Liquid AI、わずか2.5GBで動作するオンデバイスエージェントモデル「LFM2.5-2.6B」を公開

Liquid AIが2026年8月4日にリリースした「LFM2.5-2.6B」は、エージェントワークフローを端末上で完結させるために設計された、コンパクトかつオープンウェイトな言語モデルです。約26.9億パラメータというサイズながら、メモリ使用量は2.5GB未満に抑えられており、ラップトップ、エッジサーバー、そしてスマートフォンでも動作可能です。クラウドへの往復処理が不要なため、データが端末から外部に出ることはなく、推論コストもゼロになります。

リリース日とパラメータ数

LFM2.5-2.6Bは2026年8月4日にリリースされました。これは26.9億総パラメータ（2.69B）のDenseモデルで、30層（22のダブルゲート型ショート畳み込みブロックと8のGrouped-Query Attention（GQA）層）から構成され、LFM2ハイブリッドアーキテクチャをベースとしています。

主要設計思想：オンデバイス・エージェントワークフロー

このモデルは、計画立案、ツール呼び出し、Web検索、マルチステップタスクの実行といったエージェントワークフローを、すべて端末上で完結できるよう特別に設計されています。データが端末の外に出ることはなく、追加の推論コストも発生しません。また、ネイティブなツール呼び出し機能を備えており、Hermes Agent、OpenClaw、Piなどの実際のエージェント向けフレームワーク内で確実に動作するよう訓練されています。

学習の詳細

• 事前学習：約34兆トークンを使用。
• ボキャブラリー：12.8万トークン（128K）。これは従来モデルから倍増されており、非ラテン文字や、ツールスキーマ、ファイルパスといった多様なエージェント入力をより適切に処理するためです。
• コンテキストウィンドウ：128Kトークン（131,072）。専用の中間学習フェーズで拡張されています。
• 4段階の事後学習パイプライン：
  1. 教師ありファインチューニング（SFT）：まず広範な領域をカバーし、その後エージェントタスク、ツール使用、推論、ソフトウェアエンジニアリングに特化して調整。
  2. 教師モデルの専門化：各ドメイン（指示追従、数学、知識/幻覚制御、コード、ツール使用、長文コンテキスト）ごとに1つの専門家モデルをSFTとRLVRで訓練。
  3. マルチドメイン・オンポリシー蒸留（MOPD）：専門化された教師モデルが、生徒モデルのロールアウト中にトークンレベルのフィードバックを提供。
  4. エージェント強化学習（Agentic RL）：実際のエージェントフレームワーク内でGRPOを用いたマルチターン強化学習を実施。報酬はLLMによる評価、プログラムによるチェック、セーフティゲートを組み合わせて決定。

メモリ使用量とデコード速度

LFM2.5-2.6Bは2.5GB未満のメモリで動作します。以下のデコード速度はLiquid AIが公表したベンダー数値です。

ハードウェア	デコード速度
Apple M5 Max	220 トークン/秒
AMD Ryzen AI Max+ 395	113 トークン/秒
スマートフォン	約30 トークン/秒
Nvidia H100 1基（高並列時）	約15,000 トークン/秒

対応推論フレームワーク

本モデルはllama.cpp（GGUF形式）、MLX（Apple Silicon向け）、vLLM、SGLang、ONNX、そして標準のTransformersライブラリに対応しています。

入手方法

Hugging Face上でオープンウェイトとして公開されており、リポジトリ名は LiquidAI/LFM2.5-2.6B です。GGUF、MLX、ONNXそれぞれの量子化形式用の個別リポジトリも用意されています。ライセンスはLFM1.0オープンウェイトライセンスに基づきます。

企業背景：MIT発スタートアップ

Liquid AIは2023年、MIT CSAIL（コンピュータ科学・人工知能研究所）からスピンアウトして設立されました。創業者はラミン・ハサニ（CEO）、マティアス・レヒナー（CTO）、アレクサンダー・アミニ（CSO）、そしてMIT教授でありCSAIL所長でもあるダニエラ・ラスの4名です。同社の技術は、MITにおける液体ニューラルネットワークの研究から発展しました。

制限事項

LFM2.5-2.6Bは、エージェントによるコーディングや知識集約型のタスクには推奨されていません。コーディングベンチマークでは、より大規模なモデル（例：Qwen3.5-9B）の方が優れた成績を収めており、公式のHugging Faceモデルカードでもこれらの用途での使用は避けるよう注意喚起されています。複雑なエージェントコーディングや深い知識検索が必要な場合は、より大きなモデルを選択する方が適切です。