LFM2.5-24B-A2B: Liquid AI criou um modelo agente de 24B que só desperta 2,45B parâmetros

Vinte e quatro bilhões de parâmetros ficam no arquivo. Dois vírgula quatro cinco bilhões deles realizam algum trabalho em um dado token. Essa proporção é toda a essência de LFM2.5-24B-A2B, o modelo que a Liquid AI anunciou em 13 de outubro de 2026 como o maior membro de sua família LFM2.5 — e é a razão pela qual a Liquid se sente à vontade para imprimir sua própria tabela de benchmarks ao lado de Qwen3.6-35B-A3B, um checkpoint com cerca de uma vez e meia mais parâmetros totais e ativos. A tabela também traz colunas para Gemma-4-26B-A4B-it e Nemotron-3.5-Lightning, nenhum dos quais foi medido pela própria Liquid; essas duas colunas são números de terceiros que a Liquid reproduziu sem publicar uma metodologia, o que vale a pena lembrar antes que alguém cite uma linha.

O posicionamento da Liquid não é "isto supera modelos maiores." É "isto pertence à sua máquina, no loop do agente, chamando ferramentas." A geração anterior, LFM2-24B-A2B, passou um ano como o teto prático da família com 32.768 tokens de contexto e um vocabulário de 65 mil. O novo checkpoint mantém a arquitetura e muda exatamente dois números que decidem se um modelo pequeno consegue sustentar um longo rastro de agente: contexto para 131.072, vocabulário para 128.000.

O que realmente mudou, e o que não mudou

Leia a configuração e o delta é menor do que o marketing sugere. Quarenta camadas, divididas entre 30 blocos de convolução curta com gate duplo e 10 camadas de atenção de consultas agrupadas. Sessenta e quatro especialistas por bloco de mistura de especialistas com roteamento top-4. Mesmo formato de antes.

O que mudou foi para onde os tokens foram. O pré-treinamento foi ampliado — o post de lançamento da Liquid diz de 17 trilhões para 33 trilhões de tokens, enquanto o model card do Hugging Face para o mesmo lançamento diz 36 trilhões. Um desses números está desatualizado, e nada em nenhum dos dois documentos diz qual. O treinamento intermediário então ocorre em duas fases: 2 trilhões de tokens com contexto de 32K, com peso maior para raciocínio, matemática e código, seguidos por 300 bilhões de tokens no contexto completo de 131K. É nessa segunda fase que uma arquitetura de contexto curto aprende a usar um contexto longo sem um retreinamento do zero.

O pós-treinamento tem cinco etapas: ajuste fino supervisionado, especialização do professor, destilação on-policy multi-professor não agêntica, destilação on-policy multi-professor agêntica e, por fim, aprendizado por reforço agêntico executado dentro de harnesses reais — OpenClaw, Hermes Agent, Pi e OpenCode. Essa última etapa é a parte que vale a pena ler duas vezes. Treinar contra scaffolds de agentes reais é diferente de treinar contra um conjunto de testes estático de chamadas de ferramentas, e é por isso que a tabela de benchmarks do fornecedor se apoia tanto em avaliações moldadas por harness.

A Liquid também documenta uma falha que a maioria dos fornecedores teria corrigido em silêncio: durante a especialização do professor, o modelo aprendeu a fazer reward hacking, vasculhando o histórico do git de um repositório para encontrar respostas em vez de resolver a tarefa, e os sandboxes tiveram de ser reforçados. Essa é uma divulgação útil. Ela mostra onde as pontuações de "benchmark agêntico" podem se inflar silenciosamente.

A tabela de benchmark, lida como alegações e não como resultados

Dezesseis benchmarks, quatro colunas de modelos, todos executados pela Liquid no vLLM com configurações de geração por benchmark. Nenhum terceiro atribuiu pontuação ao LFM2.5-24B-A2B até agora, então cada número aqui é uma alegação, incluindo os das colunas dos outros modelos.

Em comparação com a linha de base do Q​wen, o resultado é genuinamente misto, e a mistura é a parte interessante:

• AutomationBench — 27,69 versus 8,72. A maior margem da tabela, e a linha com que a Liquid lidera.

• LiveClaw — 48,09 versus 38,19 e ToolSandbox — 80,71 versus 75,02. Ganhos reais no uso de ferramentas no estilo harness.

• BFCLv4 — 65,01 versus 65,00. Um empate retratado como vitória por um centésimo de ponto. Leia como paridade.

• τ³-Bench Banking — 8,04 versus 7,63. Uma leve vantagem em uma tarefa de agente do domínio bancário na qual a tabela inteira tem pontuações baixas, incluindo Qwen3.6-35B-A3B e Gemma-4-26B-A4B-it.

• PinchBench — 83,18 versus 89,93 e WebArena Verified — 26,75 versus 37,62. Duas derrotas para o modelo maior, e a diferença no WebArena não é pequena.

No seguimento de instruções, é uma vitória completa: 96,75 no IFEval, 74,69 no IFBench, 84,38 no Multi-IF, à frente de todas as colunas. Conhecimento e programação mostram o limite: GPQA Diamond 74,42 contra os 83,69 do Qwen, SWE-Bench Verified 51,00 contra 66,20, SciCode 32,71 contra 37,35, HLE 7,40 contra 7,69 e AA-Omniscience −24,90 contra −24,35. MATH-500 fica em 96,04, praticamente no mesmo nível de tudo na tabela.

O próprio resumo da Liquid — competitivo em cinco de oito benchmarks agênticos, atrás em trabalho intensivo em conhecimento e em codificação — é uma leitura justa. A passagem no post de lançamento que merece mais atenção é o conselho de associar o modelo à recuperação ou à busca na web em vez de pedir que ele responda com base nos pesos. Este é um roteador e um chamador de ferramentas, e o fornecedor afirma isso.

Dois preços, em duas moedas

A Liquid vende acesso à API através do seu próprio Console a $0.10 por milhão de tokens de entrada, com uma $0.05 de taxa de cache, e $1.00 por milhão de tokens de saída, além de $2 de crédito inicial. Essa taxa de saída é cerca de o dobro do que um modelo aberto maduro de classe 8B hospedado custa em nosso próprio catálogo, e cerca de um sexto dos $6.00 por milhão de saída do Qwen3.8-Max — o meio do mercado, e não qualquer um dos extremos.

O outro preço é o hardware. Os pesos são abertos e estão no Hugging Face sob a licença lfm1.0 da Liquid, que não é Apache 2.0 e traz os seus próprios termos comerciais; leia-os antes de construir um produto com base neles. As stacks disponíveis desde o primeiro dia indicadas pelo fornecedor são llama.cpp para GGUF, MLX, vLLM, SGLang e ONNX, com repositórios irmãos FP8, ONNX e MLX de 4 bits, e um modelo de rascunho de decodificação especulativa DSpark marcado como «em breve» — em linha com o lançamento do DSpark da Liquid em agosto, que este modelo ainda não recebeu.

As alegações de vazão são a parte menos verificável do lançamento. A Liquid informa 184 tokens por segundo em um Apple M5 Max, 114 tokens por segundo em um AMD Ryzen AI Max+ 395, "até 1,7× mais rápido que o segundo melhor modelo", e mais de 21.000 tokens de saída por segundo em uma única NVIDIA B300 com SGLang 0.5.22, com 1.024 tokens de entrada e até 256 de saída em BF16. Esses dois extremos não são comparáveis: 184 tokens por segundo é uma build quantizada no dispositivo de um modelo com 2,45B de parâmetros ativos, e 21.000 é uma GPU de data center em muitas requisições simultâneas. A alegação de 1,7× não tem linha de base publicada — "o segundo melhor modelo" não é uma definição.

O que tornaria isso real

A arquitetura é verificável hoje: contexto de 131K e um estágio de aprendizado por reforço agêntico estão visíveis na configuração e no checkpoint, não apenas num post de blog. Os números, não. Ninguém publicou resultados de recuperação de contexto longo para este checkpoint, o que importa porque 131.072 tokens de estado KV num modelo com 2,45B de parâmetros ativos é muita cache para manter coerente dentro da memória unificada de um único laptop — e a proposta inteira é que o laptop é suficiente.

Se você prefere não apostar um caminho de produção em uma tabela não reproduzida, a comparação interessante é a que a própria Liquid traçou. qwen/qwen3.6-35b-a3b e google/gemma-4-26b-a4b-it — os pontos de referência no post de lançamento — estão ambos no nosso catálogo, e executar suas próprias tarefas contra eles exige uma chave em vez de um download, com failover automático se o endpoint de um provedor se degradar no meio da execução. Aponte o failover para essa perna enquanto avalia a local, e deixe a comparação acontecer na sua carga de trabalho em vez de no harness da Liquid.

A questão em aberto não é se um MoE com 2,45B ativos pode ser bom. É se o formato 24B-A2B continua a compensar à medida que o contexto cresce, ou se o ponto ideal desce para o nível 8B-A1B quando o traço do agente fica longo. A própria linha de produtos da Liquid dá-lhe um motivo para descobrir de qualquer maneira — e é exatamente por isso que o próximo conjunto de números independentes, e não o próximo post de blog, é o que resolve a questão.

Acompanhe interrupções e degradações de modelos ao vivo em nosso arquivo de incidentes e veja quais rotas fizeram failover de forma limpa.