Liquid AI veröffentlicht LFM2.5-2.6B: Ein On-Device Agentisches Modell mit 128K Kontext, Tool-Aufruf und offenen Gewichten

Liquid AI hat LFM2.5-2.6B veröffentlicht, ein agentisches Modell, das vollständig auf dem Gerät läuft, plant, Tools aufruft und mehrstufige Aufgaben auf Smartphones, Laptops, PCs und Robotern bewältigt. Das Modell verfügt über insgesamt 2,69 Milliarden Parameter, einen Kontextfenster von 131.072 Token und einen Wortschatz von 128.000 Token und wurde mit etwa 34 Billionen Token vortrainiert. Es wurden zwei Checkpoints veröffentlicht: LFM2.5-2.6B-Base für das Fein-Tuning und LFM2.5-2.6B post-trained für agentische Arbeitslasten. Da die Inferenz lokal bleibt, verlassen Daten niemals das Gerät und die Grenzkosten pro Lauf liegen nahezu bei null. Das Modell erzielt Berichten zufolge bei Tool-Nutzung und Anweisungsbefolgung Werte, die mit Modellen konkurrieren, die fast viermal so groß sind. Beide Checkpoints sind öffentlich auf Hugging Face unter der lfm1.0-Lizenz verfügbar, mit Gewichten in nativen Formaten sowie GGUF, MLX und ONNX, und Unterstützung ab dem ersten Tag in llama.cpp, vLLM, SGLang und LM Studio. Die Architektur umfasst 30 Schichten (22 doppelt gegatterte Kurzfaltungsblöcke plus 8 Blöcke mit gruppierter Abfrageaufmerksamkeit) und eine Vokabulargröße von 128.000. Das Training umfasste einen vierstufigen Nachbearbeitungsprozess, einschließlich überwachter Feinabstimmung, Lehrerspezialisierung mit bestärkendem Lernen, mehrdomäniger On-Policy-Destillation und agentischem bestärkendem Lernen mit GRPO. Benchmarks zeigen, dass das Modell in allen berichteten Benchmarks zur Anweisungsbefolgung und in fast allen Benchmarks zur Tool-Nutzung führend ist und nur bei BFCLv4 und Programmieraufgaben hinter größeren Modellen wie Qwen3.5-9B zurückbleibt. Das Modell wird für agentische Arbeitslasten, Tool-Nutzung, Datenextraktion, RAG (Retrieval-Augmented Generation) und Langkontext-Workflows empfohlen, jedoch nicht für agentisches Programmieren oder wissensintensive Aufgaben.