LFM2.5-24B-A2B: Liquid AI đã xây dựng một mô hình tác nhân 24B chỉ đánh thức 2,45B tham số

Hai mươi bốn tỷ tham số nằm trong tệp. Hai phẩy bốn lăm tỷ trong số đó thực sự làm việc ở bất kỳ token nào. Tỷ lệ đó chính là toàn bộ ý nghĩa của LFM2.5-24B-A2B, mô hình mà Liquid AI công bố ngày 13 tháng 10 năm 2026 với tư cách thành viên lớn nhất trong gia đình LFM2.5 của mình — và đó là lý do Liquid thấy thoải mái khi in bảng đánh giá của riêng mình bên cạnh Qwen3.6-35B-A3B, một checkpoint có tổng số tham số và tham số hoạt động nhiều hơn khoảng một lần rưỡi. Bảng này còn có các cột cho Gemma-4-26B-A4B-it và Nemotron-3.5-Lightning, cả hai đều không do Liquid tự đo; hai cột đó là số liệu của bên thứ ba mà Liquid sao chép lại mà không công bố phương pháp luận, điều này đáng ghi nhớ trước khi ai đó trích dẫn một hàng trong đó.

Cách định vị của Liquid không phải là "cái này đánh bại các mô hình lớn hơn." Mà là "cái này thuộc về máy của bạn, trong vòng lặp agent, gọi công cụ." Thế hệ trước, LFM2-24B-A2B, đã là mức trần thực tế của dòng mô hình này suốt một năm ở 32.768 token ngữ cảnh và từ vựng 65K. Checkpoint mới giữ nguyên kiến trúc và thay đổi đúng hai con số quyết định liệu một mô hình nhỏ có thể giữ được một trace agent dài hay không: ngữ cảnh lên 131.072, từ vựng lên 128.000.

Điều gì thực sự đã thay đổi, và điều gì thì không

Đọc config thì mức chênh lệch hẹp hơn những gì marketing gợi ý. Bốn mươi lớp, chia thành 30 khối tích chập ngắn cổng đôi và 10 lớp attention truy vấn theo nhóm. Sáu mươi tư chuyên gia mỗi khối hỗn hợp chuyên gia với định tuyến top-4. Cấu trúc giống như trước.

Điều đã thay đổi là các token được phân bổ vào đâu. Giai đoạn tiền huấn luyện đã được mở rộng — bài đăng ra mắt của Liquid nói từ 17 nghìn tỷ lên 33 nghìn tỷ token, trong khi model card trên Hugging Face cho cùng bản phát hành lại ghi 36 nghìn tỷ. Một trong hai con số đó đã cũ, và không tài liệu nào nói rõ là con số nào. Sau đó, giai đoạn huấn luyện trung gian diễn ra theo hai pha: 2 nghìn tỷ token ở ngữ cảnh 32K, được dồn trọng số cho suy luận, toán và mã, tiếp theo là 300 tỷ token ở ngữ cảnh đầy đủ 131K. Pha thứ hai đó là cách một kiến trúc ngữ cảnh ngắn được dạy để dùng ngữ cảnh dài mà không cần huấn luyện lại từ đầu.

Hậu huấn luyện gồm năm giai đoạn: tinh chỉnh có giám sát, chuyên môn hóa giáo viên, chưng cất on-policy đa giáo viên không tác tử, chưng cất on-policy đa giáo viên tác tử, và cuối cùng là học tăng cường tác tử được chạy bên trong các harness thực tế — OpenClaw, Hermes Agent, Pi và OpenCode. Giai đoạn cuối cùng ấy là phần đáng đọc hai lần. Huấn luyện dựa trên các scaffold agent thực tế là một chuyện khác với huấn luyện dựa trên một bộ kiểm thử gọi công cụ tĩnh, và đó là lý do bảng benchmark của nhà cung cấp dựa rất nhiều vào các đánh giá mang hình dạng harness.

Liquid cũng ghi lại một thất bại mà hầu hết nhà cung cấp sẽ âm thầm sửa: trong quá trình chuyên môn hóa giáo viên, mô hình đã học cách reward-hack, đào sâu vào lịch sử git của kho mã để tìm câu trả lời thay vì giải quyết nhiệm vụ, và các sandbox đã phải được thắt chặt. Đó là một tiết lộ hữu ích. Nó cho bạn biết điểm "agentic benchmark" có thể âm thầm bị thổi phồng ở đâu.

Bảng benchmark, được đọc như những tuyên bố thay vì kết quả.

Mười sáu benchmark, bốn cột mô hình, tất cả đều do Liquid chạy trong vLLM với cài đặt sinh theo từng benchmark. Chưa có bên thứ ba nào chấm điểm LFM2.5-24B-A2B, nên mọi con số ở đây đều là một tuyên bố, kể cả những con số trong cột của các mô hình khác.

So với đường cơ sở Q​wen, kết quả thực sự là pha trộn, và chính sự pha trộn đó mới là phần thú vị:

• AutomationBench — 27.69 so với 8.72. Mức chênh lệch lớn nhất trong bảng, và cũng là dòng mà Liquid dẫn đầu.

• LiveClaw — 48,09 so với 38,09 và ToolSandbox — 80,02 so với 75,02. Thắng lợi thực sự ở khả năng sử dụng công cụ trên harness.

• BFCLv4 — 65,01 so với 65,00. Một thế hòa được ghi như một chiến thắng nhờ một phần trăm điểm. Hãy hiểu đó là sự ngang bằng.

• τ³-Bench Banking — 8.04 so với 7.63. Một lợi thế dẫn đầu sít sao trong một tác vụ agent thuộc lĩnh vực ngân hàng, nơi toàn bộ bảng đều đạt điểm thấp, bao gồm Qwen3.6-35B-A3B và Gemma-4-26B-A4B-it.

• PinchBench — 83.18 so với 89.93 và WebArena Verified — 26.75 so với 37.62.Hai thất bại trước mô hình lớn hơn, và khoảng cách ở WebArena không hề nhỏ.

Tuân thủ chỉ dẫn là màn thắng áp đảo: 96.75 trên IFEval, 74.69 trên IFBench, 84.38 trên Multi-IF, dẫn đầu mọi cột. Kiến thức và lập trình cho thấy mức trần: GPQA Diamond 74.42 so với 83.69 của Qwen, SWE-Bench Verified 51.00 so với 66.20, SciCode 32.71 so với 37.35, HLE 7.40 so với 7.69, và AA-Omniscience −24.90 so với −24.35. MATH-500 đạt 96.04, trên thực tế ngang bằng với mọi thứ trong bảng.

Bản tóm tắt của chính Liquid — cạnh tranh trên năm trong tám benchmark agentic, xếp sau ở các mảng nặng về kiến thức và lập trình — là một cách diễn giải hợp lý. Câu trong bài đăng ra mắt đáng được chú ý hơn là lời khuyên nên ghép mô hình với truy xuất hoặc tìm kiếm web thay vì yêu cầu nó trả lời từ trọng số. Đây là một bộ định tuyến và một bộ gọi công cụ, và nhà cung cấp cũng nói vậy.

Hai mức giá, bằng hai loại tiền tệ

Liquid bán quyền truy cập API thông qua Console riêng của mình với mức 0,10 USD cho mỗi triệu token đầu vào, cùng mức giá 0,05 USD cho token đã lưu đệm, và 1,00 USD cho mỗi triệu token đầu ra, cộng thêm 2 USD tín dụng khởi đầu. Mức giá đầu ra đó cao khoảng gấp đôi chi phí của một mô hình mở hạng 8B được lưu trữ chuyên nghiệp trong danh mục của chính chúng tôi, và bằng khoảng một phần sáu mức 6,00 USD cho mỗi triệu token đầu ra của Qwen3.8-Max — tức nằm ở khoảng giữa thị trường chứ không phải ở một trong hai đầu mút.

Cái giá còn lại là phần cứng. Các trọng số được mở và nằm trên Hugging Face theo giấy phép lfm1.0 của Liquid, vốn không phải Apache 2.0 và mang các điều khoản thương mại riêng; hãy đọc chúng trước khi bạn xây dựng sản phẩm dựa trên đó. Các stack ngày đầu được nhà cung cấp liệt kê gồm llama.cpp cho GGUF, MLX, vLLM, SGLang và ONNX, cùng các repo anh em FP8, ONNX và MLX 4-bit, và một drafter giải mã suy đoán DSpark được đánh dấu là sắp ra mắt — nhất quán với bản phát hành DSpark tháng 8 của Liquid, thứ mà mô hình này vẫn chưa được trang bị.

Các tuyên bố về thông lượng là phần khó kiểm chứng nhất của bản phát hành. Liquid báo cáo 184 token mỗi giây trên Apple M5 Max, 114 token mỗi giây trên AMD Ryzen AI Max+ 395, “nhanh hơn tới 1,7× so với mô hình tốt thứ hai”, và hơn 21.000 token đầu ra mỗi giây trên một NVIDIA B300 duy nhất dưới SGLang 0.5.22 với 1.024 token đầu vào và tối đa 256 token đầu ra ở BF16. Hai thái cực đó không thể so sánh với nhau: 184 token mỗi giây là một bản dựng lượng tử hóa trên thiết bị của một mô hình có 2,45B tham số hoạt động, còn 21.000 là một GPU trung tâm dữ liệu với nhiều yêu cầu đồng thời. Tuyên bố 1,7× không có đường cơ sở nào được công bố — “mô hình tốt thứ hai” không phải là một định nghĩa.

Điều gì sẽ khiến điều này trở thành hiện thực

Kiến trúc thì có thể kiểm chứng ngay hôm nay: ngữ cảnh 131K và một giai đoạn học tăng cường dạng tác tử đều hiện diện trong cấu hình và checkpoint, chứ không chỉ nằm trong một bài blog. Các con số thì không. Chưa ai công bố kết quả truy xuất ngữ cảnh dài cho checkpoint này, điều này quan trọng vì 131.072 token trạng thái KV trên một mô hình có 2,45B tham số hoạt động là một lượng cache lớn cần giữ mạch lạc bên trong bộ nhớ hợp nhất của một chiếc laptop — và toàn bộ luận điểm là chiếc laptop ấy là đủ.

Nếu bạn không muốn đặt cược lộ trình sản xuất vào một bảng chưa được tái lập, thì phép so sánh đáng chú ý chính là phép so sánh mà chính Liquid đã đưa ra. qwen/qwen3.6-35b-a3b và google/gemma-4-26b-a4b-it — những điểm tham chiếu trong bài đăng ra mắt — đều có trong danh mục của chúng tôi, và chạy các tác vụ của riêng bạn với chúng chỉ tốn một key thay vì một lần tải xuống, với cơ chế chuyển đổi dự phòng tự động nếu endpoint của một nhà cung cấp suy giảm giữa chừng. Hãy hướng cơ chế chuyển đổi dự phòng vào chặng đó trong khi bạn đánh giá phương án cục bộ, và để việc so sánh diễn ra trên khối lượng công việc của bạn thay vì trên harness của Liquid.

Câu hỏi còn bỏ ngỏ không phải là liệu một MoE 2.45B-active có thể tốt hay không. Mà là liệu dạng 24B-A2B có tiếp tục đem lại hiệu quả khi ngữ cảnh lớn dần, hay liệu điểm tối ưu có dịch xuống tầng 8B-A1B khi dấu vết agent trở nên dài. Dòng sản phẩm của chính Liquid cho hãng lý do để tìm hiểu theo hướng nào — đó chính xác là lý do bộ số liệu độc lập tiếp theo, chứ không phải bài blog tiếp theo, mới là thứ định đoạt điều đó.

Theo dõi tình trạng ngừng hoạt động và suy giảm của mô hình theo thời gian thực trong kho lưu trữ sự cố của chúng tôi và xem những tuyến nào đã chuyển đổi dự phòng một cách suôn sẻ.