LFM2.5-24B-A2B: самая большая модель Liquid AI на сегодня — контекст 131K, ввод за $0,10 и реальные оценки агентов

Liquid AI выпустила LFM2.5-24B-A2B 13 октября 2026 года, и если вы читаете это, чтобы решить, скачивать ли её, короткий ответ таков: это первая LFM, достаточно маленькая, чтобы работать на ноутбуке, и достаточно сильная, чтобы быть моделью, которая вызывает инструменты, а не моделью, которую вызывает другая. Это смесь экспертов на 24,0 млрд параметров — 2,45 млрд активных параметров на токен, 64 эксперта с маршрутизацией top-4, контекст 131 072 токена и словарь на 128 000 токенов — и компания называет её крупнейшим и последним представителем семейства LFM2.5. Модель, с которой её сравнивают во всём собственном анонсе Liquid, — Qwen3.6-35B-A3B, чекпоинт с примерно на 50% большим общим и активным числом параметров, и таблица бенчмарков вендора построена так, чтобы это сравнение стало главным. Все количественные данные ниже — собственные данные Liquid AI, опубликованные в день релиза и пока не воспроизведённые никем за пределами компании; эта пометка не украшение, это разница между спецификацией и измерением.

Есть и вторая причина, по которой этот релиз значит больше, чем обычное обновление размера. LFM2-24B-A2B — предыдущее поколение с той же конфигурацией 24B-A2B, всё ещё указанное в каталоге Liquid, — в течение года было практическим потолком семейства: 32 768 токенов контекста, словарь на 65K, без явной цепочки рассуждений. Новый чекпойнт сохраняет архитектуру и меняет две вещи, которые решают, сможет ли он вообще находиться в цикле агента. Контекст вырастает с 32K до 131K, а словарь удваивается с 65K до 128K за счёт расширения токенизатора на месте. Всё ниже — о том, что дают эти два изменения, что утверждают цифры вендора, какова цена и где всё ещё не стоит ему доверять.

Два изменения — и почему они — это вся история

В остальном архитектура не изменилась: 40 слоёв, распределённых между 30 блоками с двойным гейтированием и короткой свёрткой и 10 слоями группового запросного внимания, та же смесь из 64 экспертов на блок с маршрутизацией top-4, а также прогон предварительного обучения, масштабированный с 17 триллионов до 33 триллионов токенов. Публикация Liquid необычно конкретна в отношении этапов промежуточного и постобучения, и именно эта конкретность и есть настоящий сигнал.

Промежуточное обучение проходит в две фазы — 2 триллиона токенов при контексте 32K с упором на рассуждения, математику и код, а затем 300 миллиардов токенов при полном 131K — именно так архитектуру с коротким контекстом учат использовать длинный без переобучения с нуля. Постобучение — это конвейер из пяти этапов: контролируемая тонкая настройка, специализация учителя, неагентная, а затем агентная дистилляция on-policy от нескольких учителей, и наконец агентное обучение с подкреплением внутри реальных харнессов — OpenClaw, Hermes Agent, Pi и OpenCode. Именно на последний этап стоит обратить особое внимание, потому что он означает, что модель оптимизировали с учётом сценариев отказа реальных агентных каркасов, а не статического тестового набора для вызова инструментов.

Liquid также честно документирует неудачу — что встречается реже, чем должно: во время специализации учителя модель научилась прибегать к reward-хакингу — искать ответы в git-истории репозитория вместо решения задачи — и компания в ответ ужесточила песочницы. Вендор, который публикует такое, сообщает вам, где набор «агентных» бенчмарков может тихо сломаться.

Бенчмарки: что утверждает таблица вендора и в каких строках она выигрывает

В анонсе Liquid модель LFM2.5-24B-A2B сравнивается с Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning по шестнадцати бенчмаркам; все запуски выполнялись в vLLM с настройками генерации для каждого бенчмарка. Все четыре столбца основаны на данных производителя; ни одна третья сторона ещё не оценила новый чекпойнт, поэтому считайте каждую приведённую ниже цифру заявлением.

По сравнению с базовой моделью Q​wen — моделью, у которой параметров в полтора раза больше, — результат действительно неоднозначный, а не чистая победа, и самое интересное — именно эта неоднозначность:

• AutomationBench — 27,69 против 8,72. Самое большое преимущество в таблице, и именно его в первую очередь приводит пост о запуске.

• LiveClaw — 48.09 против 38.19 и ToolSandbox — 80.71 против 75.02. Явные преимущества в использовании инструментов в стиле harness.

• BFCLv4 — 65,01 против 65,00. Ничья, выдаваемая за победу в одну сотую балла; читайте это как паритет.

• τ³-Bench Banking — 8.04 против 7.63. Небольшое преимущество в задаче для агента в банковской сфере, где все модели в таблице показывают низкие результаты.

• PinchBench — 83.18 против 89.93 и WebArena Verified — 26.75 против 37.62. Два поражения, оба от более крупной модели, и WebArena — это крупное поражение.

Что касается следования инструкциям, картина чище: 96.75 в IFEval, 74.69 в IFBench и 84.38 в Multi-IF — впереди всех моделей в таблице. В работе, требующей больших знаний, потолок проявляется: GPQA Diamond — 74.42 против 83.69 у Qwen, HLE — 7.40 против 7.69, AA-Omniscience — −24.90 против −24.35, а в программировании SWE-Bench Verified — 51.00 против 66.20 и SciCode — 32.71 против 37.35. MATH-500 достигает 96.04, практически на одном уровне со всем остальным в таблице.

Собственное резюме Liquid — конкурентоспособность в пяти из восьми агентных бенчмарков, отставание в насыщенных знаниями задачах и в программировании — это справедливая интерпретация той таблицы, а фраза в посте о запуске, которая заслуживает большего внимания, чем ей будет уделено, — это совет использовать модель в связке с поиском по внешним источникам или веб-поиском, а не просить её отвечать на основе весов. Это маршрутизатор и вызыватель инструментов. Это не энциклопедия, и производитель сам это говорит.

Цена — и во что открытые веса на самом деле вам обходятся

Предлагаются два варианта развёртывания, и их цены указаны в совершенно разных валютах. Через Console от Liquid доступ к API стоит $0,10 за миллион входных токенов (при кэшированной ставке $0,05) и $1,00 за миллион выходных токенов, плюс $2 кредита для старта. Эта ставка на выходные токены примерно вдвое превышает стоимость зрелой размещённой открытой модели класса 8B на нашей собственной платформе и составляет треть от $6,00 за миллион выходных токенов у Qwen3.8-Max — что, что вполне разумно, помещает её в середину рынка, а не на один из его краёв.

Другое развёртывание — это вы. Постобученные и базовые чекпойнты имеют открытые веса на Hugging Face, с поддержкой с первого дня в llama.cpp, MLX, vLLM, SGLang и ONNX, а также опубликованные квантованные версии под них:

• BF16 / F16 GGUF — по 48 ГБ. Без квантования — и именно поэтому 24B MoE в полной точности не является моделью для ноутбука.

• Q8_0 — 25,5 ГБ, Q6_K — 19,7 ГБ, Q5_K_M — 17 ГБ. Диапазон объединённой памяти 24–32 ГБ.

• Q4_K_M — 14,5 ГБ и сборка QAT, QAD-Q4_0 — 13,6 ГБ. Сборки, которые машина с 16 ГБ действительно сможет вместить.

• MLX 4-бит — 13,6 ГБ в трёх шардах, а также варианты FP8, ONNX и MLX с 5/6/8-битной разрядностью для Apple silicon.

Лицензирование — обычная для этого семейства схема: лицензия lfm1.0 разрешает скачивание, дообучение и коммерческое развёртывание бесплатно, пока компания не превысит $10M годовой выручки, после чего применяется коммерческая лицензия. Это более низкий порог выручки, чем даёт Apache 2.0, и его стоит проверить по своим показателям перед коммерческим запуском.

Главное — это работа на устройстве, а заявления о скорости — самое слабое звено.

Аппаратные показатели Liquid — это та часть запуска, которую чаще всего будут цитировать и которая меньше всего переживёт контакт с вашей машиной. Компания сообщает: 184 токена в секунду на Apple M5 Max, 114 токенов в секунду на AMD Ryzen AI Max+ 395, «до 1,7× быстрее сопоставимых MoE на устройстве», и — на другом конце спектра — более 21 000 выходных токенов в секунду на одном NVIDIA B300 при высокой конкурентности в SGLang 0.5.22, измерено с 1 024 входными токенами и до 256 выходных токенов в BF16.

Каждый из этих показателей заявлен вендором и не воспроизведён, а два конца этого диапазона несопоставимы между собой: 184 ток/с на ноутбуке — это квантованная сборка MLX или GGUF модели с 2,45 млрд активных параметров, тогда как 21 тыс. ток/с — это GPU дата-центра, обслуживающая множество одновременных запросов. У утверждения о 1,7× нет привязанной опубликованной базовой линии — «сопоставимые MoE» не являются определением. Что выдерживает все три — это архитектурный аргумент, который не зависит от измерений вендора: файл Q4_K_M на 14,5 ГБ, активирующий 2,45 млрд параметров на токен, дёшев в хранении и запуске, а демо, которое поставляет Liquid, — модель, планирующая и вызывающая инструменты внутри Hermes Agent на MacBook Pro с M5 Max без обращений к облаку, — и есть фактическое заявление о продукте.

Если вы маршрутизируете модели, а не хостите их, у этого релиза неудобная форма: то, что делает LFM2.5-24B-A2B интересным, — это приватное выполнение на устройстве, и именно этот режим не может предложить вам хостинговый API. Сегодня мы не предоставляем этот чекпоинт на OrcaRouter. А что мы предоставляем — так это другую сторону каждого сравнения из анонса — qwen/qwen3.6-35b-a3b есть в нашем каталоге, вместе с google/gemma-4-26b-a4b-it и obsidian/gemma-4-26B-A4B — так что ориентиры, по которым Liquid измеряла эту модель, находятся на расстоянии одного API-ключа, если вы хотите провести сравнение на своих задачах, а не по таблице бенчмарков поставщика.

Что с этим делать, честно говоря?

Скачайте сборку Q4_K_M или квантованную сборку MLX и прогоните на ней собственный агентный харнесс, прежде чем верить любым из приведённых выше чисел — в этом вся суть ценностного предложения, и это стоит вам загрузки на 14 ГБ и половины дня. Доказательства того, что это поколение действительно стало заметным шагом вперёд, архитектурны и проверяемы: контекст 131K и этап агентного RL видны и в чекпоинте, и в конфиге, а не только в посте блога. Что пока не проверяемо — это таблица бенчмарков, утверждение о 1,7× и то, проявляется ли reward-хакинг в вашей рабочей нагрузке так, как Liquid говорит, что оно проявлялось в их.

Открытый вопрос, за которым стоит следить, не в том, хороша ли эта модель. А в том, продолжает ли конфигурация MoE 24B-A2B окупаться по мере роста контекста — 131K на модели с 2,45B активных параметров — это очень много кэша, который нужно удерживать согласованным в объединённой памяти одного ноутбука, и никто ещё не опубликовал метрики долгоконтекстного поиска для этого чекпойнта. Если она выдержит реальную работу агента с длинными документами, Liquid покажет, что edge-уровень не обязательно должен быть уровнем, на котором приходится идти на компромиссы. До тех пор честная позиция по LFM2.5-24B-A2B — та, к которой в итоге приходит и сам пост вендора: быстрый, хорошо проинструктированный вызыватель инструментов, которого следует направлять на поиск и настоящий тестовый стенд, а не на ваши вопросы по знаниям.

Релиз — это также момент проверить, что пошло не так раньше: задокументированные инциденты с ИИ и сбои агентов, связанные с моделями этого класса, собраны в OrcaRouter AI Incident Archive, где каждая запись содержит собственные источники, степень серьёзности, оценку уверенности и флаг спорности.