أعلنت شركة Liquid AI عن إطلاق LFM2.5-24B-A2B، وهو نموذج استدلالي يضم 24 مليار معلمة، لا يُفعّل منها سوى ملياري معلمة عند كل رمز (token)، ومصمم لتشغيل وكلاء سريعين وخاصين مباشرة على الجهاز. يقوم النموذج بالتفكير قبل الإجابة، واستدعاء الأدوات، وتنفيذ مهام متعددة الخطوات ضمن بيئات الوكلاء الأكثر استخدامًا. ويتوفر وزنه المفتوح على منصة Hugging Face.
يتبنى النموذج نفس بنية سابقه LFM2-24B-A2B، مع 40 طبقة، و64 خبيرًا في كل كتلة MoE (خليط الخبراء، وهو نوع من البنى التي يُفعّل فيها جزء فقط من الشبكة عند كل عملية حسابية)، وتوجيه من أعلى 4 (top-4). تزداد نافذة السياق من 32 ألف رمز إلى 131 ألف رمز، ويتم توسيع المفردات من 65 ألفًا إلى 128 ألف رمز لتحسين تجزئة النصوص غير اللاتينية. على عكس LFM2-24B-A2B، فإن LFM2.5-24B-A2B هو نموذج موجه حصريًا للاستدلال، ينتج سلسلة تفكير صريحة قبل إجابته النهائية.
تم زيادة التدريب المسبق من حوالي 17 تريليون رمز إلى حوالي 33 تريليون رمز. ثم يأتي تدريب وسيط، باستخدام 2 تريليون رمز في سياق 32 ألفًا، يركز على الاستدلال والرياضيات والبرمجة واتباع التعليمات والنصوص متعددة اللغات، ثم 300 مليار رمز في سياق 131 ألفًا. تحول مرحلة ما بعد التدريب هذا النموذج الأساسي إلى وكيل عبر خمس خطوات: ضبط دقيق تحت الإشراف (SFT)، وتخصص نماذج « معلمين »، ومرحلتين من التقطير على السياسة (MOPD) إحداهما على مهام غير وكيلية والأخرى على مهام وكيلية، وأخيرًا تعلم تعزيز وكيلي، تم تنفيذه في بيئات وكلاء مثل OpenClaw وHermes Agent وPi وOpenCode.
نتائج مُعلنة أمام نماذج أكبر حجمًا
قارنت Liquid AI نموذجها بـ Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning على 16 معيارًا تغطي استخدام الأدوات والمعرفة واتباع التعليمات والرياضيات والبرمجة. وفقًا للشركة، فإن LFM2.5-24B-A2B هو الأصغر حجمًا في المجموعة، مع بقائه منافسًا أمام نماذج تمتلك حوالي 50% من المعلمات الإجمالية والنشطة إضافية. على LiveClaw، حصل على 48.09 مقابل 38.19 لـ Qwen3.6-35B-A3B. وعلى AutomationBench، بلغ 27.69، مقابل 8.72 لأفضل منافس في الجدول، وفقًا للأرقام المنشورة. كما تفوق على النماذج الأخرى في معايير اتباع التعليمات الثلاثة، بما فيها IFEval (96.75) وIFBench (74.69). احتفظت النماذج الأكبر بميزتها في الاختبارات التي تتطلب معرفة واسعة، مثل GPQA Diamond، حيث سجل Qwen3.6-35B-A3B 83.69 مقابل 74.42، وكذلك في البرمجة، على سبيل المثال SWE-Bench Verified (OpenCode)، حيث حصل على 66.20 مقابل 51.00. لذلك توصي Liquid AI باقتران هذا النموذج بالبحث في المستندات أو البحث على الويب للاستخدامات ذات المحتوى المعرفي الكبير. تم إجراء التقييمات باستخدام vLLM، وفقًا لمعلمات التوليد الموصى بها لكل معيار.
على صعيد الأداء المادي، أشارت الشركة إلى تحقيق 184 رمزًا في الثانية على Apple M5 Max و114 رمزًا في الثانية على Ryzen AI Max+ 395، أي أسرع بما يصل إلى 1.7 مرة من النموذج التالي، مع استهلاك أقل قدر من الذاكرة. على بطاقة رسوميات واحدة من نوع NVIDIA B300، يصل النموذج إلى 21 ألف رمز مخرجات في الثانية عند المنافسة الشديدة.
النموذج متوافق منذ إطلاقه مع llama.cpp وMLX وvLLM وSGLang وONNX. لاستخدامه مع وكيل، يكفي تشغيله محليًا خلف واجهة متوافقة مع OpenAI، ثم الإشارة إلى عنوان هذا الخادم في الوكيل، على سبيل المثال على المنفذ 8080 لـ llama.cpp وMLX، أو 8000 لـ vLLM.
