Releasedatum en parametertelling

LFM2.5-2.6B werd uitgebracht op 4 augustus 2026 . Het is een dicht model met in totaal 2,69B parameters en 30 lagen: 22 dubbelgepoorte korte convolutieblokken en 8 grouped-query attention (GQA)-lagen, gebouwd op de LFM2 hybride architectuur .

Belangrijkste ontwerpdoel: on-device agentische workflows

Het model is speciaal ontworpen om agentische workflows volledig op het apparaat uit te voeren – plannen, tools aanroepen, op het web zoeken en meerstapstaken uitvoeren – waarbij gegevens het apparaat nooit verlaten en er geen variabele inferentiekosten zijn . Het heeft native tool calling en is getraind om betrouwbaar te werken in echte agentomgevingen, waaronder Hermes Agent, OpenClaw en Pi .

Trainingsdetails

• Pre-training: Ongeveer 34 biljoen tokens .
• Woordenschat: 128K tokens (verdubbeld ten opzichte van eerdere modellen om niet-Latijnse schriften en gevarieerde agentinputs zoals toolschema's en bestandspaden beter te ondersteunen) .
• Contextvenster: 128K tokens (131.072), uitgebreid via een speciale mid-training contextuitbreidingsfase .
• Vierfasige post-trainingpijplijn :

Geheugenvoetafdruk en decodering snelheden

LFM2.5-2.6B draait in minder dan 2,5 GB geheugen . De volgende decodering snelheden zijn door de leverancier gerapporteerde cijfers van Liquid AI:

Ondersteunde inferentieframeworks

Het model ondersteunt llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX en standaard Transformers .

Beschikbaarheid

Opengewicht download op Hugging Face onder LiquidAI/LFM2.5-2.6B, met aparte repositories voor GGUF-, MLX- en ONNX-gekwantiseerde formaten . Gelicentieerd onder de LFM1.0 opengewichtlicentie .

Bedrijfsachtergrond: MIT Spin-off

Liquid AI werd in 2023 opgericht als een spin-off van MIT CSAIL door Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) en Daniela Rus (MIT-professor en CSAIL-directeur) . De technologie van het bedrijf is voortgekomen uit onderzoek naar vloeibare neurale netwerken aan het MIT .

Beperkingen

LFM2.5-2.6B wordt niet aanbevolen voor agentische codeertaken of kennisintensieve taken. Bij codeerbenchmarks behouden grotere modellen (bijv. Qwen3.5-9B) een voorsprong, en de officiële Hugging Face-kaart raadt af om het voor die werklasten te gebruiken . Voor complexe agentische codering of diepgaande kennisopvraging hebben grotere modellen nog steeds de voorkeur .

Releasedatum en parametertelling

LFM2.5-2.6B werd uitgebracht op 4 augustus 2026 . Het is een dicht model met in totaal 2,69B parameters en 30 lagen: 22 dubbelgepoorte korte convolutieblokken en 8 grouped-query attention (GQA)-lagen, gebouwd op de LFM2 hybride architectuur .

Belangrijkste ontwerpdoel: on-device agentische workflows

Het model is speciaal ontworpen om agentische workflows volledig op het apparaat uit te voeren – plannen, tools aanroepen, op het web zoeken en meerstapstaken uitvoeren – waarbij gegevens het apparaat nooit verlaten en er geen variabele inferentiekosten zijn . Het heeft native tool calling en is getraind om betrouwbaar te werken in echte agentomgevingen, waaronder Hermes Agent, OpenClaw en Pi .

Trainingsdetails

• Pre-training: Ongeveer 34 biljoen tokens .
• Woordenschat: 128K tokens (verdubbeld ten opzichte van eerdere modellen om niet-Latijnse schriften en gevarieerde agentinputs zoals toolschema's en bestandspaden beter te ondersteunen) .
• Contextvenster: 128K tokens (131.072), uitgebreid via een speciale mid-training contextuitbreidingsfase .
• Vierfasige post-trainingpijplijn :

Geheugenvoetafdruk en decodering snelheden

LFM2.5-2.6B draait in minder dan 2,5 GB geheugen . De volgende decodering snelheden zijn door de leverancier gerapporteerde cijfers van Liquid AI:

Ondersteunde inferentieframeworks

Het model ondersteunt llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX en standaard Transformers .

Beschikbaarheid

Opengewicht download op Hugging Face onder LiquidAI/LFM2.5-2.6B, met aparte repositories voor GGUF-, MLX- en ONNX-gekwantiseerde formaten . Gelicentieerd onder de LFM1.0 opengewichtlicentie .

Bedrijfsachtergrond: MIT Spin-off

Liquid AI werd in 2023 opgericht als een spin-off van MIT CSAIL door Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) en Daniela Rus (MIT-professor en CSAIL-directeur) . De technologie van het bedrijf is voortgekomen uit onderzoek naar vloeibare neurale netwerken aan het MIT .

Beperkingen

LFM2.5-2.6B wordt niet aanbevolen voor agentische codeertaken of kennisintensieve taken. Bij codeerbenchmarks behouden grotere modellen (bijv. Qwen3.5-9B) een voorsprong, en de officiële Hugging Face-kaart raadt af om het voor die werklasten te gebruiken . Voor complexe agentische codering of diepgaande kennisopvraging hebben grotere modellen nog steeds de voorkeur .

1. Supervised Fine-Tuning (SFT): Twee rondes – brede dekking gevolgd door gerichte vormgeving op agentische taken, toolgebruik, redeneren en software-engineering.
2. Teacher Specialization: Eén expert per domein (instructievolging, wiskunde, kennis/hallucinatiecontrole, code, toolgebruik, lange context) getraind via SFT + RLVR.
3. Multi-Domain On-Policy Distillation (MOPD): Gespecialiseerde leerkrachten begeleiden het studentmodel met token-level feedback tijdens de eigen rollouts van de student.
4. Agentic Reinforcement Learning (Agentic RL): Multi-turn RL in echte agentomgevingen met behulp van GRPO, met op uitkomsten gebaseerde beloningen die een LLM-beoordelaar, programmatische controles en een veiligheidsgate combineren.

1. Supervised Fine-Tuning (SFT): Twee rondes – brede dekking gevolgd door gerichte vormgeving op agentische taken, toolgebruik, redeneren en software-engineering.
2. Teacher Specialization: Eén expert per domein (instructievolging, wiskunde, kennis/hallucinatiecontrole, code, toolgebruik, lange context) getraind via SFT + RLVR.
3. Multi-Domain On-Policy Distillation (MOPD): Gespecialiseerde leerkrachten begeleiden het studentmodel met token-level feedback tijdens de eigen rollouts van de student.
4. Agentic Reinforcement Learning (Agentic RL): Multi-turn RL in echte agentomgevingen met behulp van GRPO, met op uitkomsten gebaseerde beloningen die een LLM-beoordelaar, programmatische controles en een veiligheidsgate combineren.