триллионах токенов. Выпущены две контрольные точки: LFM2.5-2.6B-Base для тонкой настройки и LFM2.5-2.6B (пост-обученная) для агентных нагрузок. Поскольку вывод выполняется локально, данные никогда не покидают устройство, а предельные затраты на один запуск почти нулевые. Модель демонстрирует показатели использования инструментов и следования инструкциям, сопоставимые с моделями, почти в четыре раза превышающими её размер. Обе контрольные точки публично доступны на Hugging Face под лицензией lfm1.0, с весами в нативных форматах, а также в GGUF, MLX и ONNX; поддержка с первого дня включена в llama.cpp, vLLM, SGLang и LM Studio. Архитектура включает 30 слоёв (22 двойных с двойным затвором коротких свёрточных блока плюс 8 блоков группированного внимания с запросами) и словарь размером 128 000 токенов. Обучение включало четырёхэтапный пост-обучающий процесс: контролируемая тонкая настройка, специализация учителя с обучением с подкреплением, многодоменная политическая дистилляция и агентное обучение с подкреплением с использованием GRPO. Результаты тестов показывают, что модель лидирует во всех отчётах по следованию инструкциям и почти по всем бенчмаркам использования инструментов, уступая более крупным моделям, таким как Qwen3.5-9B, только в BFCLv4 и задачах, связанных с написанием кода. Модель рекомендуется для агентных нагрузок, использования инструментов, извлечения данных, RAG и длинноконтекстных рабочих процессов, но не для агентного написания кода или задач, требующих больших объёмов знаний.