發布日期同參數

LFM2.5-2.6B 係 2026 年 8 月 4 號 推出嘅 。佢係一個 dense model，有 2.69B 總參數同 30 層：包括 22 個 double-gated short convolution blocks 同 8 個 grouped-query attention (GQA) layers，用嘅係 LFM2 hybrid 架構 。

設計重點：喺裝置上運行 Agent 工作流程

呢個模型係專為「喺裝置上運行 agentic 工作流程」而設計嘅——即係規劃、呼叫工具、上網搜尋、執行多步驟任務——數據唔會離開你部機，而且每次 infer 都唔使額外畀錢 。佢有原生嘅 tool calling 能力，而且喺訓練嗰陣已經喺真實嘅 agent harness 入面測試過，包括 Hermes Agent、OpenClaw 同 Pi 。

訓練細節

• 預訓練： 用咗大約 34 萬億個 token 嚟預訓練 。
• 詞彙量： 128K 個 token（比起之前嘅模型多咗一倍，目的係要更好咁支援非拉丁字母同埋 agent 會遇到嘅各種輸入，例如 tool schemas、file paths 等）。
• 上下文視窗： 128K token（即係 131,072 個 token），係透過一個專用嘅 mid-training context-extension 階段嚟達到嘅 。
• 四個階段嘅後訓練流程 ：

記憶體佔用同推理速度

LFM2.5-2.6B 運行時嘅記憶體佔用 唔過 2.5 GB 。以下係 Liquid AI 官方公布嘅推理速度：

支援嘅推理框架

呢個模型支援 llama.cpp (GGUF 格式), MLX (Apple Silicon), vLLM, SGLang, ONNX 同埋標準嘅 Transformers 。

邊度有得用？

你哋可以去 Hugging Face 下載開放權重，連結係 LiquidAI/LFM2.5-2.6B，入面仲有分開嘅 GGUF、MLX 同 ONNX 量化版本嘅倉庫 。使用條款係 LFM1.0 開放權重許可證 。

背後嘅公司：MIT 嘅 Spinoff

Liquid AI 係 2023 年由 MIT CSAIL 分拆出嚟 嘅初創公司，由 Ramin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（CSO）同 Daniela Rus（MIT 教授兼 CSAIL 主任）共同創立 。公司嘅技術係從 MIT 嘅 liquid neural networks 研究演變過嚟嘅 。

限制要注意

官方都講明，LFM2.5-2.6B 唔建議用喺 agentic coding 或者知識密集型嘅任務上。喺編程 benchmark 上面，較大嘅模型（例如 Qwen3.5-9B）仍然有優勢。官方 Hugging Face 嘅模型卡都建議，如果要做複雜嘅 agentic coding 或者深度知識檢索，最好揀大啲嘅模型 。

發布日期同參數

LFM2.5-2.6B 係 2026 年 8 月 4 號 推出嘅 。佢係一個 dense model，有 2.69B 總參數同 30 層：包括 22 個 double-gated short convolution blocks 同 8 個 grouped-query attention (GQA) layers，用嘅係 LFM2 hybrid 架構 。

設計重點：喺裝置上運行 Agent 工作流程

呢個模型係專為「喺裝置上運行 agentic 工作流程」而設計嘅——即係規劃、呼叫工具、上網搜尋、執行多步驟任務——數據唔會離開你部機，而且每次 infer 都唔使額外畀錢 。佢有原生嘅 tool calling 能力，而且喺訓練嗰陣已經喺真實嘅 agent harness 入面測試過，包括 Hermes Agent、OpenClaw 同 Pi 。

訓練細節

• 預訓練： 用咗大約 34 萬億個 token 嚟預訓練 。
• 詞彙量： 128K 個 token（比起之前嘅模型多咗一倍，目的係要更好咁支援非拉丁字母同埋 agent 會遇到嘅各種輸入，例如 tool schemas、file paths 等）。
• 上下文視窗： 128K token（即係 131,072 個 token），係透過一個專用嘅 mid-training context-extension 階段嚟達到嘅 。
• 四個階段嘅後訓練流程 ：

記憶體佔用同推理速度

LFM2.5-2.6B 運行時嘅記憶體佔用 唔過 2.5 GB 。以下係 Liquid AI 官方公布嘅推理速度：

支援嘅推理框架

呢個模型支援 llama.cpp (GGUF 格式), MLX (Apple Silicon), vLLM, SGLang, ONNX 同埋標準嘅 Transformers 。

邊度有得用？

你哋可以去 Hugging Face 下載開放權重，連結係 LiquidAI/LFM2.5-2.6B，入面仲有分開嘅 GGUF、MLX 同 ONNX 量化版本嘅倉庫 。使用條款係 LFM1.0 開放權重許可證 。

背後嘅公司：MIT 嘅 Spinoff

Liquid AI 係 2023 年由 MIT CSAIL 分拆出嚟 嘅初創公司，由 Ramin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（CSO）同 Daniela Rus（MIT 教授兼 CSAIL 主任）共同創立 。公司嘅技術係從 MIT 嘅 liquid neural networks 研究演變過嚟嘅 。

限制要注意

官方都講明，LFM2.5-2.6B 唔建議用喺 agentic coding 或者知識密集型嘅任務上。喺編程 benchmark 上面，較大嘅模型（例如 Qwen3.5-9B）仍然有優勢。官方 Hugging Face 嘅模型卡都建議，如果要做複雜嘅 agentic coding 或者深度知識檢索，最好揀大啲嘅模型 。

1. 監督式微調 (SFT)： 分兩輪——第一輪係廣泛涵蓋，第二輪就集中喺 agentic 任務、工具使用、推理同軟件工程呢啲特定範疇。
2. 專家 Teacher 專門化： 每個範疇（好似指令遵循、數學、知識/幻覺控制、程式碼、工具使用、長上下文）都有一個專家 teacher，用 SFT 加上 RLVR 嚟訓練。
3. 多領域 On-Policy Distillation (MOPD)： 呢啲專門化嘅 teacher 會喺學生模型自己生成答案嘅時候，提供 token-level 嘅 feedback 嚟指導佢。
4. Agentic 強化學習 (Agentic RL)： 喺真實嘅 agent harness 入面進行多輪強化學習，用 GRPO 演算法，獎勵係基於結果嘅，結合咗 LLM judge、程式檢查同安全機制。

1. 監督式微調 (SFT)： 分兩輪——第一輪係廣泛涵蓋，第二輪就集中喺 agentic 任務、工具使用、推理同軟件工程呢啲特定範疇。
2. 專家 Teacher 專門化： 每個範疇（好似指令遵循、數學、知識/幻覺控制、程式碼、工具使用、長上下文）都有一個專家 teacher，用 SFT 加上 RLVR 嚟訓練。
3. 多領域 On-Policy Distillation (MOPD)： 呢啲專門化嘅 teacher 會喺學生模型自己生成答案嘅時候，提供 token-level 嘅 feedback 嚟指導佢。
4. Agentic 強化學習 (Agentic RL)： 喺真實嘅 agent harness 入面進行多輪強化學習，用 GRPO 演算法，獎勵係基於結果嘅，結合咗 LLM judge、程式檢查同安全機制。