Liquid AI julkaisee LFM2.5-2.6B-mallin: 128K konteksti, työkalujen kutsuminen ja avoimet painot laitteessa toimivaan agenttimalliin

Liquid AI julkaisi LFM2.5-2.6B:n, agenttimallin, joka toimii kokonaan laitteessa paikallisesti, suunnittelee, käyttää työkaluja ja hoitaa monivaiheisia tehtäviä puhelimissa, kannettavissa, pöytäkoneissa ja roboteissa. Mallissa on yhteensä 2,69 miljardia parametria, 131 072 tokenin konteksti-ikkuna ja 128 000 tokenin sanasto, ja se on esikoulutettu noin 34 biljoonalla tokenilla. Julkaistiin kaksi tarkistuspistettä: LFM2.5-2.6B-Base hienosäätöä varten ja LFM2.5-2.6B jälkikoulutettu agenttityökuormia varten. Koska päättely pysyy paikallisena, data ei koskaan poistu laitteesta ja marginaalikustannus suoritusta kohti on lähes nolla. Malli raportoi työkalujen käytön ja ohjeiden noudattamisen tulokset, jotka ovat kilpailukykyisiä lähes neljä kertaa suurempien mallien kanssa. Molemmat tarkistuspisteet ovat julkisesti saatavilla Hugging Facessa lfm1.0-lisenssillä, painot alkuperäisissä, GGUF-, MLX- ja ONNX-muodoissa, ja heti ensimmäisenä päivänä tuettuina llama.cpp:ssä, vLLM:ssä, SGLang:ssa ja LM Studiossa. Arkkitehtuurissa on 30 kerrosta (22 kaksoisportillista lyhyttä konvoluutiolohkoa sekä 8 ryhmiteltyä kyselyhuomiolohkoa) ja sanaston koko 128 000. Koulutukseen sisältyi nelivaiheinen jälkikoulutusprosessi, joka sisältää ohjatun hienosäädön, opettajan erikoistumisen vahvistusoppimisella, monialaisen on-policy-tislauksen ja agenttikohtaisen vahvistusoppimisen GRPO:lla. Vertailuarvot osoittavat, että malli johtaa kaikissa raportoiduissa ohjeiden noudattamisen vertailuarvoissa ja lähes kaikissa työkalujen käytön vertailuarvoissa, jääden suuremmista malleista, kuten Qwen3.5-9B, jälkeen vain BFCLv4:ssä ja koodaustehtävissä. Mallia suositellaan agenttityökuormiin, työkalujen käyttöön, tiedon poimintaan, RAG:iin ja pitkän kontekstin työnkulkuihin, mutta ei agenttikohtaiseen koodaukseen tai tiedon intensiivisiin tehtäviin.