LFM2.5-2.6B: Liquid AI's lokale AI-agent, der klarer sig med under 2,5 GB hukommelse

LFM2.5-2.6B blev lanceret 4. august 2026 . Det er en tæt model med 2,69 mia. parametre og 30 lag: 22 dobbeltgatede korte konvolutionsblokke og 8 grouped-query attention (GQA) lag, baseret på LFM2 hybridarkitekturen .

Kernefokus: Agentiske arbejdsgange på enheden

Modellen er specifikt designet til at udføre agentiske arbejdsgange – planlægning, kald af værktøjer, websøgning og udførelse af flertrinsopgaver – helt lokalt. Data forlader aldrig enheden, og der er ingen marginale inferensomkostninger . Den har indbygget værktøjskald og er trænet til at fungere pålideligt i rigtige agent-sele som Hermes Agent, OpenClaw og Pi .

Træningsdetaljer

• Prætræning: Cirka 34 billioner tokens .
• Ordforråd: 128K tokens (fordoblet i forhold til tidligere modeller for bedre at understøtte ikke-latinske skriftsprog og varierede agent-input som værktøjsskemaer og filstier) .
• Kontekstvindue: 128K tokens (131.072), udvidet via en dedikeret kontekstudvidelsesfase midt i træningen .
• Fire-trins eftertræningspipeline :
  1. Supervised Fine-Tuning (SFT): To runder – bred dækning efterfulgt af målrettet formgivning på agentiske opgaver, værktøjsbrug, ræsonnement og softwareudvikling.
  2. Teacher Specialization: En ekspert per domæne (instruktionsfølgning, matematik, viden/hallucinationskontrol, kode, værktøjsbrug, lang kontekst) trænet via SFT + RLVR.
  3. Multi-Domain On-Policy Distillation (MOPD): Specialiserede lærere overvåger elevmodellen med token-niveau feedback under elevens egne udruller.
  4. Agentic Reinforcement Learning (Agentic RL): Flertrins RL inde i rigtige agent-sele ved brug af GRPO, med resultatbaserede belønninger, der kombinerer en LLM-dommer, programmatiske checks og en sikkerhedsgate.

Hukommelsesforbrug og hastigheder

LFM2.5-2.6B kører i under 2,5 GB hukommelse . Følgende hastigheder er leverandørrapporterede tal fra Liquid AI:

Understøttede inferens-rammeværker

Modellen understøtter llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX og standard Transformers .

Tilgængelighed

Open-weight download på Hugging Face på LiquidAI/LFM2.5-2.6B, med separate repositories til GGUF-, MLX- og ONNX-kvantiseringsformater . Licenseret under LFM1.0 open-weight-licensen .

Virksomhedsbaggrund: MIT-spin-off

Liquid AI blev grundlagt i 2023 som en MIT CSAIL-spin-off af Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) og Daniela Rus (MIT-professor og CSAIL-direktør) . Virksomhedens teknologi udspringer af forskning i flydende neurale netværk på MIT .

Begrænsninger

LFM2.5-2.6B anbefales ikke til agentisk kodning eller videnskrævende opgaver. På kodningsbenchmarks har større modeller (f.eks. Qwen3.5-9B) en fordel, og det officielle Hugging Face-kort fraråder at bruge modellen til disse arbejdsopgaver . Til kompleks agentisk kodning eller dyb videnhentning er større modeller stadig at foretrække .