发布日期与参数规模

LFM2.5-2.6B 于 2026 年 8 月 4 日 正式发布 。它是一个稠密模型（dense model），拥有 2.69B 总参数，共 30 层：其中包括 22 个双门控短卷积块和 8 个分组查询注意力（GQA）层，基于 LFM2 混合架构构建 。

核心设计理念：端侧 Agent 工作流

该模型专为在设备端完整运行 Agent 工作流而打造——涵盖规划、调用工具、搜索网页以及执行多步任务——数据全程不出设备，且边际推理成本为零 。它具备原生工具调用能力，并经过训练可在真实的 Agent 框架（如 Hermes Agent、OpenClaw 和 Pi）中稳定工作 。

训练细节

• 预训练： 约 34 万亿个 token 。
• 词汇量： 128K 个 token（相比此前模型翻倍，以更好地支持非拉丁语系文字以及多样化的 Agent 输入，如工具模式、文件路径等） 。
• 上下文窗口： 128K tokens（即 131,072 个 token），通过专门的中间训练上下文扩展阶段实现 。
• 四阶段后训练管线 ：

内存占用与推理速度

LFM2.5-2.6B 运行时内存占用 小于 2.5 GB 。以下为 Liquid AI 公布的速度数据：

支持的推理框架

该模型支持 llama.cpp (GGUF 格式)、MLX（苹果芯片）、vLLM、SGLang、ONNX 以及标准的 Transformers 库 。

获取方式

权重已在 Hugging Face 上开源，下载地址为 LiquidAI/LFM2.5-2.6B，同时提供独立的 GGUF、MLX 和 ONNX 量化版本仓库 。许可协议为 LFM1.0 开源权重许可证 。

公司背景：MIT 孵化企业

Liquid AI 于 2023 年作为 MIT CSAIL（计算机科学与人工智能实验室）的衍生企业成立，创始团队为 Ramin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（首席科学家）和 Daniela Rus（MIT 教授及 CSAIL 主任） 。公司技术源于 MIT 关于液态神经网络（liquid neural networks）的研究 。

局限性

LFM2.5-2.6B 不推荐用于 Agent 编程或知识密集型任务。在编程基准测试中，更大的模型（如 Qwen3.5-9B）仍保持优势，官方 Hugging Face 模型卡也建议不要将其用于此类工作负载 。对于复杂的 Agent 编程或深度知识检索，更大规模的模型仍然是更好的选择 。

发布日期与参数规模

LFM2.5-2.6B 于 2026 年 8 月 4 日 正式发布 。它是一个稠密模型（dense model），拥有 2.69B 总参数，共 30 层：其中包括 22 个双门控短卷积块和 8 个分组查询注意力（GQA）层，基于 LFM2 混合架构构建 。

核心设计理念：端侧 Agent 工作流

该模型专为在设备端完整运行 Agent 工作流而打造——涵盖规划、调用工具、搜索网页以及执行多步任务——数据全程不出设备，且边际推理成本为零 。它具备原生工具调用能力，并经过训练可在真实的 Agent 框架（如 Hermes Agent、OpenClaw 和 Pi）中稳定工作 。

训练细节

• 预训练： 约 34 万亿个 token 。
• 词汇量： 128K 个 token（相比此前模型翻倍，以更好地支持非拉丁语系文字以及多样化的 Agent 输入，如工具模式、文件路径等） 。
• 上下文窗口： 128K tokens（即 131,072 个 token），通过专门的中间训练上下文扩展阶段实现 。
• 四阶段后训练管线 ：

内存占用与推理速度

LFM2.5-2.6B 运行时内存占用 小于 2.5 GB 。以下为 Liquid AI 公布的速度数据：

支持的推理框架

该模型支持 llama.cpp (GGUF 格式)、MLX（苹果芯片）、vLLM、SGLang、ONNX 以及标准的 Transformers 库 。

获取方式

权重已在 Hugging Face 上开源，下载地址为 LiquidAI/LFM2.5-2.6B，同时提供独立的 GGUF、MLX 和 ONNX 量化版本仓库 。许可协议为 LFM1.0 开源权重许可证 。

公司背景：MIT 孵化企业

Liquid AI 于 2023 年作为 MIT CSAIL（计算机科学与人工智能实验室）的衍生企业成立，创始团队为 Ramin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（首席科学家）和 Daniela Rus（MIT 教授及 CSAIL 主任） 。公司技术源于 MIT 关于液态神经网络（liquid neural networks）的研究 。

局限性

LFM2.5-2.6B 不推荐用于 Agent 编程或知识密集型任务。在编程基准测试中，更大的模型（如 Qwen3.5-9B）仍保持优势，官方 Hugging Face 模型卡也建议不要将其用于此类工作负载 。对于复杂的 Agent 编程或深度知识检索，更大规模的模型仍然是更好的选择 。

1. 监督微调： 分两轮进行——先进行广泛覆盖，然后针对 Agent 任务、工具使用、推理和软件工程等领域进行定向塑造。
2. 教师模型专业化： 为每个领域（指令遵循、数学、知识/幻觉控制、代码、工具使用、长上下文）训练一个专家模型，方法为监督微调 + 基于规则与奖励的强化学习。
3. 多领域在线蒸馏： 在学生模型自身生成的过程中，各领域专家教师模型对其 token 级输出提供反馈，进行监督。
4. Agent 强化学习： 在真实 Agent 框架内，使用 GRPO 算法进行多轮强化学习，奖励信号结合了大模型裁判、程序化检查和安全门控机制。

1. 监督微调： 分两轮进行——先进行广泛覆盖，然后针对 Agent 任务、工具使用、推理和软件工程等领域进行定向塑造。
2. 教师模型专业化： 为每个领域（指令遵循、数学、知识/幻觉控制、代码、工具使用、长上下文）训练一个专家模型，方法为监督微调 + 基于规则与奖励的强化学习。
3. 多领域在线蒸馏： 在学生模型自身生成的过程中，各领域专家教师模型对其 token 级输出提供反馈，进行监督。
4. Agent 强化学习： 在真实 Agent 框架内，使用 GRPO 算法进行多轮强化学习，奖励信号结合了大模型裁判、程序化检查和安全门控机制。