Data de Lançamento e Número de Parâmetros

O LFM2.5-2.6B foi lançado em 4 de agosto de 2026 . É um modelo denso com 2,69B de parâmetros totais e 30 camadas: 22 blocos de convolução curta com dupla porta e 8 camadas de atenção de consulta agrupada (GQA), construído sobre a arquitetura híbrida LFM2 .

Foco Principal: Fluxos de Trabalho Agênticos no Dispositivo

O modelo foi criado para rodar fluxos de trabalho de agentes inteiramente no dispositivo — planejamento, chamada de ferramentas, pesquisa na web e execução de tarefas de múltiplas etapas — com os dados nunca saindo do aparelho e custo de inferência marginal zero . Ele tem capacidade nativa de chamar ferramentas e foi treinado para funcionar de forma confiável dentro de ambientes reais de agentes, incluindo Hermes Agent, OpenClaw e Pi .

Detalhes do Treinamento

• Pré-treinamento: Aproximadamente 34 trilhões de tokens .
• Vocabulário: 128 mil tokens (o dobro dos modelos anteriores para melhor suportar scripts não latinos e entradas variadas de agentes, como esquemas de ferramentas e caminhos de arquivos) .
• Janela de contexto: 128 mil tokens (131.072), estendida por meio de uma fase dedicada de extensão de contexto durante o treinamento intermediário .
• Pipeline de pós-treinamento em quatro estágios :

Consumo de Memória e Velocidades de Decodificação

O LFM2.5-2.6B roda em menos de 2,5 GB de memória . As velocidades de decodificação a seguir são números divulgados pela própria Liquid AI:

Frameworks de Inferência Suportados

O modelo suporta llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX e o padrão Transformers .

Disponibilidade

Download com pesos abertos no Hugging Face em LiquidAI/LFM2.5-2.6B, com repositórios separados para os formatos quantizados GGUF, MLX e ONNX . Licenciado sob a licença de pesos abertos LFM1.0 .

Histórico da Empresa: Spinoff do MIT

A Liquid AI foi fundada em 2023 como uma spinoff do MIT CSAIL por Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) e Daniela Rus (professora do MIT e diretora do CSAIL) . A tecnologia da empresa evoluiu a partir de pesquisas sobre redes neurais líquidas no MIT .

Limitações

O LFM2.5-2.6B não é recomendado para tarefas de codificação agêntica ou que exijam muito conhecimento. Em benchmarks de programação, modelos maiores (por exemplo, Qwen3.5-9B) mantêm uma vantagem, e a ficha oficial do modelo no Hugging Face desaconselha seu uso para essas cargas de trabalho . Para codificação agêntica complexa ou recuperação profunda de conhecimento, modelos maiores ainda são preferíveis .

Data de Lançamento e Número de Parâmetros

O LFM2.5-2.6B foi lançado em 4 de agosto de 2026 . É um modelo denso com 2,69B de parâmetros totais e 30 camadas: 22 blocos de convolução curta com dupla porta e 8 camadas de atenção de consulta agrupada (GQA), construído sobre a arquitetura híbrida LFM2 .

Foco Principal: Fluxos de Trabalho Agênticos no Dispositivo

O modelo foi criado para rodar fluxos de trabalho de agentes inteiramente no dispositivo — planejamento, chamada de ferramentas, pesquisa na web e execução de tarefas de múltiplas etapas — com os dados nunca saindo do aparelho e custo de inferência marginal zero . Ele tem capacidade nativa de chamar ferramentas e foi treinado para funcionar de forma confiável dentro de ambientes reais de agentes, incluindo Hermes Agent, OpenClaw e Pi .

Detalhes do Treinamento

• Pré-treinamento: Aproximadamente 34 trilhões de tokens .
• Vocabulário: 128 mil tokens (o dobro dos modelos anteriores para melhor suportar scripts não latinos e entradas variadas de agentes, como esquemas de ferramentas e caminhos de arquivos) .
• Janela de contexto: 128 mil tokens (131.072), estendida por meio de uma fase dedicada de extensão de contexto durante o treinamento intermediário .
• Pipeline de pós-treinamento em quatro estágios :

Consumo de Memória e Velocidades de Decodificação

O LFM2.5-2.6B roda em menos de 2,5 GB de memória . As velocidades de decodificação a seguir são números divulgados pela própria Liquid AI:

Frameworks de Inferência Suportados

O modelo suporta llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX e o padrão Transformers .

Disponibilidade

Download com pesos abertos no Hugging Face em LiquidAI/LFM2.5-2.6B, com repositórios separados para os formatos quantizados GGUF, MLX e ONNX . Licenciado sob a licença de pesos abertos LFM1.0 .

Histórico da Empresa: Spinoff do MIT

A Liquid AI foi fundada em 2023 como uma spinoff do MIT CSAIL por Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) e Daniela Rus (professora do MIT e diretora do CSAIL) . A tecnologia da empresa evoluiu a partir de pesquisas sobre redes neurais líquidas no MIT .

Limitações

O LFM2.5-2.6B não é recomendado para tarefas de codificação agêntica ou que exijam muito conhecimento. Em benchmarks de programação, modelos maiores (por exemplo, Qwen3.5-9B) mantêm uma vantagem, e a ficha oficial do modelo no Hugging Face desaconselha seu uso para essas cargas de trabalho . Para codificação agêntica complexa ou recuperação profunda de conhecimento, modelos maiores ainda são preferíveis .

1. Ajuste Fino Supervisionado (SFT): Duas rodadas — cobertura ampla, seguida de um direcionamento específico para tarefas agênticas, uso de ferramentas, raciocínio e engenharia de software.
2. Especialização de Professores: Um especialista por domínio (seguimento de instruções, matemática, controle de conhecimento/alucinação, código, uso de ferramentas, contexto longo) treinado via SFT + RLVR.
3. Destilação On-Policy Multi-Domínio (MOPD): Professores especializados supervisionam o modelo aluno com feedback em nível de token durante as próprias execuções do aluno.
4. Aprendizado por Reforço Agêntico (Agentic RL): RL de múltiplas rodadas dentro de ambientes reais de agentes usando GRPO, com recompensas baseadas em resultados que combinam um juiz LLM, verificações programáticas e uma barreira de segurança.

1. Ajuste Fino Supervisionado (SFT): Duas rodadas — cobertura ampla, seguida de um direcionamento específico para tarefas agênticas, uso de ferramentas, raciocínio e engenharia de software.
2. Especialização de Professores: Um especialista por domínio (seguimento de instruções, matemática, controle de conhecimento/alucinação, código, uso de ferramentas, contexto longo) treinado via SFT + RLVR.
3. Destilação On-Policy Multi-Domínio (MOPD): Professores especializados supervisionam o modelo aluno com feedback em nível de token durante as próprias execuções do aluno.
4. Aprendizado por Reforço Agêntico (Agentic RL): RL de múltiplas rodadas dentro de ambientes reais de agentes usando GRPO, com recompensas baseadas em resultados que combinam um juiz LLM, verificações programáticas e uma barreira de segurança.