Data di rilascio e numero di parametri

LFM2.5-2.6B è stato rilasciato il 4 agosto 2026 . Si tratta di un modello denso con 2,69 miliardi di parametri e 30 strati: 22 blocchi a doppia convoluzione con gate e 8 strati di attenzione a query raggruppata (GQA), basato sull'architettura ibrida LFM2 .

Obiettivo principale: agenti AI on-device

Il modello è stato costruito per eseguire flussi di lavoro agentici interamente sul dispositivo — pianificazione, chiamata di strumenti, ricerca sul web ed esecuzione di attività multi-step — con i dati che non lasciano mai il dispositivo e un costo di inferenza marginale pari a zero . Supporta la chiamata nativa di strumenti ed è stato addestrato per funzionare in modo affidabile all'interno di ambienti agentici reali come Hermes Agent, OpenClaw e Pi .

Dettagli dell'addestramento

• Pre-addestramento: Circa 34 trilioni di token .
• Vocabolario: 128.000 token (raddoppiato rispetto ai modelli precedenti per supportare meglio alfabeti non latini e input agentici come schemi di strumenti e percorsi di file) .
• Finestra di contesto: 128K token (131.072), estesa tramite una fase dedicata di estensione del contesto durante l'addestramento intermedio .
• Pipeline di post-addestramento in quattro fasi :

Impronta di memoria e velocità di decodifica

LFM2.5-2.6B funziona in meno di 2,5 GB di memoria . Le seguenti velocità di decodifica sono dati forniti da Liquid AI:

Framework di inferenza supportati

Il modello supporta llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX e i classici Transformers .

Disponibilità

Scaricabile con pesi aperti su Hugging Face all'indirizzo LiquidAI/LFM2.5-2.6B, con repository separati per i formati quantizzati GGUF, MLX e ONNX . La licenza è la LFM1.0 open-weight .

Chi c'è dietro: una startup nata dal MIT

Liquid AI è stata fondata nel 2023 come spin-off del MIT CSAIL da Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) e Daniela Rus (professoressa del MIT e direttrice del CSAIL) . La tecnologia dell'azienda si basa sulla ricerca sulle reti neurali liquide condotta al MIT .

Limiti

LFM2.5-2.6B non è raccomandato per attività di coding agentico o compiti che richiedono molte conoscenze. Nei benchmark di programmazione, modelli più grandi (ad esempio Qwen3.5-9B) mantengono un vantaggio, e la scheda ufficiale su Hugging Face sconsiglia di usarlo per questi carichi di lavoro . Per attività complesse di coding agentico o recupero approfondito di conoscenze, sono ancora preferibili modelli più grandi .

Data di rilascio e numero di parametri

LFM2.5-2.6B è stato rilasciato il 4 agosto 2026 . Si tratta di un modello denso con 2,69 miliardi di parametri e 30 strati: 22 blocchi a doppia convoluzione con gate e 8 strati di attenzione a query raggruppata (GQA), basato sull'architettura ibrida LFM2 .

Obiettivo principale: agenti AI on-device

Il modello è stato costruito per eseguire flussi di lavoro agentici interamente sul dispositivo — pianificazione, chiamata di strumenti, ricerca sul web ed esecuzione di attività multi-step — con i dati che non lasciano mai il dispositivo e un costo di inferenza marginale pari a zero . Supporta la chiamata nativa di strumenti ed è stato addestrato per funzionare in modo affidabile all'interno di ambienti agentici reali come Hermes Agent, OpenClaw e Pi .

Dettagli dell'addestramento

• Pre-addestramento: Circa 34 trilioni di token .
• Vocabolario: 128.000 token (raddoppiato rispetto ai modelli precedenti per supportare meglio alfabeti non latini e input agentici come schemi di strumenti e percorsi di file) .
• Finestra di contesto: 128K token (131.072), estesa tramite una fase dedicata di estensione del contesto durante l'addestramento intermedio .
• Pipeline di post-addestramento in quattro fasi :

Impronta di memoria e velocità di decodifica

LFM2.5-2.6B funziona in meno di 2,5 GB di memoria . Le seguenti velocità di decodifica sono dati forniti da Liquid AI:

Framework di inferenza supportati

Il modello supporta llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX e i classici Transformers .

Disponibilità

Scaricabile con pesi aperti su Hugging Face all'indirizzo LiquidAI/LFM2.5-2.6B, con repository separati per i formati quantizzati GGUF, MLX e ONNX . La licenza è la LFM1.0 open-weight .

Chi c'è dietro: una startup nata dal MIT

Liquid AI è stata fondata nel 2023 come spin-off del MIT CSAIL da Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) e Daniela Rus (professoressa del MIT e direttrice del CSAIL) . La tecnologia dell'azienda si basa sulla ricerca sulle reti neurali liquide condotta al MIT .

Limiti

LFM2.5-2.6B non è raccomandato per attività di coding agentico o compiti che richiedono molte conoscenze. Nei benchmark di programmazione, modelli più grandi (ad esempio Qwen3.5-9B) mantengono un vantaggio, e la scheda ufficiale su Hugging Face sconsiglia di usarlo per questi carichi di lavoro . Per attività complesse di coding agentico o recupero approfondito di conoscenze, sono ancora preferibili modelli più grandi .

1. Supervised Fine-Tuning (SFT): Due cicli: una copertura ampia seguita da un'affinatura mirata su attività agentiche, uso di strumenti, ragionamento e ingegneria del software.
2. Specializzazione degli insegnanti: Un esperto per dominio (seguimento delle istruzioni, matematica, controllo della conoscenza/allucinazioni, codice, uso di strumenti, contesto lungo) addestrato tramite SFT + RLVR.
3. Distillazione multi-dominio on-policy (MOPD): Insegnanti specializzati supervisionano il modello studente con feedback a livello di token durante le generazioni dello studente.
4. Apprendimento per rinforzo agentico (Agentic RL): RL multi-turno all'interno di ambienti agentici reali che utilizza GRPO, con ricompense basate sui risultati che combinano un giudice LLM, controlli programmatici e un gate di sicurezza.

1. Supervised Fine-Tuning (SFT): Due cicli: una copertura ampia seguita da un'affinatura mirata su attività agentiche, uso di strumenti, ragionamento e ingegneria del software.
2. Specializzazione degli insegnanti: Un esperto per dominio (seguimento delle istruzioni, matematica, controllo della conoscenza/allucinazioni, codice, uso di strumenti, contesto lungo) addestrato tramite SFT + RLVR.
3. Distillazione multi-dominio on-policy (MOPD): Insegnanti specializzati supervisionano il modello studente con feedback a livello di token durante le generazioni dello studente.
4. Apprendimento per rinforzo agentico (Agentic RL): RL multi-turno all'interno di ambienti agentici reali che utilizza GRPO, con ricompense basate sui risultati che combinano un giudice LLM, controlli programmatici e un gate di sicurezza.