LFM2.5-2.6B: Liquid AI's lokale AI-agent, der klarer sig med under 2,5 GB hukommelse
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4. Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
Udgivet afRedigeret med DeepSeek-V4-FlashBilleder genereret med GPT Image 1.5
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4.
Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
Den fylder under 2,5 GB i hukommelsen og kan køre på alt fra smartphones til bærbare computere og edge servere.
Hastigheder: 220 tokens/sekund på Apple M5 Max, 113 tokens/sekund på AMD Ryzen AI Max+ 395 og omkring 30 tokens/sekund på en smartphone.
What is Liquid AI's LFM2.5-2.6B model — its release date, parameter count, key design focus on agentic workflows (including planning, tool cLFM2.5-2.6B is Liquid AI's latest open-weight model for on-device agentic AI.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What is Liquid AI's LFM2.5-2.6B model — its release date, parameter count, key design focus on agentic workflows (including planning, tool c. Article summary: Here is a comprehensive breakdown of Liquid AI's **LFM2.5-2.6B** model.. Topic tags: general, academic, documentation, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factua
openai.com
Liquid AI's LFM2.5-2.6B er en kompakt, open-weight sprogmodel, der er bygget til at køre AI-agent-arbejdsgange direkte på enheden – uden at skulle skyde data til skyen . Modellen blev lanceret den 4. august 2026 og har 2,69 milliarder parametre i alt, men fylder under 2,5 GB i hukommelsen, hvilket gør den brugbar på alt fra laptops og edge-servere til smartphones .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "LFM2.5-2.6B: Liquid AI's lokale AI-agent, der klarer sig med under 2,5 GB hukommelse"?
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4.
What are the key points to validate first?
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4. Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
What should I do next in practice?
Den fylder under 2,5 GB i hukommelsen og kan køre på alt fra smartphones til bærbare computere og edge servere.
LFM2.5-2.6B: Liquid AI's lokale AI-agent, der klarer sig med under 2,5 GB hukommelse
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4. Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
Udgivet afRedigeret med DeepSeek-V4-FlashBilleder genereret med GPT Image 1.5
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4.
Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
Den fylder under 2,5 GB i hukommelsen og kan køre på alt fra smartphones til bærbare computere og edge servere.
Hastigheder: 220 tokens/sekund på Apple M5 Max, 113 tokens/sekund på AMD Ryzen AI Max+ 395 og omkring 30 tokens/sekund på en smartphone.
What is Liquid AI's LFM2.5-2.6B model — its release date, parameter count, key design focus on agentic workflows (including planning, tool cLFM2.5-2.6B is Liquid AI's latest open-weight model for on-device agentic AI.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What is Liquid AI's LFM2.5-2.6B model — its release date, parameter count, key design focus on agentic workflows (including planning, tool c. Article summary: Here is a comprehensive breakdown of Liquid AI's **LFM2.5-2.6B** model.. Topic tags: general, academic, documentation, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factua
openai.com
Liquid AI's LFM2.5-2.6B er en kompakt, open-weight sprogmodel, der er bygget til at køre AI-agent-arbejdsgange direkte på enheden – uden at skulle skyde data til skyen . Modellen blev lanceret den 4. august 2026 og har 2,69 milliarder parametre i alt, men fylder under 2,5 GB i hukommelsen, hvilket gør den brugbar på alt fra laptops og edge-servere til smartphones .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "LFM2.5-2.6B: Liquid AI's lokale AI-agent, der klarer sig med under 2,5 GB hukommelse"?
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4.
What are the key points to validate first?
Liquid AI's LFM2.5 2.6B er en open weight model med 2,69 milliarder parametre, lanceret den 4. Modellen er designet til at udføre agentiske arbejdsgange – såsom planlægning, værktøjsbrug og flertrinsopgaver – helt lokalt på enheden uden skyforbindelse.
What should I do next in practice?
Den fylder under 2,5 GB i hukommelsen og kan køre på alt fra smartphones til bærbare computere og edge servere.
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:
Hukommelsesforbrug og hastigheder
LFM2.5-2.6B kører i under 2,5 GB hukommelse. Følgende hastigheder er leverandørrapporterede tal fra Liquid AI:
Hardware
Hastighed
Apple M5 Max
220 tokens/s
AMD Ryzen AI Max+ 395
113 tokens/s
Smartphones
~30 tokens/s
Enkelt Nvidia H100 (høj samtidighed)
~15.000 tokens/s
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 .
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:
Hukommelsesforbrug og hastigheder
LFM2.5-2.6B kører i under 2,5 GB hukommelse. Følgende hastigheder er leverandørrapporterede tal fra Liquid AI:
Hardware
Hastighed
Apple M5 Max
220 tokens/s
AMD Ryzen AI Max+ 395
113 tokens/s
Smartphones
~30 tokens/s
Enkelt Nvidia H100 (høj samtidighed)
~15.000 tokens/s
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 .
Supervised Fine-Tuning (SFT): To runder – bred dækning efterfulgt af målrettet formgivning på agentiske opgaver, værktøjsbrug, ræsonnement og softwareudvikling.
Teacher Specialization: En ekspert per domæne (instruktionsfølgning, matematik, viden/hallucinationskontrol, kode, værktøjsbrug, lang kontekst) trænet via SFT + RLVR.
Multi-Domain On-Policy Distillation (MOPD): Specialiserede lærere overvåger elevmodellen med token-niveau feedback under elevens egne udruller.
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.
Supervised Fine-Tuning (SFT): To runder – bred dækning efterfulgt af målrettet formgivning på agentiske opgaver, værktøjsbrug, ræsonnement og softwareudvikling.
Teacher Specialization: En ekspert per domæne (instruktionsfølgning, matematik, viden/hallucinationskontrol, kode, værktøjsbrug, lang kontekst) trænet via SFT + RLVR.
Multi-Domain On-Policy Distillation (MOPD): Specialiserede lærere overvåger elevmodellen med token-niveau feedback under elevens egne udruller.
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.
docs.liquid.aiLFM2.5-2.6B - Liquid Docs
liquid.aiLFM2.5-2.6B: Deploy Agents Everywhere — Blog
explainx.aiLFM2.5-2.6B: Liquid AI's Biggest On-Device Agent Model Yet
developersdigest.techLFM2.5-2.6B: Liquid AI's On-Device Agent Model Runs at 220 ...
gigazine.netA compact AI model with agent support that runs on ...