Liquid AI brengt LFM2.5-2.6B uit: een on-device agentisch model met 128K context, tool calling en open gewichten

Liquid AI heeft LFM2.5-2.6B uitgebracht, een agentisch model dat volledig on-device draait, plannen maakt, tools aanroept en meerstapstaken uitvoert op telefoons, laptops, pc's en robots. Het model heeft in totaal 2,69 miljard parameters, een contextvenster van 131.072 tokens en een woordenschat van 128.000 tokens, en is voorgetraind op ongeveer 34 biljoen tokens. Er zijn twee checkpoints uitgebracht: LFM2.5-2.6B-Base voor fine-tuning en LFM2.5-2.6B post-trained voor agentische workloads. Omdat de inferentie lokaal blijft, verlaten gegevens nooit het apparaat en zijn de marginale kosten per run bijna nul. Het model rapporteert scores voor toolgebruik en het volgen van instructies die concurrerend zijn met modellen die bijna vier keer zo groot zijn. Beide checkpoints zijn openbaar beschikbaar op Hugging Face onder de lfm1.0-licentie, met gewichten in native, GGUF, MLX en ONNX-formaten, en worden vanaf dag één ondersteund in llama.cpp, vLLM, SGLang en LM Studio. De architectuur heeft 30 lagen (22 dubbel gegate korte convolutieblokken plus 8 gegroepeerde query-aandachtsblokken) en een woordenschatgrootte van 128.000. De training omvatte een vierfasig post-trainingsproces, waaronder supervised fine-tuning, leraarspecialisatie met reinforcement learning, multi-domein on-policy distillatie en agentische reinforcement learning met GRPO. Benchmarks tonen aan dat het model leidt in alle gerapporteerde benchmarks voor het volgen van instructies en bijna alle benchmarks voor toolgebruik, en alleen achterloopt op grotere modellen zoals Qwen3.5-9B op BFCLv4 en coderingstaken. Het model wordt aanbevolen voor agentische workloads, toolgebruik, gegevensextractie, RAG en langetermijncontextworkflows, maar niet voor agentische codering of kennisintensieve taken.