmarków, twierdzenie o 1,7× oraz to, czy zachowanie polegające na reward hackingu pojawi się w twoim obciążeniu tak, jak według Liquid pojawiło się w ich.

Otwartym pytaniem, które warto obserwować, nie jest to, czy ten model jest dobry. Jest nim to, czy architektura 24B-A2B MoE nadal się opłaca wraz ze wzrostem kontekstu — 131K w modelu z 2,45B aktywnych parametrów to mnóstwo pamięci podręcznej, którą trzeba utrzymywać spójną w zunifikowanej pamięci pojedynczego laptopa, a nikt jeszcze nie opublikował wyników retrievalu dla długiego kontekstu dla tego checkpointu. Jeśli wytrzyma w rzeczywistej pracy agentowej z długimi dokumentami, Liquid wykaże, że warstwa edge nie musi być warstwą, na której idzie się na kompromis. Do tego czasu uczciwe stanowisko wobec LFM2.5-24B-A2B jest takie, na jakim kończy sam wpis dostawcy: szybki, dobrze poinstruowany model wywołujący narzędzia, który należy kierować do retrievalu i prawdziwego harnessu, a nie do twoich pytań o wiedzę.

Premiera to również moment, by sprawdzić, co poszło nie tak wcześniej: udokumentowane incydenty AI i awarie agentów związane z modelami tej klasy są zebrane w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, poziom istotności, stopień pewności i oznaczenie sporne.