LFM2.5-2.6B: Liquid AI přináší model umělé inteligence pro chytré asistenty, který se vejde do 2,5 GB paměti

Hlavní designový cíl: Lokální agenti

Model je postaven výhradně pro provoz tzv. agentických workflow přímo na zařízení. To zahrnuje plánování, volání nástrojů (tool calling), prohledávání webu a provádění úloh o více krocích. Všechna data zůstávají lokálně a náklady na inferenci (vyhodnocení) jsou nulové . Model má nativní podporu pro volání nástrojů a byl trénován pro spolehlivý chod v reálných klientských aplikacích pro agenty, jako jsou Hermes Agent, OpenClaw a Pi .

Detaily tréninku

• Předtrénink: Přibližně 34 bilionů tokenů .
• Slovník: 128 tisíc tokenů (dvojnásobek oproti předchozím modelům pro lepší podporu nelatinkových písem a různorodých vstupů agentů, jako jsou schémata nástrojů či cesty k souborům) .
• Kontextové okno: 128 tisíc tokenů (131 072), prodlouženo pomocí vyhrazené fáze rozšíření kontextu během tréninku .
• Poptréninková fáze o čtyřech krocích :
  1. Řízené dolaďování (SFT): Dvě kola – nejprve široký záběr, poté cílené zaměření na úkoly agentů, používání nástrojů, uvažování a softwarové inženýrství.
  2. Specializace učitelů: Vytvoření jednoho experta na každou doménu (následování instrukcí, matematika, kontrola znalostí/halucinací, kód, používání nástrojů, dlouhý kontext) trénovaného pomocí SFT a RLVR.
  3. Vícedoménová on-policy destilace (MOPD): Specializovaní učitelé dohlížejí na studentský model pomocí zpětné vazby na úrovni tokenů během generování studenta.
  4. Agentické posilované učení (Agentic RL): Vícekolové RL v reálných agentických aplikacích s využitím metody GRPO a odměn kombinujících hodnocení LLM, programové kontroly a bezpečnostní bránu.

Paměťová náročnost a rychlost

LFM2.5-2.6B běží v méně než 2,5 GB paměti . Následující rychlosti dekódování jsou oficiálními údaji společnosti Liquid AI:

Podporované frameworky

Model podporuje běh v prostředích llama.cpp (formát GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX a standardních Transformers .

Dostupnost

Model je k dispozici ke stažení s otevřenými váhami na Hugging Face pod názvem LiquidAI/LFM2.5-2.6B, a to včetně samostatných repozitářů s kvantizovanými formáty GGUF, MLX a ONNX . Licence je LFM1.0 open-weight .

O společnosti: Spin-off z MIT

Liquid AI byla založena v roce 2023 jako spin-off laboratoře MIT CSAIL týmem ve složení Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) a Daniela Rus (profesorka MIT a ředitelka CSAIL) . Technologie společnosti vychází z výzkumu tzv. tekutých neuronových sítí (liquid neural networks) na MIT .

Omezení

LFM2.5-2.6B není doporučován pro agentické kódování nebo úlohy náročné na znalosti. V benchmarkových testech kódování mají větší modely (např. Qwen3.5-9B) stále navrch a oficiální karta modelu na Hugging Face varuje před používáním pro tyto účely . Pro komplexní agentické programování nebo hluboké vyhledávání znalostí jsou stále vhodnější větší modely .