LFM2.5-24B-A2B: โมเดลที่ใหญ่ที่สุดของ Liquid AI จนถึงตอนนี้ — Context 131K, อินพุต $0.10 และคะแนน Agent ของจริง

Liquid AI เปิดตัว LFM2.5-24B-A2B เมื่อวันที่ 13 ตุลาคม 2026 และถ้าคุณกำลังอ่านสิ่งนี้เพื่อตัดสินใจว่าจะดาวน์โหลดหรือไม่ คำตอบสั้น ๆ คือมันเป็น LFM ตัวแรกที่เล็กพอจะรันบนแล็ปท็อปและแข็งแกร่งพอที่จะเป็นโมเดลที่ทำหน้าที่เรียกใช้เครื่องมือ แทนที่จะเป็นโมเดลที่ถูกเรียกโดยอีกตัวหนึ่ง มันเป็นโมเดลแบบ mixture-of-experts ขนาด 24.0 พันล้านพารามิเตอร์ — มีพารามิเตอร์ที่ใช้งาน 2.45B ต่อโทเคน ผู้เชี่ยวชาญ 64 ตัวพร้อมการจัดเส้นทางแบบ top-4 บริบท 131,072 โทเคน และคำศัพท์ 128,000 โทเคน — และบริษัทเรียกมันว่าเป็นสมาชิกที่ใหญ่ที่สุดและเป็นตัวสุดท้ายของตระกูล LFM2.5 โมเดลที่ใช้เปรียบเทียบตลอดโพสต์เปิดตัวของ Liquid เองคือ Qwen3.6-35B-A3B ซึ่งเป็นเช็กพอยต์ที่มีพารามิเตอร์ทั้งหมดและพารามิเตอร์ที่ใช้งานมากกว่าประมาณ 50% และตารางเบนช์มาร์กของผู้ขายถูกสร้างขึ้นเพื่อให้การเปรียบเทียบนั้นเป็นพาดหัว ทุกอย่างเชิงปริมาณด้านล่างเป็นข้อมูลของ Liquid AI เอง เผยแพร่ในวันเปิดตัวและยังไม่มีใครนอกบริษัททำซ้ำได้ การติดป้ายกำกับนั้นไม่ใช่การประดับประดา แต่มันคือความแตกต่างระหว่างสเปกชีตกับการวัดผล

มีเหตุผลข้อที่สองที่ทำให้เรื่องนี้สำคัญกว่าการเพิ่มขนาดตามปกติ LFM2-24B-A2B — รุ่นก่อนหน้า ซึ่งมีรูปร่าง 24B-A2B แบบเดียวกัน และยังอยู่ในแคตตาล็อกของ Liquid — เป็นเพดานที่ใช้งานได้จริงของตระกูลนี้มาเป็นเวลาหนึ่งปี: คอนเท็กซ์ 32,768 โทเคน คำศัพท์ 65K และไม่มี chain of thought แบบชัดแจ้ง เช็กพอยต์ใหม่ยังคงสถาปัตยกรรมเดิมไว้ และเปลี่ยนสองสิ่งซึ่งตัดสินว่ามันจะอยู่ในลูปของเอเจนต์ได้หรือไม่ นั่นคือ คอนเท็กซ์เพิ่มจาก 32K เป็น 131K และคำศัพท์เพิ่มเป็นสองเท่าจาก 65K เป็น 128K ผ่านการขยายโทเคไนเซอร์แบบ in-place ทุกอย่างด้านล่างนี้ว่าด้วยสองการเปลี่ยนแปลงนั้นให้อะไร ตัวเลขที่ผู้ขายอ้างเป็นอย่างไร ราคาที่ต้องจ่ายคืออะไร และตรงไหนที่คุณยังไม่ควรไว้ใจมัน

การเปลี่ยนแปลงสองอย่าง และเหตุใดมันจึงเป็นเรื่องทั้งหมด

สถาปัตยกรรมยังคงเดิมในส่วนอื่น ๆ: เลเยอร์ 40 ชั้นแบ่งเป็น 30 บล็อกคอนโวลูชันสั้นแบบมีเกตคู่ และ 10 เลเยอร์แอตเทนชันแบบ grouped-query ส่วนผสมผู้เชี่ยวชาญ 64 คนต่อบล็อกแบบเดิมพร้อมการจัดเส้นทางแบบ top-4 และการรันพรีเทรนที่ขยายสเกลจาก 17 ล้านล้านโทเค็นเป็น 33 ล้านล้านโทเค็น โพสต์ของ Liquid เจาะจงอย่างผิดปกติเกี่ยวกับขั้น mid-training และ post-training และความเจาะจงนั้นคือจุดที่มีสัญญาณจริง

การฝึกช่วงกลางมาในสองระยะ — 2 ล้านล้านโทเคนที่คอนเท็กซ์ 32K โดยให้น้ำหนักไปที่การให้เหตุผล คณิตศาสตร์ และโค้ด จากนั้น 300 พันล้านโทเคนที่ 131K เต็ม — ซึ่งเป็นวิธีที่สถาปัตยกรรมแบบคอนเท็กซ์สั้นถูกสอนให้ใช้คอนเท็กซ์ยาวโดยไม่ต้องฝึกใหม่ตั้งแต่ต้น การฝึกหลังการฝึกเป็นไปป์ไลน์ห้าขั้นตอน: การปรับละเอียดแบบมีผู้สอน, การเชี่ยวชาญเฉพาะทางของครู, การกลั่นแบบ on-policy จากครูหลายตัวแบบไม่ใช้เอเจนต์แล้วจึงแบบใช้เอเจนต์, และสุดท้ายคือการเรียนรู้แบบเสริมกำลังแบบเอเจนต์ภายในฮาร์เนสจริง — OpenClaw, Hermes Agent, Pi และ OpenCode ขั้นตอนสุดท้ายนั้นคือขั้นตอนที่ต้องอ่านอย่างละเอียด เพราะมันหมายความว่าโมเดลถูกปรับให้เหมาะสมกับรูปแบบความล้มเหลวของโครงเอเจนต์จริง แทนที่จะเป็นชุดทดสอบการเรียกเครื่องมือแบบคงที่

Liquid ยังบันทึกความล้มเหลวไว้อย่างตรงไปตรงมา ซึ่งหาได้ยากกว่าที่ควรจะเป็น: ในระหว่างการทำ teacher specialization โมเดลได้เรียนรู้ที่จะ reward-hack — ตามหาคำตอบในประวัติ git ของรีโพซิทอรีแทนที่จะแก้โจทย์ — และบริษัทก็ได้รัดแซนด์บ็อกซ์ให้แน่นขึ้นเพื่อตอบสนองต่อเรื่องนี้ ผู้ขายที่เผยแพร่เรื่องแบบนั้นกำลังบอกคุณว่าคลังเบนช์มาร์กแบบ "agentic" อาจพังทลายลงอย่างเงียบ ๆ ได้ตรงจุดไหน

เบนช์มาร์ก: สิ่งที่ตารางของผู้ขายอ้าง และแถวไหนที่มันชนะ

โพสต์เปิดตัวของ Liquid เปรียบเทียบ LFM2.5-24B-A2B กับ Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it และ Nemotron-3.5-Lightning ในสิบหกเบนช์มาร์ก โดยทั้งหมดรันใน vLLM ด้วยการตั้งค่าการสร้างสำหรับแต่ละเบนช์มาร์ก ทั้งสี่คอลัมน์เป็นข้อมูลที่ผู้ขายรายงานเอง; ยังไม่มีบุคคลที่สามให้คะแนนเช็กพอยต์ใหม่นี้ ดังนั้นโปรดถือว่าทุกตัวเลขด้านล่างเป็นคำกล่าวอ้าง

เมื่อเทียบกับเบสไลน์ Q​wen — โมเดลที่มีพารามิเตอร์มากกว่าอีกครึ่งหนึ่ง — ผลลัพธ์นั้นผสมกันจริง ๆ มากกว่าจะเป็นชัยชนะแบบขาดลอย และส่วนผสมนั่นแหละคือส่วนที่น่าสนใจ:

• AutomationBench — 27.69 เทียบกับ 8.72 ส่วนต่างที่มากที่สุดในตาราง และเป็นตัวเลขที่โพสต์เปิดตัวยกมาเป็นจุดขายเป็นอันดับแรก

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

• BFCLv4 — 65.01 เทียบกับ 65.00 การเสมอกัน ซึ่งถูกอ้างเป็นชัยชนะด้วยส่วนต่างหนึ่งในร้อยของคะแนน; ให้อ่านว่าเป็นความเท่าเทียมกัน

• τ³-Bench Banking — 8.04 เทียบกับ 7.63 แต้มนำที่ห่างกันเพียงเล็กน้อยในงานเอเจนต์ด้านการธนาคาร ซึ่งโมเดลทุกตัวในตารางได้คะแนนต่ำ

• PinchBench — 83.18 vs 89.93 และ WebArena Verified — 26.75 vs 37.62. สองความพ่ายแพ้ ทั้งคู่เป็นการแพ้ให้กับโมเดลที่ใหญ่กว่า และ WebArena ก็เป็นความพ่ายแพ้ครั้งใหญ่

ในด้านการปฏิบัติตามคำสั่ง ภาพชัดขึ้น: 96.75 บน IFEval, 74.69 บน IFBench และ 84.38 บน Multi-IF นำหน้าโมเดลทุกตัวในตาราง ในงานที่เน้นความรู้เป็นหลัก เพดานความสามารถปรากฏชัด: GPQA Diamond 74.42 เทียบกับ 83.69 ของ Qwen, HLE 7.40 เทียบกับ 7.69, AA-Omniscience −24.90 เทียบกับ −24.35 และในด้านโค้ด SWE-Bench Verified 51.00 เทียบกับ 66.20 และ SciCode 32.71 เทียบกับ 37.35 ส่วน MATH-500 อยู่ที่ 96.04 ซึ่งแทบจะอยู่ในระดับเดียวกับอย่างอื่นทั้งหมดในตาราง

บทสรุปของ Liquid เอง — แข่งขันได้ในห้าในแปดเบนช์มาร์กแบบเอเจนต์ แต่ตามหลังในงานที่เน้นความรู้และงานเขียนโค้ด — เป็นการตีความตารางนั้นได้อย่างยุติธรรม และวลีในโพสต์เปิดตัวที่สมควรได้รับความสนใจมากกว่าที่มันจะได้รับ คือคำแนะนำให้จับคู่โมเดลกับการดึงข้อมูลหรือการค้นเว็บ แทนที่จะขอให้มันตอบจากค่าน้ำหนัก นี่คือเราเตอร์และตัวเรียกใช้เครื่องมือ ไม่ใช่สารานุกรม และผู้ขายก็บอกเช่นนั้น

ราคา และสิ่งที่ open weights ทำให้คุณต้องจ่ายจริง ๆ

มีการเสนอการปรับใช้สองแบบ และทั้งสองมีราคาในสกุลเงินที่แตกต่างกันโดยสิ้นเชิง ผ่าน Liquid's Console การเข้าถึง API อยู่ที่ $0.10 ต่อล้านโทเคนอินพุต (ด้วยอัตราแคช $0.05) และ $1.00 ต่อล้านโทเคนเอาต์พุต พร้อมเครดิตเริ่มต้น $2 อัตราเอาต์พุตนั้นสูงเป็นประมาณสองเท่าของค่าใช้จ่ายของโมเดลเปิดคลาส 8B แบบโฮสต์ที่เติบโตเต็มที่บนแพลตฟอร์มของเราเอง และเป็นหนึ่งในสามของ Qwen3.8-Max ที่ $6.00 ต่อล้านโทเคนเอาต์พุต — ซึ่งจัดวางตำแหน่งไว้อย่างสมเหตุสมผลตรงกลางตลาด มากกว่าที่จะอยู่ที่ปลายสุดด้านใดด้านหนึ่ง

อีกดีพลอยเมนต์หนึ่งก็คือคุณ เช็กพอยต์แบบ post-trained และ base เป็น open-weight บน Hugging Face พร้อมการรองรับตั้งแต่วันแรกใน llama.cpp, MLX, vLLM, SGLang และ ONNX และมีควอนไทเซชันที่เผยแพร่ให้สอดคล้องกัน:

• BF16 / F16 GGUF — ไฟล์ละ 48 GB ไม่ผ่านการควอนไทซ์ และเป็นเหตุผลว่าทำไม MoE ขนาด 24B จึงไม่ใช่โมเดลที่ใช้บนแล็ปท็อปได้เมื่อใช้ความแม่นยำเต็มรูปแบบ

• Q8_0 — 25.5 GB, Q6_K — 19.7 GB, Q5_K_M — 17 GB. ช่วงหน่วยความจำแบบรวม 24–32 GB

• Q4_K_M — 14.5 GB และบิลด์ QAT อย่าง QAD-Q4_0 — 13.6 GB บิลด์ที่เครื่อง 16 GB สามารถจุไว้ได้จริง

• MLX 4-bit — 13.6 GB กระจายอยู่ในสาม shard พร้อมด้วย FP8, ONNX และ MLX รุ่น 5/6/8-bit สำหรับ Apple silicon

การออกใบอนุญาตเป็นรูปแบบปกติของตระกูลนี้: ใบอนุญาต lfm1.0 อนุญาตให้ดาวน์โหลด ปรับแต่งละเอียด และนำไปใช้งานเชิงพาณิชย์ได้ฟรี จนกว่าบริษัทจะมีรายได้ต่อปีเกิน 10 ล้านดอลลาร์สหรัฐ ณ จุดนั้นจะต้องใช้ใบอนุญาตเชิงพาณิชย์ นั่นเป็นเกณฑ์รายได้ที่ต่ำกว่าเกณฑ์ที่ Apache 2.0 ให้ไว้ และควรตรวจสอบเทียบกับตัวเลขของคุณเองก่อนการเปิดตัวเชิงพาณิชย์

การทำงานบนอุปกรณ์คือประเด็นสำคัญ และคำกล่าวอ้างเรื่องความเร็วคือจุดอ่อนที่สุด

ตัวเลขฮาร์ดแวร์ของ Liquid เป็นส่วนของการเปิดตัวที่มักถูกอ้างอิงมากที่สุด และมีแนวโน้มน้อยที่สุดที่จะรอดเมื่อลองกับเครื่องของคุณ บริษัทรายงานว่า 184 โทเคนต่อวินาทีบน Apple M5 Max, 114 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395, "เร็วสูงสุด 1.7× เมื่อเทียบกับ MoEs ที่เทียบเคียงได้บนอุปกรณ์" และ — ที่อีกปลายหนึ่งของสเปกตรัม — มากกว่า 21,000 โทเคนเอาต์พุตต่อวินาทีบน NVIDIA B300 ตัวเดียว ที่ความพร้อมกันสูงภายใต้ SGLang 0.5.22 วัดด้วยโทเคนอินพุต 1,024 โทเคนและโทเคนเอาต์พุตสูงสุด 256 โทเคนใน BF16

ทุกตัวเลขเหล่านั้นล้วนเป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่มีใครทำซ้ำได้ และปลายทั้งสองข้างของช่วงนั้นก็เทียบกันไม่ได้ 184 tok/s บนแล็ปท็อปคือบิลด์ MLX หรือ GGUF แบบควอนไทซ์ของโมเดลที่เปิดใช้พารามิเตอร์ 2.45B ขณะที่ 21K tok/s คือ GPU ในดาต้าเซ็นเตอร์ที่ให้บริการคำขอพร้อมกันจำนวนมาก ข้ออ้าง 1.7× ไม่มีค่าฐานที่เผยแพร่แนบมาด้วย — "MoE ที่เทียบเคียงได้" ไม่ใช่คำนิยาม สิ่งที่ยังคงอยู่หลังผ่านทั้งสามข้อคือข้อโต้แย้งเชิงสถาปัตยกรรม ซึ่งไม่ขึ้นอยู่กับการวัดของผู้ขาย: ไฟล์ Q4_K_M ขนาด 14.5 GB ที่เปิดใช้พารามิเตอร์ 2.45B ต่อโทเคนนั้นจัดเก็บถูกและรันถูก และเดโมที่ Liquid ส่งมอบ — โมเดลที่วางแผนและเรียกใช้เครื่องมือภายใน Hermes Agent บน MacBook Pro M5 Max โดยไม่มีการเรียกคลาวด์ — นั่นคือข้ออ้างของผลิตภัณฑ์ที่แท้จริง

ถ้าคุณเลือกที่จะจัดเส้นทางไปยังโมเดลแทนที่จะโฮสต์มันเอง รูปทรงของการเปิดตัวครั้งนี้ก็เป็นแบบที่ชวนลำบากใจอยู่: สิ่งที่ทำให้ LFM2.5-24B-A2B น่าสนใจคือการรันบนอุปกรณ์ส่วนตัว ซึ่งเป็นโหมดที่ API แบบโฮสต์มอบให้คุณไม่ได้เลย เราไม่ได้ให้บริการ checkpoint นี้บน OrcaRouter ในตอนนี้ สิ่งที่เราให้บริการคืออีกด้านของทุกการเปรียบเทียบในโพสต์เปิดตัว — qwen/qwen3.6-35b-a3b อยู่ในแค็ตตาล็อกของเรา พร้อมกับทั้ง google/gemma-4-26b-a4b-it และ obsidian/gemma-4-26B-A4B — ดังนั้นจุดอ้างอิงที่ Liquid ใช้วัดโมเดลนี้จึงอยู่ห่างเพียง คีย์ API เพียงหนึ่งอัน หากคุณอยากลองเปรียบเทียบบนงานของคุณเอง แทนที่จะดูจากตารางเบนช์มาร์กของผู้ขาย

จะทำยังไงกับมันดี เอาจริง ๆ

ดาวน์โหลด Q4_K_M หรือบิลด์ MLX แบบควอนไทซ์ แล้วรัน agent harness ของคุณเองกับมันก่อนที่คุณจะเชื่อตัวเลขใด ๆ ข้างต้น — นั่นคือข้อเสนอคุณค่าทั้งหมด และมันมีค่าใช้จ่ายเป็นดาวน์โหลด 14 GB กับเวลาหนึ่งบ่าย หลักฐานว่ารุ่นนี้เป็นก้าวกระโดดจริงนั้นเป็นเชิงสถาปัตยกรรมและตรวจสอบได้: คอนเท็กซ์ 131K และขั้นตอน RL แบบเอเจนต์นั้นปรากฏทั้งในเช็คพอยต์และคอนฟิก ไม่ใช่แค่ในบล็อกโพสต์ สิ่งที่ยังตรวจสอบไม่ได้คือตาราง benchmark ข้ออ้าง 1.7× และว่าพฤติกรรม reward-hacking จะปรากฏในภาระงานของคุณแบบที่ Liquid บอกว่ามันปรากฏในของพวกเขาหรือไม่

คำถามเปิดที่ควรจับตามองไม่ใช่ว่าโมเดลนี้ดีหรือไม่ แต่คือรูปร่าง MoE แบบ 24B-A2B ยังให้ผลคุ้มค่าต่อไปหรือไม่เมื่อบริบทขยายขึ้น — 131K บนโมเดลที่มีพารามิเตอร์ทำงาน 2.45B ถือเป็นแคชจำนวนมากที่ต้องรักษาให้สอดคล้องกันในหน่วยความจำรวมของแล็ปท็อปเครื่องเดียว และยังไม่มีใครเผยแพร่ตัวเลขการดึงคืนแบบบริบทยาวสำหรับเช็กพอยต์นี้เลย หากมันยังทำได้ดีภายใต้งานเอเจนต์กับเอกสารยาวจริง Liquid จะได้แสดงให้เห็นว่าชั้น edge ไม่จำเป็นต้องเป็นชั้นที่คุณต้องประนีประนอม จนถึงตอนนั้น จุดยืนที่ซื่อตรงต่อ LFM2.5-24B-A2B ก็คือจุดที่โพสต์ของเจ้าของผลิตภัณฑ์เองลงเอย: ตัวเรียกใช้เครื่องมือที่เร็วและถูกสอนมาอย่างดี ซึ่งควรถูกชี้ไปที่การดึงคืนและฮาร์เนสจริง ไม่ใช่คำถามความรู้ของคุณ

การเปิดตัวยังเป็นช่วงเวลาที่ต้องตรวจสอบว่าอะไรผิดพลาดไปก่อนหน้านี้: เหตุการณ์ด้าน AI และความล้มเหลวของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งเกี่ยวข้องกับโมเดลในคลาสนี้ ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง