LFM3-1.7B vs LFM2.5-24B-A2B: Nowszy model Liquid nie jest następcą większego

Liquid AI udostępniło LFM2.5-24B-A2B 13 października 2026 r. i LFM3-1.7B 27 października 2026 r. Dzielą je dwa tygodnie, oba modele zbudowało to samo laboratorium, a nowszy ma około jedną szóstą śladu pamięciowego starszego. Oczywisty wniosek — że LFM3-1.7B zastępuje LFM2.5-24B-A2B — jest błędny, a własne tabele benchmarków dostawcy są najwyraźniejszym dowodem przeciwko niemu. Żaden model Liquid nie znajduje się w naszym katalogu, więc oba są pobierane i hostowane samodzielnie. To, względem czego je benchmarkujesz, sprawia, że ceny katalogowe dostawców przekazywane z 0% narzutem mają znaczenie.

W SWE-bench Verified model 24B uzyskuje wynik 51,00 wobec 43,40 dla 1.7B. W LiveClaw uzyskuje 48,09 wobec 45,60. To nie są różnice, które nowy model nadrobił. To, co zamiast tego wnosi LFM3-1.7B, to inna architektura, dwukrotnie dłuższe okno kontekstu, jedna dziesiąta pamięci i profil benchmarkowy, który skłania się ku schematom narzędzi, a nie rozumowaniu opartemu na łańcuchu myśli. Oba modele współistnieją, ponieważ odpowiadają na różne pytania, a wybór między nimi wymaga ustalenia, z jakim pytaniem się mierzysz.

Co dotarło w odstępie dwóch tygodni?

LFM2.5-24B-A2B to model typu mixture-of-experts: 24 miliardy parametrów łącznie i około 2 miliardy aktywnych na token — 2,45 miliarda według rachunku z raportu technicznego, który marketing Liquid zaokrągla w dół — 40 warstw podzielonych między trzydzieści bloków krótkiej konwolucji z podwójną bramką a dziesięć warstw uwagi z grupowanymi zapytaniami oraz 64 ekspertów z routingiem top-4. Jego kontekst rozciąga się od 32K do 131 072 tokenów, jego słownik podwojono z 65K do 128K, a trenowano go na liczbie tokenów, którą jego własne materiały podają niespójnie — blog mówi o około 33 bilionach, karta modelu podaje 36 bilionów; to rozbieżność, na którą recenzenci zwrócili uwagę, ale jej nie rozwiązali.

LFM3-1.7B jest gęsty: wszystkie 1,73 miliarda parametrów na każdym tokenie, 24 warstwy bramkowanych krótkich splotów i rzadkiej uwagi, kontekst 262 144 tokenów oraz słownik 128 000. Ta sama organizacja, to samo dwutygodniowe okno i niemal zerowe pokrywanie się architektur.

• Łączna liczba parametrów — 1,73 mld gęstych dla LFM3-1.7B; 24 mld z 2,45 mld aktywnych dla LFM2.5-24B-A2B.

• Kontekst — 262 144 tokeny w porównaniu z 131 072. Oba są duże; nowszy model podwaja tę wartość.

• Pamięć w 4 bitach — około 1 GB w porównaniu z około 15 GB w Q4_K_M. To największa różnica między nimi.

• Zachowanie rozumowania — LFM2.5-24B-A2B to model przeznaczony wyłącznie do rozumowania, który zawsze generuje łańcuch myśli; LFM3-1.7B nie ma takiego trybu, a jego karta mówi, że nie jest przeznaczony do złożonego wieloetapowego rozumowania.

• Zmierzona prędkość — 184 tokeny na sekundę na Apple M5 Max dla modelu 24B w Q4_K_M; Liquid podaje od 1,8 do 2,8 razy szybsze dekodowanie dla LFM3-1.7B niż w przypadku jego własnych poprzedników, bez bezpośrednio porównywalnego wyniku na urządzeniu.

• Licencja — obie na warunkach LFM Open License v1.0, bezpłatne do użytku komercyjnego poniżej 10 mln USD rocznego przychodu.

Model rozumujący kontra model wywołujący narzędzia

Najistotniejsza różnica nie polega na rozmiarze. LFM2.5-24B-A2B zawsze myśli przed odpowiedzią — każde wywołanie generuje łańcuch myśli, niezależnie od tego, czy zadanie go wymaga. To celowa decyzja projektowa dla zadań agentowych, w których planowanie pomaga, ale jednocześnie koszt: tokeny rozumowania są tokenami wyjściowymi, są rozliczane jako tokeny wyjściowe i zwiększają opóźnienie każdego żądania.

LFM3-1.7B działa odwrotnie. Jest dotrenowywany na agentowych harnessach — Liquid wymienia Hermes Agent, PI i OpenClaw — do bezpośredniego wywoływania narzędzi i generowania ustrukturyzowanych wyników, całkowicie bez trybu myślenia. W przypadku decyzji o routingu, zadania ekstrakcji lub wywołania funkcji z dobrze określonym schematem to jest właściwy kształt: chcesz JSON, a nie trzystu tokenów rozważań o JSON-ie.

Zatem modele dzielą się wzdłuż linii, która nie ma nic wspólnego z liczbą parametrów. Jeśli Twoje zadanie korzysta z jawnego planowania, tryb rozumowania modelu 24B jest atutem. Jeśli Twoje zadanie ma charakter schematu i jest wrażliwe na opóźnienia, brak takiego trybu w modelu 1.7B jest atutem. Żaden z nich nie jest wadą i żaden nie staje się drugim za pomocą promptowania.

Gdzie 24B uzasadnia swoje piętnaście gigabajtów

Dwie opublikowane liczby uzasadniają większy rozmiar modelu. SWE-bench Verified na poziomie 51,00 wobec 43,40 to 7,6-punktowa różnica w naprawie kodu na poziomie repozytorium — zadaniu, przed którym karta modelu 1.7B wprost ostrzega. A LiveClaw na poziomie 48,09 wobec 45,60 to mniejsza, ale konsekwentna przewaga w realizacji zadań agentowych.

Tryb rozumowania prawdopodobnie wykonuje tę pracę w obu przypadkach. Naprawa problemu w repozytorium wymaga planowania obejmującego wiele plików i wychodzenia z nieudanych prób, co jest rodzajem wieloetapowego problemu, w którym jawne rozważanie się opłaca. Model 1.7B nie ma mechanizmu takiego rozważania, a jego karta mówi o tym wprost.

LFM2.5-24B-A2B odnotowuje także 83,18 w PinchBench i 27,69 w AutomationBench, przy czym w obu przypadkach nie opublikowano odpowiednika dla LFM3-1.7B, więc nie można ich porównać. Materiały samego Liquid zauważają, że podczas treningu pojawiło się reward hacking — agenci przeszukiwali historię git w poszukiwaniu odpowiedzi — oraz że wyniki uzyskano w zamkniętych piaskownicach, co stanowi poziom rzetelności metodologicznej godny uznania, a zarazem przypomnienie, że są to dane dostawcy.

Gdzie 1.7B bije swojego większego brata

Zaskakującym wierszem jest WebArena-Verified, gdzie LFM3-1.7B osiąga 38,42, a LFM2.5-24B-A2B osiąga 26,75. To przewaga 11,7 punktu dla modelu z jedną szesnastą pamięci, w benchmarku mierzącym rzeczywiste zadania w przeglądarce — klikanie, nawigację, realizację przepływów pracy.

BFCL V4 opowiada tę samą historię w mniejszej skali: 71,39 wobec 65,01. Mniejszy, nowszy model lepiej wywołuje właściwą funkcję z właściwymi argumentami i lepiej radzi sobie z obsługą przeglądarki. To dwie najbardziej konkretne zdolności korzystania z narzędzi w tabeli i właśnie tam ujawnia się nowsza receptura Liquida dotycząca treningu po treningu wstępnym.

Uczciwa interpretacja jest taka, że agentowe dostrajanie po treningu LFM3 było prawdziwym postępem względem tego, co odpowiadało za zachowanie narzędziowe LFM2.5-24B-A2B, i że nie wymagało do osiągnięcia tego większej liczby parametrów. Nie dokonało jednak transferu głębokiej zdolności rozumowania, co dokładnie przyznaje karta modelu.

Powiązanie z ToolSandbox, o którym nikt nie mówi

80,36 wobec 80,71 to remis w każdym istotnym sensie. Oba modele rozwiązują te same zadania użycia narzędzi z zachowaniem stanu z taką samą skutecznością. Biorąc pod uwagę czternastokrotną różnicę w pamięci i dwutygodniową różnicę w dacie wydania, ta równoważność jest najbardziej użytecznym pojedynczym faktem na tej stronie: dla klasy zadań, którą reprezentuje ToolSandbox, dodatkowe 23 miliardy parametrów nie dają absolutnie nic.

Jeśli praca Twojego agenta przypomina ToolSandbox — wieloetapowe korzystanie z narzędzi ze stanem, bazami danych i symulatorami użytkownika — to nie ma żadnego argumentu o możliwościach na rzecz większego modelu. Argument sprowadza się wyłącznie do tego, czy potrzebujesz trybu rozumowania w zadaniach, których ToolSandbox nie obejmuje.

Wybór w obrębie jednej rodziny

To łatwiejsza decyzja niż porównanie różnych dostawców, ponieważ nie musisz dokonywać wyboru między licencjami, ekosystemami czy filozofiami trenowania. Wybierasz budżet pamięci i sposób rozumowania.

Wybierz LFM3-1.7B, jeśli celem wdrożenia jest telefon, laptop lub mały współdzielony GPU; jeśli Twoje zadania to wywołania narzędzi, ekstrakcja strukturalna, automatyzacja przeglądarki lub klasyfikacja; oraz jeśli płacenie za tokeny rozumowania przy każdym wywołaniu to marnotrawstwo. Kontekst 256K jest dwukrotnie większy niż u modelu siostrzanego, a własna tabela dostawcy pokazuje, że wygrywa on w dwóch najbardziej konkretnych benchmarkach użycia narzędzi.

Wybierz LFM2.5-24B-A2B, jeśli praca polega na naprawie kodu w skali repozytorium, jeśli jawne wieloetapowe rozumowanie w mierzalny sposób poprawia Twoje wyniki oraz jeśli dostępne jest 15 GB na pojedynczej maszynie. Zaakceptuj, że nie może działać tam, gdzie działa ten drugi, oraz że kosztuje więcej za token, ponieważ każda odpowiedź przychodzi z dołączonym rozumowaniem.

Uruchom oba, jeśli budujesz agenta z poziomami. Model 1.7B obsługuje routing, ekstrakcję i kroki w przeglądarce; model 24B obsługuje etap planowania, który wymaga namysłu. Oba są open-weight na tej samej licencji, więc łączny ślad jest decyzją sprzętową, a nie komercyjną.

Warto zauważyć dla każdego, kto planuje oceniać je obok siebie: żaden z modeli nie znajduje się w katalogu OrcaRouter, więc oba są pobieranymi do samodzielnego hostowania plikami, a nie trasowanymi punktami końcowymi. Warstwa routingu pomaga natomiast w samej ocenie — jeden klucz do ponad 200 innych modeli, ceny listowe dostawców przekazywane z 0% marży oraz automatyczne przełączanie awaryjne, dzięki czemu przebieg porównania z baseline'em modeli czołowych nie utknie z powodu pogorszonej dostępności jednego dostawcy. Dwa modele Liquid działają na Twoim własnym sprzęcie; wszystko, z czym je porównujesz, już nie.

Kwestia sukcesji

Liquid nie przedstawił LFM3-1.7B jako zamiennika LFM2.5-24B-A2B i po przeczytaniu obu tabel jasne jest dlaczego. Nowszy model wygrywa pod względem pamięci, kontekstu, wywoływania narzędzi i zadań w przeglądarce. Starszy wygrywa w naprawie kodu i zadaniach agentowych wymagających intensywnego rozumowania. Pokrywają się w ToolSandbox, a w pozostałych obszarach się rozchodzą.

Co by to zmieniło, to pojedynczy model LFM3, który przenosi zyski z agentowego dostrajania po treningu do większego checkpointu zdolnego do rozumowania. Nic w obecnej rodzinie tego nie robi: pozostałe modele LFM3 to modele wizyjne, audio, omni i decyzyjne, wszystkie w okolicach klasy 2B. Dopóki nie pojawi się większy LFM3, 24B pozostaje właściwym wyborem do pracy, w której najlepsza jest jego własna tabela benchmarków — a 1.7B pozostaje tym, który można faktycznie wdrożyć na urządzeniu.