Liquid AI publie LFM2.5-2.6B : un modèle agentique sur appareil avec contexte de 128K, appel d'outils et poids ouverts

Liquid AI a publié LFM2.5-2.6B, un modèle d'agent qui fonctionne entièrement sur appareil, planifiant, appelant des outils et gérant des tâches multi-étapes sur téléphones, ordinateurs portables, PC et robots. Le modèle possède 2,69 milliards de paramètres au total, une fenêtre de contexte de 131 072 jetons et un vocabulaire de 128 000 jetons, pré-entraîné sur environ 34 000 milliards de jetons. Deux points de contrôle ont été publiés : LFM2.5-2.6B-Base pour le réglage fin et LFM2.5-2.6B post-entraîné pour les charges de travail d'agent. Comme l'inférence reste locale, les données ne quittent jamais l'appareil et le coût marginal par exécution est proche de zéro. Le modèle rapporte des scores d'utilisation d'outils et de suivi d'instructions comparables à ceux de modèles près de quatre fois plus grands. Les deux points de contrôle sont publics sur Hugging Face sous licence lfm1.0, avec des poids au format natif, GGUF, MLX et ONNX, et une prise en charge dès le premier jour dans llama.cpp, vLLM, SGLang et LM Studio. L'architecture comprend 30 couches (22 blocs de convolution courte à double porte plus 8 blocs d'attention par groupes) et une taille de vocabulaire de 128 000. L'entraînement implique un processus de post-entraînement en quatre étapes comprenant un réglage fin supervisé, une spécialisation de l'enseignant avec apprentissage par renforcement, une distillation sur politique multi-domaine et un apprentissage par renforcement d'agent avec GRPO. Les bancs d'essai montrent que le modèle est en tête de tous les bancs d'essai de suivi d'instructions rapportés et de presque tous les bancs d'essai d'utilisation d'outils, ne dépassant les modèles plus grands comme Qwen3.5-9B que sur BFCLv4 et les tâches de codage. Le modèle est recommandé pour les charges de travail d'agent, l'utilisation d'outils, l'extraction de données, la génération augmentée par récupération et les flux de travail à long contexte, mais pas pour le codage d'agent ou les tâches à forte intensité de connaissances.