Tämä pieni tekoälyagentti mahtuu taskuusi – ja suorittaa monimutkaisia tehtäviä ilman pilveä

Julkaisupäivä ja parametrimäärä

LFM2.5-2.6B julkaistiin 4. elokuuta 2026 . Se on tiivis malli, jossa on 2,69 miljardia parametria ja 30 kerrosta: 22 kaksoisportillista konvoluutiokerrosta ja 8 ryhmiteltyä kysely-huomiointikerrosta (GQA), ja se perustuu LFM2-hybridiarkkitehtuuriin .

Keskeinen suunnittelutavoite: Agenttityönkulut laitteella

Malli on suunniteltu erityisesti ajamaan agenttityönkulkuja – suunnittelua, työkalujen kutsumista, verkkohakua ja monivaiheisten tehtävien suorittamista – kokonaan laitteella siten, että data ei koskaan poistu laitteelta eikä päättelystä aiheudu lisäkustannuksia . Siinä on natiivisti toteutettu työkalujen kutsuminen, ja se on koulutettu toimimaan luotettavasti oikeissa agenttiympäristöissä, kuten Hermes Agent, OpenClaw ja Pi .

Koulutustiedot

• Esikoulutus: Noin 34 biljoonaa tokenia .
• Sanasto: 128 000 tokenia (kaksinkertainen aiempiin malleihin verrattuna, jotta se tukee paremmin muita kuin latinalaisia kirjoitusjärjestelmiä ja monipuolisia agenttisyötteitä, kuten työkalujen skeemoja ja tiedostopolkuja) .
• Konteksti-ikkuna: 128 000 tokenia (131 072), jota on pidennetty erillisellä keskitason koulutusvaiheella .
• Nelivaiheinen jälkikoulutusputki :

Muistijalanjälki ja dekoodausnopeudet

LFM2.5-2.6B toimii alle 2,5 gigatavussa muistia . Seuraavat dekoodausnopeudet ovat Liquid AI:n ilmoittamia lukuja:

Tuetut päättelykehykset

Malli tukee llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX ja tavallisia Transformers -kirjastoja .

Saatavuus

Avoimen painon lataus Hugging Facesta tunnisteella LiquidAI/LFM2.5-2.6B, ja erilliset arkistot GGUF-, MLX- ja ONNX-kvantisoiduille formaateille . Lisensoitu LFM1.0-avoimen painon lisenssillä .

Yrityksen tausta: MIT:n spin-off

Liquid AI perustettiin vuonna 2023 MIT CSAIL:n spin-offina, ja sen perustajia ovat Ramin Hasani (toimitusjohtaja), Mathias Lechner (teknologiajohtaja), Alexander Amini (tiedetoimitusjohtaja) ja Daniela Rus (MIT:n professori ja CSAIL:n johtaja) . Yrityksen teknologia on kehittynyt MIT:n nestemäisiin neuroverkkoihin liittyvästä tutkimuksesta .

Rajoitukset

LFM2.5-2.6B:tä ei suositella agenttimaiseen koodaukseen tai tietointensiivisiin tehtäviin. Koodausvertailuissa suuremmat mallit (esim. Qwen3.5-9B) säilyttävät etumatkansa, ja virallinen Hugging Face -kortti neuvoo olemaan käyttämättä mallia näihin työkuormiin . Monimutkaisessa agenttien koodauksessa tai syvässä tiedonhaussa suuremmat mallit ovat edelleen parempi valinta .

1. Ohjattu hienosäätö (SFT): Kaksi kierrosta – laaja kattavuus, sitten kohdennettu muokkaus agenttitehtäviin, työkalujen käyttöön, päättelyyn ja ohjelmistotuotantoon.
2. Opettajan erikoistuminen: Yksi asiantuntija kullekin osa-alueelle (ohjeiden noudattaminen, matematiikka, tiedon/hallusinaation hallinta, koodi, työkalujen käyttö, pitkä konteksti) koulutettuna SFT + RLVR -menetelmillä.
3. Monialueen omalla politiikalla tapahtuva tislaus (MOPD): Erikoistuneet opettajat ohjaavat oppilasmallia tokenitason palautteella oppilaan omien roolien aikana.
4. Agenttinen vahvistusoppiminen (Agentic RL): Monivaiheinen vahvistusoppiminen oikeissa agenttiympäristöissä GRPO-menetelmällä, jossa lopputulospalkkiot yhdistävät LLM-tuomarin, ohjelmalliset tarkastukset ja turvallisuusportin.