Дата выпуска и количество параметров

LFM2.5-2.6B была выпущена 4 августа 2026 года . Это плотная модель с 2,69 млрд параметров и 30 слоями: 22 двойными сверточными блоками с затворами и 8 слоями группированного внимания (GQA), построенная на гибридной архитектуре LFM2 .

Ключевая задача: агентные рабочие процессы на устройстве

Модель предназначена для выполнения агентных рабочих процессов полностью на устройстве — планирования, вызова инструментов, веб-поиска и выполнения многошаговых задач — при этом данные никогда не покидают устройство, а стоимость инференса равна нулю . Она поддерживает нативный вызов инструментов и была обучена для надежной работы в реальных агентных средах, таких как Hermes Agent, OpenClaw и Pi .

Подробности обучения

• Предварительное обучение: около 34 триллионов токенов .
• Словарь: 128K токенов (удвоен по сравнению с предыдущими моделями для лучшей поддержки нелатинских шрифтов и разнообразных агентных входных данных, таких как схемы инструментов и пути к файлам) .
• Контекстное окно: 128K токенов (131 072), расширенное за счет специального этапа расширения контекста во время обучения .
• Четырехэтапный конвейер пост-обучения :

Занимаемая память и скорость декодирования

LFM2.5-2.6B работает в менее 2,5 ГБ памяти . Следующие скорости декодирования — это данные, предоставленные Liquid AI:

Поддерживаемые фреймворки для инференса

Модель поддерживает llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX и стандартные Transformers .

Доступность

Скачивание с открытым весом на Hugging Face по адресу LiquidAI/LFM2.5-2.6B, с отдельными репозиториями для квантованных форматов GGUF, MLX и ONNX . Лицензия: LFM1.0 open-weight license .

О компании: дочерняя компания MIT

Liquid AI была основана в 2023 году как дочерняя компания MIT CSAIL командой в составе Рамина Хасани (CEO), Матиаса Лехнера (CTO), Александра Амини (CSO) и Даниэлы Рус (профессор MIT и директор CSAIL) . Технология компании развилась из исследований жидких нейронных сетей в MIT .

Ограничения

LFM2.5-2.6B не рекомендуется для агентного кодинга или задач, требующих глубоких знаний. В бенчмарках кодинга более крупные модели (например, Qwen3.5-9B) сохраняют преимущество, и официальная карточка модели на Hugging Face не рекомендует использовать её для таких задач . Для сложного агентного кодинга или извлечения глубоких знаний по-прежнему предпочтительны более крупные модели .

Дата выпуска и количество параметров

LFM2.5-2.6B была выпущена 4 августа 2026 года . Это плотная модель с 2,69 млрд параметров и 30 слоями: 22 двойными сверточными блоками с затворами и 8 слоями группированного внимания (GQA), построенная на гибридной архитектуре LFM2 .

Ключевая задача: агентные рабочие процессы на устройстве

Модель предназначена для выполнения агентных рабочих процессов полностью на устройстве — планирования, вызова инструментов, веб-поиска и выполнения многошаговых задач — при этом данные никогда не покидают устройство, а стоимость инференса равна нулю . Она поддерживает нативный вызов инструментов и была обучена для надежной работы в реальных агентных средах, таких как Hermes Agent, OpenClaw и Pi .

Подробности обучения

• Предварительное обучение: около 34 триллионов токенов .
• Словарь: 128K токенов (удвоен по сравнению с предыдущими моделями для лучшей поддержки нелатинских шрифтов и разнообразных агентных входных данных, таких как схемы инструментов и пути к файлам) .
• Контекстное окно: 128K токенов (131 072), расширенное за счет специального этапа расширения контекста во время обучения .
• Четырехэтапный конвейер пост-обучения :

Занимаемая память и скорость декодирования

LFM2.5-2.6B работает в менее 2,5 ГБ памяти . Следующие скорости декодирования — это данные, предоставленные Liquid AI:

Поддерживаемые фреймворки для инференса

Модель поддерживает llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX и стандартные Transformers .

Доступность

Скачивание с открытым весом на Hugging Face по адресу LiquidAI/LFM2.5-2.6B, с отдельными репозиториями для квантованных форматов GGUF, MLX и ONNX . Лицензия: LFM1.0 open-weight license .

О компании: дочерняя компания MIT

Liquid AI была основана в 2023 году как дочерняя компания MIT CSAIL командой в составе Рамина Хасани (CEO), Матиаса Лехнера (CTO), Александра Амини (CSO) и Даниэлы Рус (профессор MIT и директор CSAIL) . Технология компании развилась из исследований жидких нейронных сетей в MIT .

Ограничения

LFM2.5-2.6B не рекомендуется для агентного кодинга или задач, требующих глубоких знаний. В бенчмарках кодинга более крупные модели (например, Qwen3.5-9B) сохраняют преимущество, и официальная карточка модели на Hugging Face не рекомендует использовать её для таких задач . Для сложного агентного кодинга или извлечения глубоких знаний по-прежнему предпочтительны более крупные модели .

1. Контролируемая тонкая настройка (SFT): два раунда — широкое покрытие, затем целевая настройка на агентных задачах, использовании инструментов, рассуждении и программной инженерии.
2. Специализация учителей: по одному эксперту на каждую область (следование инструкциям, математика, контроль знаний/галлюцинаций, код, использование инструментов, длинный контекст), обученному с помощью SFT и RLVR.
3. Многопредметная дистилляция по политике (MOPD): специализированные учителя контролируют модель-ученика, предоставляя обратную связь на уровне токенов во время собственных генераций ученика.
4. Агентное обучение с подкреплением (Agentic RL): многошаговое RL в реальных агентных средах с использованием GRPO, где вознаграждение, основанное на результате, сочетает оценку LLM, программные проверки и фильтр безопасности.

1. Контролируемая тонкая настройка (SFT): два раунда — широкое покрытие, затем целевая настройка на агентных задачах, использовании инструментов, рассуждении и программной инженерии.
2. Специализация учителей: по одному эксперту на каждую область (следование инструкциям, математика, контроль знаний/галлюцинаций, код, использование инструментов, длинный контекст), обученному с помощью SFT и RLVR.
3. Многопредметная дистилляция по политике (MOPD): специализированные учителя контролируют модель-ученика, предоставляя обратную связь на уровне токенов во время собственных генераций ученика.
4. Агентное обучение с подкреплением (Agentic RL): многошаговое RL в реальных агентных средах с использованием GRPO, где вознаграждение, основанное на результате, сочетает оценку LLM, программные проверки и фильтр безопасности.