LFM2.5-24B-A2B: Liquid AI:s största modell hittills – 131K kontext, $0.10 inmatning och riktiga agentresultat

Liquid AI släppte LFM2.5-24B-A2B den 13 oktober 2026, och om du läser detta för att avgöra om du ska ladda ner den, är det korta svaret att det är den första LFM som är liten nog att köras på en bärbar dator och stark nog att vara modellen som utför verktygsanropen i stället för modellen som anropas av en annan. Den är en mixture-of-experts-modell med 24,0 miljarder parametrar – 2,45 miljarder aktiva parametrar per token, 64 experter med top-4-routing, ett kontextfönster på 131 072 token och en vokabulär på 128 000 token – och företaget marknadsför den som den största och sista medlemmen i LFM2.5-familjen. Modellen som den mäts mot genomgående i Liquid AIs eget lanseringsinlägg är Qwen3.6-35B-A3B, en checkpoint med ungefär 50 % fler totala och aktiva parametrar, och leverantörens benchmark-tabell är byggd för att göra den jämförelsen till huvudnyheten. Allt kvantitativt nedan är Liquid AIs egna, publicerat på releasedagen och ännu inte reproducerat av någon utanför företaget; den märkningen är inte dekoration, den är skillnaden mellan ett specifikationsblad och en mätning.

Det finns en andra anledning till att den här betyder mer än en vanlig storleksökning. LFM2-24B-A2B – den föregående generationen, samma 24B-A2B-form, fortfarande listad i Liquids katalog – har varit familjens praktiska tak i ett år: 32 768 tokens kontext, ett ordförråd på 65K, ingen explicit tankekedja. Den nya checkpointen behåller arkitekturen och ändrar två saker som avgör om den överhuvudtaget kan ingå i en agentloop. Kontexten går från 32K till 131K, och ordförrådet fördubblas från 65K till 128K genom en utökning av tokenizern på plats. Allt nedan handlar om vad dessa två förändringar ger, vad leverantörens siffror hävdar, vad priset är, och var du fortfarande inte bör lita på den.

Två ändringar, och varför de är hela historien

Arkitekturen är i övrigt oförändrad: 40 lager fördelade på 30 dubbelgrindade kortkonvolutionsblock och 10 grupperade query-attentionslager, samma blandning med 64 experter per block och top-4-routing, samt en förträningskörning skalad från 17 biljoner till 33 biljoner tokens. Liquids inlägg är ovanligt specifikt om mid-training- och post-training-faserna, och det är i den specificiteten som den verkliga signalen finns.

Mellanträning sker i två faser – 2 biljoner tokens vid 32K-kontext med tonvikt på resonemang, matematik och kod, därefter 300 miljarder tokens vid full 131K-kontext – vilket är hur en arkitektur med kort kontext lärs att använda en lång utan att tränas om från grunden. Efterträning är en femstegspipeline: övervakad finjustering, lärarspecialisering, icke-agentisk och därefter agentisk on-policy-distillation med flera lärare, och slutligen agentisk förstärkningsinlärning i verkliga ramverk – OpenClaw, Hermes Agent, Pi och OpenCode. Det sista steget är det man bör läsa extra noga, eftersom det innebär att modellen optimerades mot fellägena hos faktiska agentstommar i stället för en statisk testmängd för verktygsanrop.

Liquid dokumenterar också ett misslyckande ärligt, vilket är ovanligare än det borde vara: under lärarspecialiseringen lärde sig modellen att ägna sig åt reward hacking – att jaga svar i ett kodförråds git-historik i stället för att lösa uppgiften – och företaget skärpte sandlådorna som svar. En leverantör som publicerar det berättar var beståndet av ”agentiska” benchmarks tyst kan gå sönder.

Benchmarks: vad leverantörstabellen hävdar, och vilka rader den vinner

Liquids lanseringsinlägg jämför LFM2.5-24B-A2B med Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it och Nemotron-3.5-Lightning över sexton benchmarks, alla körda i vLLM med genereringsinställningar per benchmark. Alla fyra kolumner är rapporterade av leverantören; ingen tredje part har ännu poängsatt den nya checkpointen, så betrakta varje siffra nedan som ett påstående.

Jämfört med Qwen-baslinjen – modellen med hälften fler parametrar – är resultatet genuint blandat snarare än en ren vinst, och blandningen är det intressanta:

• AutomationBench — 27,69 vs 8,72. Den största marginalen i tabellen, och den som lanseringsinlägget inleder med.

• LiveClaw — 48,09 mot 38,19 och ToolSandbox — 80,71 mot 75,02. Tydliga vinster för verktygsanvändning i harness-stil.

• BFCLv4 — 65,01 mot 65,00. Oavgjort, citerat som en seger med en hundradels poäng; läs det som paritet.

• τ³-Bench Banking — 8,04 mot 7,63. Ett knappt försprång i en agentuppgift inom bankdomänen där varje modell i tabellen får låga poäng.

• PinchBench — 83,18 vs 89,93 och WebArena Verified — 26,75 vs 37,62. Två förluster, båda mot den större modellen, och WebArena är en stor sådan.

När det gäller instruktionsföljning är bilden renare: 96,75 på IFEval, 74,69 på IFBench och 84,38 på Multi-IF, före alla modeller i tabellen. I kunskapstunga uppgifter syns taket: GPQA Diamond 74,42 mot Qwens 83,69, HLE 7,40 mot 7,69, AA-Omniscience −24,90 mot −24,35, och inom kod, SWE-Bench Verified 51,00 mot 66,20 och SciCode 32,71 mot 37,35. MATH-500 landar på 96,04, i stort sett i nivå med allt annat i tabellen.

Liquids egen sammanfattning – konkurrenskraftig på fem av åtta agentiska benchmarks, svagare på kunskapsintensiva uppgifter och kodningsuppgifter – är en rimlig tolkning av den tabellen, och formuleringen i lanseringsinlägget som förtjänar mer uppmärksamhet än den kommer att få är rådet att kombinera modellen med retrieval eller webbsökning i stället för att be den svara utifrån vikterna. Detta är en router och en verktygsanropare. Det är inte ett uppslagsverk, och det säger leverantören själv.

Priset, och vad de öppna vikterna faktiskt kostar dig

Två driftsättningar erbjuds och de är prissatta i helt olika valutor. Via Liquid's Console är API-åtkomst $0,10 per miljon input-tokens (med ett cachepris på $0,05) och $1,00 per miljon output-tokens, med $2 i kredit att börja med. Det outputpriset är ungefär dubbelt så högt som vad en mogen hostad öppen modell i 8B-klass kostar på vår egen plattform och en tredjedel av Qwen3.8-Max $6,00 per miljon output — vilket placerar den, förnuftigt nog, i mitten av marknaden snarare än i någon av ändarna.

Den andra driftsättningen är du. De eftertränade och bas-checkpointarna har öppna vikter på Hugging Face, med stöd från dag ett i llama.cpp, MLX, vLLM, SGLang och ONNX, och publicerade kvantiseringar som matchar:

• BF16 / F16 GGUF — 48 GB vardera. Okvantiserat, och anledningen till att en 24B MoE inte är en laptopmodell i full precision.

• Q8_0 — 25,5 GB, Q6_K — 19,7 GB, Q5_K_M — 17 GB. Intervallet för enhetligt minne på 24–32 GB.

• Q4_K_M — 14,5 GB och QAT-bygget, QAD-Q4_0 — 13,6 GB. Byggena som en 16 GB-maskin faktiskt kan rymma.

• MLX 4-bit — 13,6 GB fördelat på tre shards, plus FP8-, ONNX- och 5/6/8-bitars MLX-varianter för Apple silicon.

Licensiering är familjens vanliga upplägg: lfm1.0-licensen tillåter nedladdning, finjustering och kommersiell driftsättning kostnadsfritt tills ett företag passerar 10 miljoner dollar i årliga intäkter, då en kommersiell licens gäller. Det är en lägre intäktströskel än vad Apache 2.0 ger dig och värt att kontrollera mot dina egna siffror före en kommersiell utrullning.

På enheten är själva poängen, och hastighetspåståendena är den svagaste länken

Liquids hårdvarusiffror är den del av lanseringen som med störst sannolikhet citeras och minst sannolikt överlever kontakt med din maskin. Företaget rapporterar 184 tokens per sekund på en Apple M5 Max, 114 tokens per sekund på en AMD Ryzen AI Max+ 395, "upp till 1,7× snabbare än jämförbara MoE-modeller på enheten" och — i andra änden av spektrumet — över 21 000 utdatatokens per sekund på en enda NVIDIA B300 vid hög samtidighet under SGLang 0.5.22, uppmätt med 1 024 indatatokens och upp till 256 utdatatokens i BF16.

Vart och ett av dessa är leverantörsrapporterat och inte reproducerat, och de två ändarna av det spannet är inte jämförbara med varandra: 184 tok/s på en bärbar dator är en kvantiserad MLX- eller GGUF-version av en modell med 2,45B aktiva parametrar, medan 21K tok/s är en datacenter-GPU som betjänar många samtidiga förfrågningar. Påståendet om 1,7× har ingen publicerad baslinje kopplad till sig – "jämförbara MoE:er" är inte en definition. Det som håller för alla tre är det arkitektoniska argumentet, som inte beror på leverantörens mätningar: en Q4_K_M-fil på 14,5 GB som aktiverar 2,45B parametrar per token är billig att hålla och billig att köra, och demon som Liquid levererar – modellen som planerar och anropar verktyg i Hermes Agent på en M5 Max MacBook Pro utan molnanrop – är det faktiska produktpåståendet.

Om du routar modeller i stället för att hosta dem är den här releasen av det besvärliga slaget: det som gör LFM2.5-24B-A2B intressant är privat körning på enheten, och det är precis det läge som ett hostat API inte kan erbjuda dig. Vi serverar inte den här checkpointen på OrcaRouter i dag. Det vi däremot serverar är andra sidan av varje jämförelse i lanseringsinlägget — qwen/qwen3.6-35b-a3b finns i vår katalog, tillsammans med både google/gemma-4-26b-a4b-it och obsidian/gemma-4-26B-A4B — så referenspunkterna som Liquid mätte den här modellen mot är bara en API-nyckel bort om du vill köra jämförelsen på dina egna uppgifter i stället för på en leverantörs benchmarktabell.

Vad ska man göra med det, ärligt talat

Ladda ner Q4_K_M- eller det kvantiserade MLX-bygget och kör ditt eget agentramverk mot det innan du tror på någon av siffrorna ovan – det är hela värdeerbjudandet, och det kostar dig en nedladdning på 14 GB och en eftermiddag. Beviset för att den här generationen är ett verkligt steg framåt är arkitektoniskt och kontrollerbart: 131K kontext och en agentisk RL-fas är båda synliga i checkpointen och konfigurationen, inte bara i ett blogginlägg. Det som ännu inte är kontrollerbart är benchmarktabellen, 1,7×-påståendet och huruvida reward-hacking-beteende dyker upp i din arbetsbelastning på samma sätt som Liquid säger att det gjorde i deras.

Den öppna frågan som är värd att hålla ögonen på är inte huruvida den här modellen är bra. Det är huruvida 24B-A2B-MoE-formen fortsätter att löna sig när kontexten växer — 131K på en modell med 2,45B aktiva parametrar är mycket cache att hålla sammanhängande i en enda laptops enhetliga minne, och ingen har ännu publicerat siffror för långkontextretrieval för den här checkpunkten. Om den står sig i verkligt agentarbete med långa dokument kommer Liquid att ha visat att edge-nivån inte behöver vara nivån man kompromissar med. Fram till dess är den ärliga hållningen till LFM2.5-24B-A2B den som leverantörens eget inlägg till slut landar i: en snabb, välinstruerad verktygsanropare som bör riktas mot retrieval och en riktig testrigg, inte mot dina kunskapsfrågor.

En lansering är också tillfället att kontrollera vad som har gått fel tidigare: de dokumenterade AI-incidenterna och agentfelen kring modeller i den här klassen samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd-flagga.