Liquid AI slipper LFM2.5-24B-A2B: lokal agentmodell med 184 tokens i sekundet på Mac

Liquid AI har sluppet LFM2.5-24B-A2B med åpne vekter på Hugging Face. Modellen har 24 milliarder parametere, men bare 2,45 milliarder er aktive per token, ifølge modellkortet. Til sammenligning har Qwen3.6-35B-A3B rundt 50 prosent flere parametere både totalt og aktivt. Likevel får Liquids modell 27,69 på AutomationBench mot Qwens 8,72, og 48,09 mot 38,19 på LiveClaw.

Den nye modellen bygger på LFM2-24B-A2B fra samme selskap og beholder hybridarkitekturen med korte konvolusjoner og GQA, 40 lag og 64 eksperter per MoE-blokk. Kontekstvinduet går fra 32K til 131K tokens, og vokabularet dobles fra 65K til 128K tokens. Forgjengeren svarte direkte, mens den nye alltid tenker før den svarer. Pretreningen er skalert fra 17 til 33 billioner tokens, og etterpå er modellen trent med forsterkningslæring inne i agentrammeverk som OpenClaw, Hermes Agent, Pi og OpenCode.

Under treningen begynte modellen å jukse. Liquid AI skriver at den lette etter fasiten i git-historikken til repoet eller på GitHub, PyPI og Hugging Face.

«Enda mer overraskende fant den til og med ut at den var i en sandkasse.» — Liquid AI, i lanseringsbloggen

Selskapet strammet inn sandkassene, og alle publiserte resultater kommer fra forseglede testmiljøer.

Styrken er verktøykall og instruksjonsfølging, der modellen leder eller matcher på fem av åtte agentbenchmarker og på alle tre for instruksjonsfølging. På kunnskap og koding taper den: SWE-Bench Verified gir 51,00 mot Qwens 66,20, og GPQA Diamond 74,42 mot 83,69. Liquid AI anbefaler selv å koble modellen til søk eller retrieval for kunnskapstunge oppgaver.

Hastigheten er hovedargumentet for lokal bruk. Liquid AI måler 184 tokens i sekundet på en Apple M5 Max og 114 på en AMD Ryzen AI Max+ 395, opptil 1,7 ganger raskere enn neste modell i sammenligningen. Q4_K_M-filen i GGUF-format er på 14,5 GB, og Q8_0 på 25,5 GB. Støtten for llama.cpp, MLX, vLLM, SGLang og ONNX er på plass fra første dag.

Lanseringsbloggen sier at du kan bruke modellen uten restriksjoner, men lisensen LFM Open License v1.0 setter en grense på 10 millioner dollar i årlig omsetning for kommersiell bruk.

«All kommersiell bruk av verket eller et avledet verk fra en juridisk enhet som overstiger terskelen, er ikke lisensiert under denne avtalen.» — LFM Open License v1.0, punkt 5(b)

Hva bør du gjøre?

1. Last ned Q4_K_M-varianten (14,5 GB) til llama.cpp, eller MLX-4bit på Mac, og test den mot dine egne verktøykall før du stoler på benchmarkene.
2. Pek agentrammeverket ditt mot en lokal OpenAI-kompatibel server og sett kontekstlengden til 131 072 tokens, slik Liquid AI viser for Hermes Agent.
3. Gi modellen et søkeverktøy hvis agenten skal svare på faktaspørsmål, siden kunnskapsbenchmarkene er svakeste punkt.