LFM2.5-2.6B: הסוכן החכם של Liquid AI שרץ על המכשיר שלכם

תאריך שחרור ומספר פרמטרים

LFM2.5-2.6B שוחרר ב-4 באוגוסט 2026 . זהו מודל Dense עם 2.69B פרמטרים ו-30 שכבות: 22 בלוקי קונבולוציה כפולים עם שער ו-8 שכבות Grouped-Query Attention (GQA), המבוסס על ארכיטקטורת LFM2 ההיברידית .

מיקוד עיצובי מרכזי: זרימות עבודה סוכנות על המכשיר

המודל תוכנן במיוחד להרצת זרימות עבודה סוכנות (Agentic Workflows) במלואן על המכשיר – תכנון, קריאה לכלים, חיפוש באינטרנט וביצוע משימות מרובות-שלבים – כאשר הנתונים לעולם אינם עוזבים את המכשיר ואין עלות הסקה שולית (Zero Marginal Inference Cost) . הוא כולל יכולת מובנית לקריאה לכלים (Native Tool Calling) ואומן לעבוד באופן אמין בתוך מערכות סוכנות אמיתיות כמו Hermes Agent, OpenClaw ו-Pi .

פרטי אימון

• פרה-אימון: כ-34 טריליון טוקנים .
• אוצר מילים: 128K טוקנים (הוכפל לעומת דגמים קודמים כדי לתמוך טוב יותר בכתיבים לא-לטיניים ובקלטי סוכן מגוונים כמו סכמות כלים ונתיבי קבצים) .
• חלון הקשר: 128K טוקנים (131,072), הורחב באמצעות שלב ייעודי להרחבת הקשר באמצע האימון .
• צינור פוסט-אימון בארבעה שלבים :

טביעת רגל בזיכרון ומהירויות פענוח

LFM2.5-2.6B רץ בפחות מ-2.5GB של זיכרון . להלן מהירויות הפענוח המדווחות על ידי היצרן (Liquid AI):

מסגרות הרצה נתמכות

המודל תומך ב-llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX ו-Transformers הסטנדרטי .

זמינות

הורדה במשקל פתוח ב-Hugging Face בכתובת LiquidAI/LFM2.5-2.6B, עם מאגרים נפרדים לפורמטים כמותיים GGUF, MLX ו-ONNX . רישיון: LFM1.0 open-weight license .

רקע החברה: MIT Spinoff

Liquid AI נוסדה ב-2023 כספין-אוף מ-MIT CSAIL על ידי Ramin Hasani (מנכ"ל), Mathias Lechner (CTO), Alexander Amini (CSO) ו-Daniela Rus (פרופסורית ב-MIT ומנהלת CSAIL) . הטכנולוגיה של החברה התפתחה ממחקר על רשתות עצביות נוזליות (Liquid Neural Networks) ב-MIT .

מגבלות

LFM2.5-2.6B אינו מומלץ למשימות קוד סוכניות או משימות עתירות ידע. במדדי קידוד, דגמים גדולים יותר (למשל Qwen3.5-9B) שומרים על יתרון, וכרטיס הדגם הרשמי ב-Hugging Face מייעץ שלא להשתמש בו לעומסי עבודה אלה . עבור קידוד סוכן מורכב או שליפת ידע עמוקה, דגמים גדולים יותר עדיין עדיפים .

1. כיוונון עדין מפוקח (SFT): שני סבבים – כיסוי רחב ולאחר מכן עיצוב ממוקד במשימות סוכנות, שימוש בכלים, חשיבה והנדסת תוכנה.
2. התמחות מורים (Teacher Specialization): מומחה אחד לכל תחום (ביצוע הוראות, מתמטיקה, בקרת ידע/הזיות, קוד, שימוש בכלים, הקשר ארוך) שאומן באמצעות SFT + RLVR.
3. זיקוק מבוזר על-פוליסי (MOPD): מורים מתמחים מפקחים על מודל הסטודנט עם משוב ברמת הטוקן במהלך ההרצות שלו.
4. למידת חיזוק סוכנית (Agentic RL): RL רב-שלבי בתוך מערכות סוכנות אמיתיות באמצעות GRPO, עם תגמולים המבוססים על תוצאות המשלבים שופט LLM, בדיקות פרוגרמטיות ושער בטיחות.