Nowy otwarty model Liquid AI wykonuje agentowe rozumowanie lokalnie z zaledwie 2B aktywnych parametrów
W skrócie: Liquid AI opublikowało LFM2.5-24B-A2B, model typu mixture-of-experts z 24B parametrów łącznie, ale tylko 2B aktywnych na token, zaprojektowany do uruchamiania agentów rozumujących na lokalnym sprzęcie. Wersja ta rozszerza okno kontekstu do 131K tokenów, podwaja rozmiar słownika i została wytrenowana na mniej więcej dwukrotnie większej ilości danych wstępnych niż poprzednik. W testach agentowych i wywołań narzędzi model dorównuje lub przewyższa modele mające około 50% więcej parametrów, oferując przy tym szybkie wnioskowanie zarówno na sprzęcie konsumenckim, jak i w centrach danych.
To podsumowanie zostało automatycznie przygotowane przez sztuczną inteligencję na podstawie publikacji „Hugging Face”. To nasz tekst, nie kopia oryginału — fakty, liczby i cytaty należą do źródła, do którego link znajduje się powyżej i poniżej.
Co się zmieniło?
- 1Okno kontekstu zwiększone z 32K do 131K tokenów
- 2Rozmiar słownika podwojony z 65K do 128K tokenów, co poprawia tokenizację dla pism innych niż łacińskie
- 3Dane wstępnego treningu zwiększone z ok. 17T do 33T tokenów, z dodatkowym treningiem pośrednim w zakresie rozumowania, matematyki, kodu i tekstu wielojęzycznego
- 4Model generuje teraz jawny łańcuch rozumowania przed udzieleniem odpowiedzi, czego nie robił poprzednik
- 5Trening końcowy obejmuje pięć etapów, w tym nadzorowane dostrajanie, destylację od nauczyciela i uczenie ze wzmocnieniem w realnych środowiskach agentowych
- 6Obsługa od razu w llama.cpp, MLX, vLLM, SGLang i ONNX
- 7Zarówno wersja bazowa, jak i dostrojona do instrukcji zostały udostępnione otwarcie na Hugging Face
| Parametr | Było | Jest |
|---|---|---|
| Okno kontekstu | 32K tokenów | 131K tokenów |
| Rozmiar słownika | 65K tokenów | 128K tokenów |
| Tokeny wstępnego treningu | ~17T tokenów | ~33T tokenów |
| Rozumowanie | Nie tylko model rozumujący | Wyłącznie model rozumujący z jawnym łańcuchem |
| Aktywne parametry | 2B (poprzednia wersja LFM2-24B-A2B) | 2B (bez zmian) |
| Wywołania narzędzi | Nie określono | Obsługiwane, trenowane w środowiskach agentowych (OpenClaw, Hermes Agent, Pi, OpenCode) |
| Szybkość (Apple M5 Max) | Nie określono | 184 tok/s |
| Szybkość (NVIDIA B300) | Nie określono | Do 21K tok/s wyjściowych |
Dlaczego to ważne?
Dla zespołów budujących agentów wywołujących narzędzia, model działający na lokalnym sprzęcie przy niskim koszcie aktywnych parametrów, ale konkurujący z dużo większymi modelami w testach agentowych (np. LiveClaw i AutomationBench), oznacza tańszą, prywatną i stale działającą automatyzację bez konieczności korzystania z chmurowego API przy każdym kroku rozumowania.
Co to oznacza dla agentów AI i contact center?
Dla zespołów zajmujących się głosowym AI i automatyzacją contact center silne wyniki w zakresie wywołań narzędzi i podążania za instrukcjami w połączeniu z niskim kosztem wnioskowania sprawiają, że warto przetestować ten model jako lokalne zaplecze dla środowisk agentowych wymagających wywoływania funkcji, realizacji wieloetapowych procesów lub działania bez wysyłania danych do zewnętrznych API; istotna jest też ulepszona tokenizacja wielojęzyczna dla innych języków.
🧪 Warte przetestowania
Połączenie mocnych wyników w testach wywołań narzędzi, okna kontekstu 131K tokenów i szybkiego lokalnego wnioskowania (184 tok/s na konsumenckim chipie Apple) czyni ten model praktycznym kandydatem do porównania z modelami agentowymi hostowanymi w chmurze pod względem kosztu, opóźnienia i prywatności w procesach automatyzacji.
Źródła
- Hugging FaceOficjalneŹródło pierwotneOryginalny artykuł →„Run fast, private agents on-device with LFM2.5-24B-A2B“13 paź 2026, 20:05
- Data publikacji źródła
- 13 paź 2026, 20:05
- Znalezione przez nasz system
- 13 paź 2026, 20:11
- Podsumowanie wygenerowano
- 13 paź 2026, 20:13
Artykuł napisała AI na podstawie oryginalnego źródła. Fakty, liczby i ceny pochodzą ze źródła; brakujące wartości oznaczono „Brak oficjalnych danych”. Informacje prawne, prawa autorskie i prywatność