LFM2.5-2.6B: Model AI Mungil yang Bisa Jalankan Agen Cerdas di Ponsel, Cuma Butuh 2,5 GB

Tanggal Rilis dan Jumlah Parameter

LFM2.5-2.6B dirilis pada 4 Agustus 2026 . Model ini adalah model dense dengan 2,69 miliar total parameter dan 30 lapisan: 22 blok konvolusi pendek ganda (double-gated short convolution blocks) dan 8 lapisan Grouped-Query Attention (GQA), dibangun di atas arsitektur hibrida LFM2 .

Fokus Utama: Agen AI yang Berjalan di Perangkat

Model ini diciptakan khusus untuk menjalankan alur kerja agen (agentic workflows) sepenuhnya di perangkat — mulai dari merencanakan, memanggil alat (tool calling), mencari di web, hingga mengeksekusi tugas multi-langkah — dengan data yang tidak pernah meninggalkan perangkat dan biaya inferensi tambahan yang nol . Model ini memiliki kemampuan pemanggilan alat bawaan (native tool calling) dan dilatih untuk bekerja dengan andal di dalam kerangka agen sungguhan, termasuk Hermes Agent, OpenClaw, dan Pi .

Detail Pelatihan

• Pra-pelatihan (Pre-training): Sekitar 34 triliun token .
• Kosakata (Vocabulary): 128 ribu token (naik dua kali lipat dari model sebelumnya untuk mendukung aksara non-Latin dan input agen yang beragam seperti skema alat dan jalur file) .
• Jendela konteks (Context window): 128 ribu token (131.072), diperpanjang melalui fase perpanjangan konteks khusus di tengah pelatihan .
• Pipa pasca-pelatihan empat tahap :

Ukuran Memori dan Kecepatan Decode

LFM2.5-2.6B berjalan dalam kurang dari 2,5 GB memori . Berikut adalah kecepatan decode yang dilaporkan oleh Liquid AI:

Kerangka Kerja Inferensi yang Didukung

Model ini mendukung llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX, dan Transformers standar .

Ketersediaan

Unduhan bobot terbuka (open-weight) tersedia di Hugging Face pada tautan LiquidAI/LFM2.5-2.6B, dengan repositori terpisah untuk format kuantisasi GGUF, MLX, dan ONNX . Dilisensikan di bawah lisensi bobot terbuka LFM1.0 .

Latar Belakang Perusahaan: Spinoff MIT

Liquid AI didirikan pada tahun 2023 sebagai spinoff dari MIT CSAIL oleh Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO), dan Daniela Rus (profesor MIT dan direktur CSAIL) . Teknologi perusahaan ini berevolusi dari penelitian tentang jaringan saraf cair (liquid neural networks) di MIT .

Keterbatasan

LFM2.5-2.6B tidak disarankan untuk tugas coding agen atau tugas yang membutuhkan pengetahuan mendalam. Pada tolok ukur pengkodean, model yang lebih besar (misalnya, Qwen3.5-9B) masih unggul, dan kartu model resmi di Hugging Face menyarankan untuk tidak menggunakannya untuk beban kerja tersebut . Untuk tugas coding agen yang kompleks atau pengambilan pengetahuan yang mendalam, model yang lebih besar tetap menjadi pilihan yang lebih baik .

1. Supervised Fine-Tuning (SFT): Dua putaran — cakupan luas, lalu pembentukan khusus pada tugas agen, penggunaan alat, penalaran, dan rekayasa perangkat lunak.
2. Teacher Specialization: Satu ahli per domain (mengikuti instruksi, matematika, kontrol pengetahuan/halusinasi, kode, penggunaan alat, konteks panjang) dilatih melalui SFT + RLVR.
3. Multi-Domain On-Policy Distillation (MOPD): Para guru spesialis mengawasi model siswa dengan umpan balik di tingkat token selama proses 'rollout' siswa itu sendiri.
4. Agentic Reinforcement Learning (Agentic RL): RL multi-putaran di dalam kerangka agen sungguhan menggunakan GRPO, dengan imbalan berbasis hasil yang menggabungkan penilaian dari LLM, pemeriksaan programatik, dan gerbang keamanan.