Дата випуску та кількість параметрів

LFM2.5-2.6B була випущена 4 серпня 2026 року . Це щільна модель з 2,69 млрд загальних параметрів і 30 шарами: 22 подвійних блоки короткої згортки з керуванням та 8 шарів уваги згрупованих запитів (GQA), побудована на гібридній архітектурі LFM2 .

Ключова концепція: Агенти на пристрої

Модель спеціально створена для виконання агентських робочих процесів повністю на пристрої — планування, виклик інструментів, веб-пошук та виконання багатокрокових завдань. Дані ніколи не залишають пристрій, а вартість інференції є нульовою . Вона має вбудовану підтримку виклику інструментів і була навчена надійно працювати в реальних агентських середовищах, таких як Hermes Agent, OpenClaw та Pi .

Деталі навчання

• Попереднє навчання: Приблизно 34 трильйони токенів .
• Словник: 128 тисяч токенів (удвічі більше, ніж у попередніх моделей, для кращої підтримки нелатинських шрифтів та різноманітних вхідних даних агента, як-от схеми інструментів і шляхи до файлів) .
• Контекстне вікно: 128 тисяч токенів (131 072), розширене за допомогою спеціальної фази розширення контексту під час проміжного навчання .
• Чотириетапний конвеєр пост-навчання :

Споживання пам'яті та швидкість декодування

LFM2.5-2.6B працює в менш ніж 2,5 ГБ пам'яті . Нижче наведено швидкості декодування, заявлені Liquid AI:

Підтримувані фреймворки інференції

Модель підтримує llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX та стандартні Transformers .

Доступність

Модель з відкритою вагою доступна для завантаження на Hugging Face за посиланням LiquidAI/LFM2.5-2.6B у вигляді окремих репозиторіїв для форматів GGUF, MLX та ONNX . Ліцензується за ліцензією LFM1.0 з відкритою вагою .

Про компанію: Відгалуження від MIT

Liquid AI була заснована у 2023 році як відгалуження від лабораторії CSAIL Массачусетського технологічного інституту (MIT). Засновниками стали Рамін Хасані (CEO), Матіас Лехнер (CTO), Александер Аміні (CSO) та Даніела Рус (професор MIT та директор CSAIL) . Технологія компанії походить від досліджень рідких нейронних мереж у MIT .

Обмеження

LFM2.5-2.6B не рекомендується для агентського кодування або завдань, що потребують великих знань. У тестах на кодування більші моделі (наприклад, Qwen3.5-9B) мають перевагу, а офіційна картка моделі на Hugging Face радить не використовувати її для таких завдань . Для складного агентського кодування або глибокого пошуку знань більші моделі залишаються кращим вибором .

Дата випуску та кількість параметрів

LFM2.5-2.6B була випущена 4 серпня 2026 року . Це щільна модель з 2,69 млрд загальних параметрів і 30 шарами: 22 подвійних блоки короткої згортки з керуванням та 8 шарів уваги згрупованих запитів (GQA), побудована на гібридній архітектурі LFM2 .

Ключова концепція: Агенти на пристрої

Модель спеціально створена для виконання агентських робочих процесів повністю на пристрої — планування, виклик інструментів, веб-пошук та виконання багатокрокових завдань. Дані ніколи не залишають пристрій, а вартість інференції є нульовою . Вона має вбудовану підтримку виклику інструментів і була навчена надійно працювати в реальних агентських середовищах, таких як Hermes Agent, OpenClaw та Pi .

Деталі навчання

• Попереднє навчання: Приблизно 34 трильйони токенів .
• Словник: 128 тисяч токенів (удвічі більше, ніж у попередніх моделей, для кращої підтримки нелатинських шрифтів та різноманітних вхідних даних агента, як-от схеми інструментів і шляхи до файлів) .
• Контекстне вікно: 128 тисяч токенів (131 072), розширене за допомогою спеціальної фази розширення контексту під час проміжного навчання .
• Чотириетапний конвеєр пост-навчання :

Споживання пам'яті та швидкість декодування

LFM2.5-2.6B працює в менш ніж 2,5 ГБ пам'яті . Нижче наведено швидкості декодування, заявлені Liquid AI:

Підтримувані фреймворки інференції

Модель підтримує llama.cpp (GGUF), MLX (Apple Silicon), vLLM, SGLang, ONNX та стандартні Transformers .

Доступність

Модель з відкритою вагою доступна для завантаження на Hugging Face за посиланням LiquidAI/LFM2.5-2.6B у вигляді окремих репозиторіїв для форматів GGUF, MLX та ONNX . Ліцензується за ліцензією LFM1.0 з відкритою вагою .

Про компанію: Відгалуження від MIT

Liquid AI була заснована у 2023 році як відгалуження від лабораторії CSAIL Массачусетського технологічного інституту (MIT). Засновниками стали Рамін Хасані (CEO), Матіас Лехнер (CTO), Александер Аміні (CSO) та Даніела Рус (професор MIT та директор CSAIL) . Технологія компанії походить від досліджень рідких нейронних мереж у MIT .

Обмеження

LFM2.5-2.6B не рекомендується для агентського кодування або завдань, що потребують великих знань. У тестах на кодування більші моделі (наприклад, Qwen3.5-9B) мають перевагу, а офіційна картка моделі на Hugging Face радить не використовувати її для таких завдань . Для складного агентського кодування або глибокого пошуку знань більші моделі залишаються кращим вибором .

1. Контрольоване тонке налаштування (SFT): Два раунди — широке охоплення, потім цільове налаштування на агентські завдання, використання інструментів, міркування та розробку програмного забезпечення.
2. Спеціалізація вчителя: Один експерт на домен (слідування інструкціям, математика, контроль знань/галюцинацій, код, використання інструментів, довгий контекст), навчений за допомогою SFT + RLVR.
3. Багатодоменна дистиляція на політиці (MOPD): Спеціалізовані вчителі контролюють модель-учня за допомогою зворотного зв'язку на рівні токенів під час власних розгорток учня.
4. Агентське навчання з підкріпленням (Agentic RL): Багатокрокове RL у реальних агентських середовищах з використанням GRPO, з винагородами на основі результатів, що поєднують суддю LLM, програмні перевірки та сторож безпеки.

1. Контрольоване тонке налаштування (SFT): Два раунди — широке охоплення, потім цільове налаштування на агентські завдання, використання інструментів, міркування та розробку програмного забезпечення.
2. Спеціалізація вчителя: Один експерт на домен (слідування інструкціям, математика, контроль знань/галюцинацій, код, використання інструментів, довгий контекст), навчений за допомогою SFT + RLVR.
3. Багатодоменна дистиляція на політиці (MOPD): Спеціалізовані вчителі контролюють модель-учня за допомогою зворотного зв'язку на рівні токенів під час власних розгорток учня.
4. Агентське навчання з підкріпленням (Agentic RL): Багатокрокове RL у реальних агентських середовищах з використанням GRPO, з винагородами на основі результатів, що поєднують суддю LLM, програмні перевірки та сторож безпеки.