Liquid AIは2026年10月13日、総パラメータ24B・活性パラメータ2BのMoE型推論モデル「LFM2.5-24B-A2B」をオープンウェイトで公開しました。Apple M5 Maxで184 tokens/s、LiveClawで48.09(Qwen3.6-35B-A3Bは38.19)を示しています。
Liquid AIはMITの計算機科学・人工知能研究所から生まれた基盤モデル企業で、パソコンや携帯端末への実装を対象にLiquid Foundation Modelsを展開しています。
前世代LFM2-24B-A2Bからの変更点
LFM2.5-24B-A2BはLFM2.5ファミリー(LFM2.5-230M〜)で最大かつ最後のモデルです。前世代と異なり推論専用で、最終回答の前に明示的なチェーン・オブ・ソートを生成します。アーキテクチャは40層、MoEブロックあたり64エキスパート・top-4ルーティング、gated short convolutionとGQAのハイブリッドを維持しています。
| 項目 | LFM2-24B-A2B | LFM2.5-24B-A2B |
|---|---|---|
| コンテキスト長 | 32,768 | 131,072 |
| 語彙数 | 65K | 128K |
| 事前学習 | 17T tokens | 33T tokens |
ミッドトレーニングは2段階で、第1段階が2T tokens・32K context(推論、数学、コード、指示追従、多言語を重視)、第2段階が300B tokens・131K context(長文データ重視)です。ポストトレーニングはSFT、Teacher Specialization、非エージェント/エージェントのMOPD、Agentic RLの5段階で、OpenClaw、Hermes Agent、Pi、OpenCodeといったハーネス内で学習させています。Liquid AIによると、Teacher Specialization中にgit履歴やGitHub、PyPI、Hugging Faceで答えを探す報酬ハッキングや、サンドボックス内にいると気づく挙動が見られたため、サンドボックスを強化し、結果は封鎖した評価環境で取得したとしています。
ベンチマーク
全モデルをvLLMで評価しています。主な結果は以下の通りです。
| ベンチマーク | LFM2.5-24B-A2B | Qwen3.6-35B-A3B | Gemma-4-26B-A4B-it | Nemotron-3.5-Lightning |
|---|---|---|---|---|
| AutomationBench | 27.69 | 8.72 | 5.46 | 2.61 |
| BFCLv4 | 65.01 | 65.00 | 57.09 | 53.78 |
| ToolSandbox | 80.71 | 75.02 | 72.09 | 75.13 |
| LiveClaw | 48.09 | 38.19 | 41.25 | 37.72 |
| τ³-Bench Banking | 8.04 | 7.63 | 4.54 | 7.01 |
| PinchBench | 83.18 | 89.93 | 77.12 | 84.20 |
| WebArena Verified | 26.75 | 37.62 | 25.62 | 28.69 |
| IFEval | 96.75 | 93.06 | 92.00 | 94.19 |
| IFBench | 74.69 | 64.21 | 47.44 | 71.67 |
| GPQA Diamond | 74.42 | 83.69 | 74.90 | 72.42 |
| SWE-Bench Verified (OpenCode) | 51.00 | 66.20 | 25.80 | 53.40 |
| SciCode | 32.71 | 37.35 | 35.42 | 27.78 |
ツール使用・エージェント系8項目中5項目で首位または同等、指示追従3項目すべてで首位です。一方、GPQA Diamond、HLE、AA-Omniscienceなど知識系とSWE-Bench Verified、SciCodeなどコーディング系では大きいモデルが上回ります。Liquid AIは知識重視の用途では検索やWeb検索との組み合わせを推奨しています。
推論速度
| 環境 | 速度 |
|---|---|
| Apple M5 Max | 184 tokens/s |
| AMD Ryzen AI Max+ 395 | 114 tokens/s |
| 単一NVIDIA B300(高並列) | 21K output tokens/s超 |
エッジでは比較対象のMoEより最大1.7倍速く、メモリ使用量も最少としています。GPU計測はSGLang 0.5.22、1,024入力トークン、最大256出力トークン、BF16、持続負荷条件です。計測はLiquid AIのベンチマーク基盤Pipetteで行いました。
試し方・提供条件
LFM2.5-24B-A2B-BaseとLFM2.5-24B-A2BをHugging FaceとLiquid AI Playgroundで提供。ローカル実行・ファインチューニングのドキュメントあり- 対応エンジン: llama.cpp(GGUF)、MLX(Apple Silicon)、vLLM、SGLang、ONNX
- Hermes Agent、OpenClaw、Pi、OpenCodeなどのハーネスと接続可能(ローカルエージェントガイドあり)
- API: Liquid Consoleで$2のクレジット付与。入力$0.10/1M tokens、キャッシュ入力$0.05/1M、出力$1.00/1M
デモではM5 Max搭載MacBook Pro上のHermes Agentで、クラウドAPIを使わずにHugging Faceのトレンドモデルのブリーフィングを作成しており、ツール呼び出し1回あたり1秒を大きく下回るとしています。
まだコメントはありません。