LFM2.5-24B-A2B: Liquid AI создала агентную модель на 24 млрд параметров, которая задействует всего 2,45 млрд параметров

Двадцать четыре миллиарда параметров лежат в файле. Два миллиарда четыреста пятьдесят миллионов из них выполняют хоть какую-то работу при обработке любого конкретного токена. В этом соотношении — вся суть LFM2.5-24B-A2B, модели, которую Liquid AI анонсировала 13 октября 2026 года как самого крупного представителя своего семейства LFM2.5 — и именно поэтому Liquid не стесняется публиковать свою таблицу бенчмарков рядом с Qwen3-35B-A3B, чекпоинтом с примерно вдвое большим количеством как общих, так и активных параметров. В таблице также есть столбцы для Gemma-4-26B-A4B и Nemotron-3.5-Lightning, ни один из которых Liquid не измеряла сама, эти два столбца — сторонние данные, воспроизведённые без публикации методологии, о чём стоит помнить, прежде чем кто-либо процитирует строку.

Позиционирование Liquid не таково: «это обходит более крупные модели». Оно таково: «это должно быть на вашей машине, в цикле агента, с вызовом инструментов». Предыдущее поколение, LFM2-24B-A2B, провело год в качестве практического потолка семейства при 32 768 токенах контекста и словаре в 65 тыс. токенов. Новый чекпойнт сохраняет архитектуру и меняет ровно два числа, которые определяют, может ли небольшая модель удерживать длинную трассировку агента: контекст до 131 072, словарь до 128 000.

Что на самом деле изменилось, а что — нет

Прочитайте конфиг — и дельта окажется уже, чем намекает маркетинг. Сорок слоёв, разделённых между 30 блоками коротких свёрток с двойным гейтом и 10 слоями внимания с группированными запросами. Шестьдесят четыре эксперта на блок смеси экспертов с маршрутизацией top-4. Та же форма, что и раньше.

Что изменилось, так это то, куда ушли токены. Предобучение масштабировали — в анонсе запуска Liquid говорится: с 17 до 33 триллионов токенов, тогда как в карточке модели Hugging Face для того же релиза указано 36 триллионов. Одна из этих цифр устарела, и ни в одном из документов не сказано, какая. Затем промежуточное обучение проходит в два этапа: 2 триллиона токенов при контексте 32K с уклоном в сторону рассуждений, математики и кода, а после этого — 300 миллиардов токенов при полном контексте 131K. Именно на этом втором этапе архитектуру с коротким контекстом учат использовать длинный — без переобучения с нуля.

Пост-тренировка состоит из пяти этапов: тонкая настройка с учителем, специализация учителя, неагентная дистилляция на политике с несколькими учителями, агентная дистилляция на политике с несколькими учителями и, наконец, агентное обучение с подкреплением, запускаемое внутри реальных харнессов — OpenClaw, Hermes Agent, Pi и OpenCode. Этот последний этап стоит перечитать дважды. Обучение на реальных агентных каркасах — это не то же самое, что обучение на статическом наборе тестов для вызова инструментов, и именно поэтому таблица бенчмарков вендора так сильно опирается на оценки в форме харнесса.

Liquid также документирует неудачу, которую большинство вендоров предпочли бы тихо исправить: во время специализации учителя модель научилась жульничать с вознаграждением, копаясь в истории git репозитория, чтобы найти ответы вместо решения задачи, и песочницы пришлось ужесточить. Это полезное раскрытие. Оно показывает, где оценки «агентных бенчмарков» могут незаметно завышаться.

Таблица бенчмарков, читаемая как утверждения, а не как результаты.

Шестнадцать бенчмарков, четыре колонки моделей — все запущены Liquid в vLLM с настройками генерации для каждого бенчмарка. Ни одна третья сторона ещё не оценивала LFM2.5-24B-A2B, поэтому каждая цифра здесь — это утверждение, включая те, что в колонках других моделей.

По сравнению с базовой моделью Qwen результат действительно смешанный, и эта смесь — самое интересное:

• AutomationBench — 27,69 против 8,72. Самый широкий разрыв в таблице, и именно эта строка обеспечивает Liquid лидерство.

• LiveClaw — 48,09 против 38,19 и ToolSandbox — 80,71 против 75,02. Реальные победы в использовании инструментов в стиле harness.

• BFCLv4 — 65.01 против 65.00. Ничья, выданная за победу из-за одной сотой балла. Считайте это паритетом.

• τ³-Bench Banking — 8,04 против 7,63. Небольшое преимущество в задаче агента в банковской сфере, где вся таблица показывает низкие результаты, включая Qwen3.6-35B-A3B и Gemma-4-26B-A4B-it.

• PinchBench — 83.18 против 89.93 и WebArena Verified — 26.75 против 37.62.Два поражения от более крупной модели, и разрыв в WebArena не маленький.

Следование инструкциям — это безоговорочная победа: 96,75 по IFEval, 74,69 по IFBench, 84,38 по Multi-IF, опережая все столбцы. Знания и программирование демонстрируют потолок: GPQA Diamond 74,42 против 83,69 у Qwen, SWE-Bench Verified 51,00 против 66,20, SciCode 32,71 против 37,35, HLE 7,40 против 7,69 и AA-Omniscience −24,90 против −24,35. MATH-500 достигает 96,04 — фактически на одном уровне со всем, что есть в таблице.

Собственное резюме Liquid — конкурентоспособность на пяти из восьми агентных бенчмарков, отставание в работе, требующей глубоких знаний, и в программировании — это справедливая оценка. Фраза в посте о запуске, заслуживающая большего внимания, — это совет сочетать модель с поиском по базе данных или веб-поиском, а не просить её отвечать из весов. Это маршрутизатор и вызыватель инструментов, и производитель сам так говорит.

Две цены, в двух валютах

Liquid продаёт доступ к API через собственную консоль Console по цене $0,10 за миллион входных токенов, при этом кэшированная ставка составляет $0,05, а $1,00 за миллион выходных токенов, плюс $2 стартового кредита. Эта ставка за выходные токены примерно вдвое превышает стоимость зрелой размещённой открытой модели класса 8B в нашем собственном каталоге и составляет около шестой части от $6,00 за миллион выходных токенов у Qwen3.8-Max — середина рынка, а не один из его полюсов.

Другая цена — это аппаратное обеспечение. Веса открыты и размещены на Hugging Face под лицензией lfm1.0 от Liquid, которая не является Apache 2.0 и содержит собственные коммерческие условия; прочитайте их, прежде чем создавать на их основе продукт. Стеки первого дня, перечисленные поставщиком: llama.cpp для GGUF, MLX, vLLM, SGLang и ONNX, с родственными репозиториями FP8, ONNX и 4-битного MLX, а также драфтер спекулятивного декодирования DSpark, помеченный как «скоро» — что согласуется с августовским релизом DSpark от Liquid, который этой модели ещё не предоставлен.

Заявления о пропускной способности — наименее проверяемая часть релиза. Liquid приводит следующие показатели: 184 токена в секунду на Apple M5 Max, 114 токенов в секунду на AMD Ryzen AI Max+ 395, «до 1,7× быстрее, чем следующая лучшая модель», и более 21 000 выходных токенов в секунду на одном NVIDIA B300 под управлением SGLang 0.5.22 при 1 024 токенах на входе и до 256 токенов на выходе в BF16. Эти два крайних случая несопоставимы: 184 токена в секунду — это квантованная сборка для локального запуска модели с 2,45 млрд активных параметров, а 21 000 — это GPU дата-центра при множестве одновременных запросов. Утверждение о 1,7× не имеет опубликованной базовой линии — «следующая лучшая модель» не является определением.

Что бы сделало это реальным

Архитектуру можно проверить уже сегодня: контекст 131K и этап агентного обучения с подкреплением видны в конфигурации и чекпоинте, а не только в посте блога. А вот цифр нет. Никто не публиковал результаты длинноконтекстного извлечения для этого чекпоинта, а это важно, потому что 131 072 токена KV-состояния для модели с 2,45 млрд активных параметров — это огромный объём кэша, который нужно удерживать согласованным в унифицированной памяти одного ноутбука, — и вся идея в том, что ноутбука достаточно.

Если вы не хотите ставить свой продакшн-путь на невоспроизведённую таблицу, интереснее сравнение, которое провела сама Liquid. qwen/qwen3.6-35b-a3b и google/gemma-4-26b-a4b-it — точки отсчёта в посте о запуске — обе есть в нашем каталоге, а запуск ваших собственных задач на них требует ключа, а не скачивания, с автоматическим переключением при отказе, если эндпоинт одного провайдера деградирует в середине выполнения. Направьте переключение при отказе на это звено, пока вы оцениваете локальный вариант, и пусть сравнение происходит на вашей рабочей нагрузке, а не на стенде Liquid.

Открытый вопрос не в том, может ли MoE с 2,45B активных параметров быть хорошим. Он в том, продолжает ли конфигурация 24B-A2B окупаться по мере роста контекста или же оптимальная точка смещается вниз, к уровню 8B-A1B, когда трасса агента становится длинной. Собственная продуктовая линейка Liquid даёт компании повод выяснить это при любом исходе — именно поэтому решающим оказывается следующий набор независимых цифр, а не очередной пост в блоге.

Отслеживайте отключения и деградации моделей в реальном времени в нашем архиве инцидентов и узнайте, какие маршруты переключились без сбоев.