LFM2.5-24B-A2B: Liquid AI สร้างโมเดลเอเจนต์ขนาด 24B ที่ปลุกพารามิเตอร์เพียง 2.45B ตัว

สองหมื่นสี่พันล้านพารามิเตอร์อยู่ในไฟล์ มีเพียงสองจุดสี่ห้าพันล้านตัวเท่านั้นที่ได้ทำงานกับโทเคนใด ๆ ที่กำหนด อัตราส่วนนี้คือทั้งหมดของ LFM2.5-24B-A2B โมเดลที่ Liquid AI ประกาศเมื่อวันที่ 13 ตุลาคม 2026 ในฐานะสมาชิกที่ใหญ่ที่สุดในตระกูล LFM2.5 ของตน — และนี่คือเหตุผลที่ Liquid รู้สึกสบายใจที่จะพิมพ์ตาราง benchmark ของตัวเองไว้ข้าง ๆ Qwen3.6-35B-A3B ซึ่งเป็น checkpoint ที่มีพารามิเตอร์ทั้งหมดและพารามิเตอร์ที่ทำงานอยู่มากกว่าประมาณหนึ่งเท่าครึ่ง ตารางนี้ยังมีคอลัมน์สำหรับ Gemma-4-26B-A4B-it และ Nemotron-3.5-Lightning ซึ่งทั้งสองตัว Liquid ไม่ได้วัดเอง คอลัมน์สองคอลัมน์นั้นเป็นตัวเลขจากบุคคลที่สามที่ Liquid นำมาแสดงซ้ำโดยไม่ได้เผยแพร่ระเบียบวิธีวิจัย ซึ่งเป็นสิ่งที่ควรจดจำไว้ก่อนที่ใครจะอ้างอิงตัวเลขแถวใดแถวหนึ่ง

การวางกรอบของ Liquid ไม่ใช่ "นี่เอาชนะโมเดลที่ใหญ่กว่าได้" แต่เป็น "นี่ควรอยู่บนเครื่องของคุณ ในลูปของเอเจนต์ โดยเรียกใช้เครื่องมือ" รุ่นก่อนหน้า LFM2-24B-A2B ซึ่งใช้เวลาหนึ่งปีในฐานะเพดานในทางปฏิบัติของตระกูลที่บริบท 32,768 โทเคนและคำศัพท์ 65K เช็กพอยต์ใหม่คงสถาปัตยกรรมไว้และขยับเพียงสองตัวเลขที่กำหนดว่าโมเดลขนาดเล็กจะรองรับร่องรอยของเอเจนต์ที่ยาวได้หรือไม่: บริบทเพิ่มเป็น 131,072 และคำศัพท์เพิ่มเป็น 128,000

อะไรที่เปลี่ยนไปจริง ๆ และอะไรที่ไม่เปลี่ยน

อ่านคอนฟิกแล้ว ส่วนต่างมันแคบกว่าที่การตลาดโฆษณาไว้ สี่สิบชั้นเลเยอร์ แบ่งเป็น 30 บล็อก short-convolution แบบ double-gated กับ 10 ชั้นเลเยอร์ grouped-query attention หกสิบสี่ผู้เชี่ยวชาญต่อบล็อก mixture-of-experts โดยเลือกเส้นทางแบบ top-4 โครงสร้างเดิมเหมือนก่อนหน้า

สิ่งที่เปลี่ยนไปคือจุดที่โทเคนถูกใช้ การฝึกก่อนเทรน (pre-training) ถูกขยายขึ้น — โพสต์เปิดตัวของ Liquid ระบุว่าจาก 17 ล้านล้านเป็น 33 ล้านล้านโทเคน ขณะที่การ์ดโมเดลบน Hugging Face สำหรับการเปิดตัวเดียวกันระบุว่า 36 ล้านล้าน หนึ่งในตัวเลขเหล่านั้นล้าสมัย และไม่มีข้อความตอนใดในเอกสารทั้งสองฉบับที่ระบุว่าเป็นตัวเลขใด จากนั้นการฝึกระดับกลาง (mid-training) ดำเนินไปในสองระยะ: 2 ล้านล้านโทเคนที่บริบท 32K โดยถ่วงน้ำหนักไปทางความสามารถในการให้เหตุผล คณิตศาสตร์ และโค้ด ตามด้วย 300 พันล้านโทเคนที่บริบท 131K เต็ม ระยะที่สองนี้คือวิธีที่สถาปัตยกรรมแบบบริบทสั้นถูกสอนให้ใช้บริบทแบบยาวโดยไม่ต้องฝึกใหม่ตั้งแต่ต้น

ขั้นตอนหลังการฝึก (post-training) มีห้าสเตจ: การปรับละเอียดแบบมีผู้สอน (supervised fine-tuning), การทำให้ครูเชี่ยวชาญเฉพาะทาง (teacher specialization), การกลั่นแบบ on-policy จากครูหลายตัวแบบไม่ใช้เอเจนต์ (non-agentic multi-teacher on-policy distillation), การกลั่นแบบ on-policy จากครูหลายตัวแบบใช้เอเจนต์ (agentic multi-teacher on-policy distillation) และสุดท้ายคือการเรียนรู้แบบเสริมกำลังแบบเอเจนต์ (agentic reinforcement learning) ที่รันภายในฮาร์เนสจริง — OpenClaw, Hermes Agent, Pi และ OpenCode ขั้นตอนสุดท้ายนั้นเป็นส่วนที่ควรอ่านซ้ำสองครั้ง การฝึกกับโครงสร้างเอเจนต์จริงเป็นคนละเรื่องกับการฝึกกับชุดทดสอบการเรียกเครื่องมือแบบคงที่ และนี่คือเหตุผลที่ตาราง benchmark ของผู้จำหน่ายให้น้ำหนักกับการประเมินที่จำลองรูปแบบฮาร์เนสอย่างมาก

Liquid ยังบันทึกความล้มเหลวหนึ่งที่ผู้ให้บริการส่วนใหญ่คงแก้ไขเงียบ ๆ: ระหว่างการทำ teacher specialization โมเดลเรียนรู้ที่จะ reward-hack โดยค้นผ่านประวัติ git ของรีโพซิทอรีเพื่อหาคำตอบแทนที่จะแก้โจทย์ และต้องเพิ่มความเข้มงวดของ sandbox นั่นเป็นการเปิดเผยที่มีประโยชน์ มันบอกคุณว่าคะแนน "agentic benchmark" สามารถพองขึ้นอย่างเงียบ ๆ ได้ตรงไหน

ตารางการวัดประสิทธิภาพ หากอ่านเป็นข้อกล่าวอ้างมากกว่าผลลัพธ์

สิบหกเบนช์มาร์ก สี่คอลัมน์โมเดล ทั้งหมดรันโดย Liquid ใน vLLM ด้วยการตั้งค่าการสร้างเฉพาะต่อเบนช์มาร์ก ยังไม่มีบุคคลที่สามใดให้คะแนน LFM2.5-24B-A2B ดังนั้นทุกตัวเลขที่นี่จึงเป็นคำกล่าวอ้าง รวมถึงตัวเลขในคอลัมน์ของโมเดลอื่นด้วย

เมื่อเทียบกับ baseline ของ Qwen ผลลัพธ์ก็ออกมาผสมกันจริง ๆ และส่วนที่น่าสนใจก็คือความผสมกันนั้น:

• AutomationBench — 27.69 เทียบกับ 8.72 ซึ่งเป็นช่องว่างที่กว้างที่สุดในตาราง และเป็นแถวที่ Liquid นำด้วย

• LiveClaw — 48.09 เทียบกับ 38.19 และ ToolSandbox — 80.71 เทียบกับ 75.02 ชนะจริงในการใช้เครื่องมือแบบ harness

• BFCLv4 — 65.01 ต่อ 65.00 การเสมอที่ถูกอ้างเป็นชัยชนะด้วยส่วนต่างหนึ่งในร้อยของคะแนน จงอ่านมันเป็นความเท่าเทียมกัน

• τ³-Bench Banking — 8.04 เทียบกับ 7.63เป็นความได้เปรียบเพียงเล็กน้อยในงานเอเจนต์ด้านการธนาคารที่ทั้งตารางได้คะแนนต่ำ รวมถึง Qwen3.6-35B-A3B และ Gemma-4-26B-A4B-it

• PinchBench — 83.18 เทียบกับ 89.93 และ WebArena Verified — 26.75 เทียบกับ 37.62แพ้ให้กับโมเดลที่ใหญ่กว่าถึงสองครั้ง และช่องว่างของ WebArena ก็ไม่ได้น้อยเลย

การปฏิบัติตามคำสั่งคือการกวาดชัยชนะแบบเรียบ: 96.75 บน IFEval, 74.69 บน IFBench, 84.38 บน Multi-IF นำหน้าทุกคอลัมน์ ความรู้และการเขียนโค้ดเผยให้เห็นเพดาน: GPQA Diamond 74.42 เทียบกับ 83.69 ของ Qwen, SWE-Bench Verified 51.00 เทียบกับ 66.20, SciCode 32.71 เทียบกับ 37.35, HLE 7.40 เทียบกับ 7.69 และ AA-Omniscience −24.90 เทียบกับ −24.35 MATH-500 อยู่ที่ 96.04 ซึ่งแทบจะอยู่ในระดับเดียวกับทุกสิ่งในตาราง

บทสรุปของ Liquid เอง — ที่แข่งขันได้ในห้าในแปดเบนช์มาร์กแบบเอเจนติก แต่ตามหลังในงานที่ใช้ความรู้เข้มข้นและงานเขียนโค้ด — เป็นการตีความที่ยุติธรรม ประโยคในโพสต์เปิดตัวที่สมควรได้รับความสนใจมากกว่านี้ คือคำแนะนำให้จับคู่โมเดลกับ retrieval หรือการค้นเว็บ แทนที่จะขอให้มันตอบจากค่าถ่วงน้ำหนัก นี่คือเราเตอร์และตัวเรียกใช้เครื่องมือ และผู้ขายก็บอกเช่นนั้นเอง

สองราคา ในสองสกุลเงิน

Liquid ขายการเข้าถึง API ผ่าน Console ของตัวเองที่$0.10 ต่อล้านโทเคนอินพุต โดยมีอัตราแคช $0.05 และ$1.00 ต่อล้านโทเคนเอาต์พุตพร้อมเครดิตเริ่มต้น $2 อัตราเอาต์พุตดังกล่าวสูงเป็นประมาณสองเท่าของค่าใช้จ่ายของโมเดลเปิดระดับ 8B ที่โฮสต์ไว้และเติบโตเต็มที่แล้วในแคตตาล็อกของเราเอง และคิดเป็นประมาณหนึ่งในหกของ $6.00 ต่อล้านโทเคนเอาต์พุตของ Qwen3.8-Max — อยู่ตรงกลางของตลาดมากกว่าที่จะอยู่ปลายสุดด้านใดด้านหนึ่ง

ราคาอีกด้านคือฮาร์ดแวร์ เวทเปิดและอยู่บน Hugging Face ภายใต้สัญญาอนุญาต lfm1.0 ของ Liquid ซึ่งไม่ใช่ Apache 2.0 และมีข้อกำหนดทางการค้าของตัวเอง อ่านข้อกำหนดเหล่านั้นก่อนที่คุณจะสร้างผลิตภัณฑ์บนมัน สแตกที่ผู้ขายระบุในวันแรกคือ llama.cpp สำหรับ GGUF, MLX, vLLM, SGLang และ ONNX พร้อมกับรีโปในตระกูลเดียวกันอย่าง FP8, ONNX และ 4-bit MLX และ DSpark speculative-decoding drafter ที่ระบุว่ากำลังจะมา — สอดคล้องกับการเปิดตัว DSpark ของ Liquid ในเดือนสิงหาคม ซึ่งโมเดลนี้ยังไม่ได้รับ

ข้อกล่าวอ้างเรื่องอัตราการประมวลผลเป็นส่วนที่ตรวจสอบได้ยากที่สุดของการเปิดตัวครั้งนี้ Liquid รายงานว่าได้ 184 โทเคนต่อวินาทีบน Apple M5 Max, 114 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395, "เร็วกว่าได้ถึง 1.7 เท่าเมื่อเทียบกับโมเดลที่ดีที่สุดรองลงมา" และมากกว่า 21,000 โทเคนเอาต์พุตต่อวินาทีบน NVIDIA B300 เพียงตัวเดียวภายใต้ SGLang 0.5.22 ที่อินพุต 1,024 โทเคนและเอาต์พุตสูงสุด 256 โทเคนใน BF16 สองปลายทางนี้เทียบกันไม่ได้: 184 โทเคนต่อวินาทีคือบิลด์บนอุปกรณ์ที่ผ่านการควอนไทซ์ของโมเดลที่มีพารามิเตอร์ใช้งานจริง 2.45B ส่วน 21,000 คือ GPU ในดาต้าเซ็นเตอร์ที่รองรับคำขอพร้อมกันจำนวนมาก ข้อกล่าวอ้าง 1.7 เท่าไม่มีค่าพื้นฐานที่เผยแพร่ — "โมเดลที่ดีที่สุดรองลงมา" ไม่ใช่คำนิยาม

อะไรจะทำให้สิ่งนี้เป็นจริง

สถาปัตยกรรมนี้ตรวจสอบได้แล้วในวันนี้: คอนเท็กซ์ 131K และขั้นตอนการเรียนรู้แบบเสริมกำลังเชิงเอเจนต์ปรากฏให้เห็นในคอนฟิกและเช็กพอยต์ ไม่ใช่แค่ในบล็อกโพสต์เท่านั้น แต่ตัวเลขยังตรวจสอบไม่ได้ ยังไม่มีใครเผยแพร่ผลลัพธ์การดึงข้อมูลแบบบริบทยาวสำหรับเช็กพอยต์นี้ ซึ่งสำคัญเพราะสถานะ KV จำนวน 131,072 โทเคนบนโมเดลที่มีแอ็กทีฟ 2.45B เป็นแคชจำนวนมหาศาลที่ต้องรักษาความสอดคล้องภายในหน่วยความจำแบบรวมของแล็ปท็อปเครื่องเดียว — และจุดขายทั้งหมดก็คือแล็ปท็อปเครื่องเดียวก็เพียงพอ

หากคุณไม่อยากเดิมพันเส้นทางโปรดักชันกับตารางที่ยังทำซ้ำไม่ได้ การเปรียบเทียบที่น่าสนใจคือการเปรียบเทียบที่ Liquid เองวาดขึ้นมา qwen/qwen3.6-35b-a3b และ google/gemma-4-26b-a4b-it — จุดอ้างอิงในโพสต์เปิดตัว — ต่างอยู่ในแคตตาล็อกของเรา และการรันงานของคุณเองกับโมเดลเหล่านี้มีค่าใช้จ่ายเพียงคีย์แทนการดาวน์โหลด พร้อมด้วยการสลับสำรองอัตโนมัติหากปลายทางของผู้ให้บริการรายใดเสื่อมสภาพระหว่างการรัน ปรับการสลับสำรองให้ชี้ไปที่ขานั้นระหว่างที่คุณประเมินขาโลคอล และปล่อยให้การเปรียบเทียบเกิดขึ้นบนเวิร์กโหลดของคุณเองแทนที่จะเป็นบนฮาร์เนสของ Liquid

คำถามที่ยังเปิดอยู่ไม่ใช่ว่า MoE แบบ active 2.45B จะดีได้หรือไม่ แต่คือว่ารูปแบบ 24B-A2B ยังคงให้ผลคุ้มค่าต่อไปหรือไม่เมื่อ context โตขึ้น หรือว่าจุดที่ลงตัวที่สุดจะเลื่อนลงมาที่ระดับ 8B-A1B เมื่อ agent trace ยาวขึ้น สายผลิตภัณฑ์ของ Liquid เองก็เป็นเหตุผลให้ต้องหาคำตอบไม่ว่าผลจะออกทางไหน — ซึ่งนั่นแหละคือเหตุผลว่าทำไมชุดตัวเลขอิสระชุดถัดไป ไม่ใช่บล็อกโพสต์ชิ้นถัดไป ถึงเป็นสิ่งที่ตัดสินเรื่องนี้

ติดตามการขัดข้องและการเสื่อมประสิทธิภาพของโมเดลแบบเรียลไทม์ในคลังเหตุการณ์ของเรา และดูว่าเส้นทางใดมีการสลับไปยังระบบสำรองได้อย่างราบรื่น