Data premiery i liczba parametrów

LFM2.5-2.6B został wydany 4 sierpnia 2026 roku . To gęsty model (dense) z 2,69 mld parametrów, składający się z 30 warstw: 22 bloków z podwójnie bramkowaną krótką konwolucją (double-gated short convolution) oraz 8 warstw grupowanej uwagi kwerend (GQA), zbudowany w oparciu o hybrydową architekturę LFM2 .

Główny cel: lokalne przepływy agentowe

Model został stworzony z myślą o uruchamianiu w pełni lokalnych przepływów pracy agentowej — planowaniu, wywoływaniu narzędzi, przeszukiwaniu sieci i wykonywaniu wieloetapowych zadań — bez opuszczania danych przez urządzenie i bez żadnych kosztów inferencji w chmurze . Posiada natywną funkcję wywoływania narzędzi (tool calling) i był trenowany do niezawodnego działania w rzeczywistych środowiskach agentowych, takich jak Hermes Agent, OpenClaw i Pi .

Szczegóły treningu

• Trening wstępny (pre-training): Około 34 bilionów tokenów .
• Słownik (vocabulary): 128 tys. tokenów (dwukrotnie więcej niż w poprzednich modelach, aby lepiej obsługiwać skrypty niełacińskie i różnorodne wejścia agentowe, np. schematy narzędzi i ścieżki plików) .
• Okno kontekstu: 128 tys. tokenów (131 072), rozszerzone dzięki dedykowanej fazie wydłużania kontekstu w trakcie treningu .
• Czteroetapowy proces potreningowy (post-training) :

Zużycie pamięci i szybkość dekodowania

LFM2.5-2.6B działa w mniej niż 2,5 GB pamięci . Poniższe prędkości dekodowania pochodzą z danych producenta (Liquid AI):

Obsługiwane frameworki inferencyjne

Model wspiera llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX oraz standardowe Transformers .

Dostępność

Dostępny do pobrania w otwartej wadze na Hugging Face pod adresem LiquidAI/LFM2.5-2.6B, z osobnymi repozytoriami dla skwantowanych formatów GGUF, MLX i ONNX . Licencja: LFM1.0 open-weight license .

Kulisy firmy: odłam MIT

Liquid AI zostało założone w 2023 roku jako spółka wydzielona z MIT CSAIL przez Ramina Hasaniego (CEO), Mathiasa Lechnera (CTO), Alexandra Aminiego (CSO) i Danielę Rus (profesor MIT i dyrektor CSAIL) . Technologia firmy wyewoluowała z badań nad ciekłymi sieciami neuronowymi (liquid neural networks) na MIT .

Ograniczenia

LFM2.5-2.6B nie jest zalecany do zadań związanych z kodowaniem agentowym ani zadań wymagających dużej wiedzy. W testach kodowania większe modele (np. Qwen3.5-9B) wciąż mają przewagę, a oficjalna karta modelu na Hugging Face odradza używanie go do takich obciążeń . Do złożonego kodowania agentowego lub głębokiego wyszukiwania wiedzy lepiej sprawdzą się większe modele .

Data premiery i liczba parametrów

LFM2.5-2.6B został wydany 4 sierpnia 2026 roku . To gęsty model (dense) z 2,69 mld parametrów, składający się z 30 warstw: 22 bloków z podwójnie bramkowaną krótką konwolucją (double-gated short convolution) oraz 8 warstw grupowanej uwagi kwerend (GQA), zbudowany w oparciu o hybrydową architekturę LFM2 .

Główny cel: lokalne przepływy agentowe

Model został stworzony z myślą o uruchamianiu w pełni lokalnych przepływów pracy agentowej — planowaniu, wywoływaniu narzędzi, przeszukiwaniu sieci i wykonywaniu wieloetapowych zadań — bez opuszczania danych przez urządzenie i bez żadnych kosztów inferencji w chmurze . Posiada natywną funkcję wywoływania narzędzi (tool calling) i był trenowany do niezawodnego działania w rzeczywistych środowiskach agentowych, takich jak Hermes Agent, OpenClaw i Pi .

Szczegóły treningu

• Trening wstępny (pre-training): Około 34 bilionów tokenów .
• Słownik (vocabulary): 128 tys. tokenów (dwukrotnie więcej niż w poprzednich modelach, aby lepiej obsługiwać skrypty niełacińskie i różnorodne wejścia agentowe, np. schematy narzędzi i ścieżki plików) .
• Okno kontekstu: 128 tys. tokenów (131 072), rozszerzone dzięki dedykowanej fazie wydłużania kontekstu w trakcie treningu .
• Czteroetapowy proces potreningowy (post-training) :

Zużycie pamięci i szybkość dekodowania

LFM2.5-2.6B działa w mniej niż 2,5 GB pamięci . Poniższe prędkości dekodowania pochodzą z danych producenta (Liquid AI):

Obsługiwane frameworki inferencyjne

Model wspiera llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX oraz standardowe Transformers .

Dostępność

Dostępny do pobrania w otwartej wadze na Hugging Face pod adresem LiquidAI/LFM2.5-2.6B, z osobnymi repozytoriami dla skwantowanych formatów GGUF, MLX i ONNX . Licencja: LFM1.0 open-weight license .

Kulisy firmy: odłam MIT

Liquid AI zostało założone w 2023 roku jako spółka wydzielona z MIT CSAIL przez Ramina Hasaniego (CEO), Mathiasa Lechnera (CTO), Alexandra Aminiego (CSO) i Danielę Rus (profesor MIT i dyrektor CSAIL) . Technologia firmy wyewoluowała z badań nad ciekłymi sieciami neuronowymi (liquid neural networks) na MIT .

Ograniczenia

LFM2.5-2.6B nie jest zalecany do zadań związanych z kodowaniem agentowym ani zadań wymagających dużej wiedzy. W testach kodowania większe modele (np. Qwen3.5-9B) wciąż mają przewagę, a oficjalna karta modelu na Hugging Face odradza używanie go do takich obciążeń . Do złożonego kodowania agentowego lub głębokiego wyszukiwania wiedzy lepiej sprawdzą się większe modele .

1. Nadzorowane dostrajanie (SFT): Dwie rundy — najpierw szeroki zakres, potem ukierunkowane kształtowanie pod kątem zadań agentowych, użycia narzędzi, rozumowania i inżynierii oprogramowania.
2. Specjalizacja nauczycieli: Jeden ekspert na domenę (instrukcje, matematyka, kontrola wiedzy/halucynacji, kod, użycie narzędzi, długi kontekst) trenowany przez SFT + RLVR (uczenie przez wzmocnienie z weryfikowalnymi nagrodami).
3. Wielodomenowa dystylacja na polityce (MOPD): Wyspecjalizowani nauczyciele nadzorują model-studenta, dostarczając informację zwrotną na poziomie tokenów podczas rzeczywistych odpowiedzi studenta.
4. Agentowe uczenie przez wzmocnienie (Agentic RL): Wieloetapowe uczenie przez wzmocnienie w rzeczywistych środowiskach agentowych z użyciem GRPO, z nagrodami opartymi na wynikach, łączącymi ocenę modelu LLM, sprawdzenia programowe i bramkę bezpieczeństwa.

1. Nadzorowane dostrajanie (SFT): Dwie rundy — najpierw szeroki zakres, potem ukierunkowane kształtowanie pod kątem zadań agentowych, użycia narzędzi, rozumowania i inżynierii oprogramowania.
2. Specjalizacja nauczycieli: Jeden ekspert na domenę (instrukcje, matematyka, kontrola wiedzy/halucynacji, kod, użycie narzędzi, długi kontekst) trenowany przez SFT + RLVR (uczenie przez wzmocnienie z weryfikowalnymi nagrodami).
3. Wielodomenowa dystylacja na polityce (MOPD): Wyspecjalizowani nauczyciele nadzorują model-studenta, dostarczając informację zwrotną na poziomie tokenów podczas rzeczywistych odpowiedzi studenta.
4. Agentowe uczenie przez wzmocnienie (Agentic RL): Wieloetapowe uczenie przez wzmocnienie w rzeczywistych środowiskach agentowych z użyciem GRPO, z nagrodami opartymi na wynikach, łączącymi ocenę modelu LLM, sprawdzenia programowe i bramkę bezpieczeństwa.