LFM2.5-2.6B：Liquid AI 的裝置端 AI 代理模型，記憶體佔用不到 2.5 GB

核心設計：裝置端代理工作流程

此模型專為在裝置端完整執行代理工作流程而設計——規劃、呼叫工具、搜尋網路以及執行多步驟任務——過程中數據絕不離開裝置，且無邊際推理成本 。它具備原生的工具呼叫能力，並在真實的代理框架（包括 Hermes Agent、OpenClaw 和 Pi）中進行訓練，以確保可靠性 。

訓練細節

• 預訓練： 約 34 兆個 tokens 。
• 詞彙量： 128K tokens（相較於前代模型翻倍，以更好地支援非拉丁語系腳本及代理工具模式、檔案路徑等多樣化輸入）。
• 上下文視窗： 128K tokens（131,072），透過專用的中間訓練上下文擴展階段達成 。
• 四階段後訓練流程 ：
  1. 監督式微調（SFT）： 分兩輪進行——先廣泛涵蓋，後針對代理任務、工具使用、推理和軟體工程進行定向調整。
  2. 專家教師特化： 每個領域（指令遵循、數學、知識/幻覺控制、程式碼、工具使用、長上下文）訓練一位專家模型，使用 SFT + RLVR 技術。
  3. 多領域同策略蒸餾（MOPD）： 特化後的教師模型在學生模型自己生成的過程中，提供 token 層級的即時反饋來指導學生。
  4. 代理強化學習（Agentic RL）： 在真實代理框架中進行多輪強化學習，使用 GRPO 演算法，並結合 LLM 評判、程式化檢查和安全閘門作為基於結果的獎勵。

記憶體佔用與解碼速度

LFM2.5-2.6B 的運作記憶體需求 低於 2.5 GB 。以下是 Liquid AI 公佈的官方解碼速度數據：

支援的推理框架

此模型支援 llama.cpp（GGUF 格式）、MLX（Apple Silicon）、vLLM、SGLang、ONNX 以及標準的 Transformers 函式庫 。

取得方式

開源權重可在 Hugging Face 上透過 LiquidAI/LFM2.5-2.6B 下載，並提供 GGUF、MLX 和 ONNX 量化格式的獨立儲存庫 。採用 LFM1.0 開源權重授權 。

公司背景：MIT 衍生企業

Liquid AI 成立於 2023 年，為麻省理工學院電腦科學與人工智慧實驗室（MIT CSAIL）的衍生企業，由 Ramin Hasani（執行長）、Mathias Lechner（技術長）、Alexander Amini（科學長）和 Daniela Rus（MIT 教授兼 CSAIL 主任）共同創辦 。公司的技術源於 MIT 關於液態神經網路的研究 。

模型限制

LFM2.5-2.6B 不建議用於代理程式編寫或知識密集型任務。在程式碼相關的基準測試中，較大的模型（例如 Qwen3.5-9B）仍保有優勢；官方 Hugging Face 模型卡也建議不要將其用於此類工作負載 。對於複雜的代理程式編寫或深度知識檢索，較大的模型仍是更佳的選擇 。