Liquid AI'nın LFM2.5-2.6B Modeli: Telefonunuzda Bile Çalışan, Buluta İhtiyaç Duymayan Yapay Zeka Ajanı

Çıkış Tarihi ve Teknik Özellikler

LFM2.5-2.6B, 4 Ağustos 2026 tarihinde kullanıma sunulmuştur . Toplamda 2.69 milyar parametreye sahip olan model, 30 katmandan oluşur: 22 adet çift geçitli kısa konvolüsyon bloğu (double-gated short convolution block) ve 8 adet gruplandırılmış sorgu dikkat (GQA) katmanı. Bu yapı, Liquid AI'nın LFM2 melez mimarisine dayanmaktadır .

Tasarım Odağı: Cihazda Çalışan Ajan İş Akışları

Bu modelin en önemli özelliği, planlama, araç çağırma, web arama ve çok adımlı görevleri içeren ajan iş akışlarını (agentic workflows) tamamen cihazın kendi üzerinde çalıştırmak üzere özel olarak tasarlanmış olmasıdır. Bu sayede veri asla cihazdan dışarı çıkmaz ve ek bir bulut bilişim maliyeti oluşmaz . Model, Hermes Agent, OpenClaw ve Pi gibi gerçek ajan yazılımlarının (agent harnesses) içinde güvenilir bir şekilde çalışmak üzere eğitilmiştir ve yerel araç çağırma (native tool calling) desteğine sahiptir .

Eğitim Detayları

• Ön Eğitim (Pre-training): Yaklaşık 34 trilyon token ile gerçekleştirilmiştir .
• Kelime Dağarcığı (Vocabulary): 128K token (önceki modellere göre iki katına çıkarılmıştır; bu, Latin alfabesi dışındaki dilleri ve araç şemaları, dosya yolları gibi çeşitli girdileri daha iyi desteklemek içindir) .
• Bağlam Penceresi (Context Window): 128K token (131,072 token). Bu, özel bir orta eğitim aşaması (mid-training context-extension phase) ile genişletilmiştir .
• Dört Aşamalı Son Eğitim Süreci (Post-training Pipeline) :
  1. Denetimli İnce Ayar (SFT): İki aşamalıdır. İlk aşamada geniş bir yelpazede eğitim, ikinci aşamada ise ajanlık görevler, araç kullanımı, akıl yürütme ve yazılım mühendisliği üzerine odaklanma.
  2. Uzman Öğretmenler (Teacher Specialization): Her bir alan için (talimat takibi, matematik, bilgi/halüsinasyon kontrolü, kod, araç kullanımı, uzun bağlam) SFT ve RLVR ile eğitilmiş birer uzman model oluşturulması.
  3. Çok Alanlı Politika İçi Damıtma (MOPD): Uzman öğretmenlerin, öğrenci modelin kendi ürettiği çıktılar üzerinden token seviyesinde geri bildirim sağlayarak onu denetlemesi.
  4. Ajan Güçlendirmeli Öğrenme (Agentic RL): GRPO yöntemi kullanılarak, gerçek ajan yazılımları içinde çok turlu pekiştirmeli öğrenme yapılması. Ödüller, bir dil modeli yargıcı, programatik kontroller ve bir güvenlik katmanının birleşiminden oluşur.

Bellek Kullanımı ve Çıktı Hızları

LFM2.5-2.6B, 2.5 GB'ın altında bir bellek kullanarak çalışır . Aşağıdaki hız değerleri, Liquid AI tarafından raporlanmıştır:

Desteklenen Çıkarım Çerçeveleri

Model, llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX ve standart Transformers kütüphanesini desteklemektedir .

Erişilebilirlik ve Lisans

Model, açık ağırlıklı olarak Hugging Face üzerinde LiquidAI/LFM2.5-2.6B adresi altında yayınlanmıştır. GGUF, MLX ve ONNX formatları için ayrı depolar da bulunmaktadır . LFM1.0 açık ağırlık lisansı ile lisanslanmıştır; bu lisans, yıllık geliri 10 milyon doların altında olan şirketlere ticari kullanım izni verirken, akademik ve kişisel kullanım için ücretsizdir .

Şirket Arka Planı: MIT Kökenli Bir Girişim

Liquid AI, 2023 yılında bir MIT CSAIL girişimi olarak Ramin Hasani (CEO), Mathias Lechner (CTO), Alexander Amini (CSO) ve Daniela Rus (MIT profesörü ve CSAIL direktörü) tarafından kurulmuştur . Şirketin teknolojisi, MIT'de yürütülen sıvı sinir ağları (liquid neural networks) araştırmalarından evrilmiştir .

Sınırlamalar

LFM2.5-2.6B, ajanlık kod yazma veya bilgi yoğun görevler için önerilmez. Kodlama kıyaslamalarında, Qwen3.5-9B gibi daha büyük modeller üstünlük sağlamaktadır. Resmi Hugging Face kartı da modelin bu tür iş yükleri için kullanılmamasını tavsiye etmektedir . Karmaşık ajanlık kodlama veya derin bilgi erişimi gerektiren durumlar için daha büyük modeller tercih edilmelidir .