Liquid AIは2026年10月13日、端末上で非公開のエージェントを実行するためのオープンウェイト推論モデル「LFM2.5-24B-A2B」を公開しました。総パラメーター数は24Bですが、トークンごとに稼働するのは2Bです。回答前に思考し、ツールを呼び出し、複数段階のタスクを処理できます。Liquid AIによると、LiveClawで48.09を記録し、総数と稼働数が約50%多いQwen3.6-35B-A3Bの38.19を上回りました。Apple M5 Maxでは毎秒184トークンで動作し、NVIDIA B300 GPU 1基では出力が毎秒21Kトークンを超えます。

モデルはLFM2-24B-A2Bの40層アーキテクチャーを維持し、MoEブロックごとに64個の専門家とtop-4ルーティングを備えます。コンテキストウィンドウは32Kから131Kトークンに拡大しました。トークナイザーの語彙数も、配置を変えずに65Kから128Kへ倍増し、ラテン文字以外のテキスト処理を改善しました。前モデルと異なり、最終回答の前に明示的な思考過程を出力します。事前学習の規模は約17Tトークンから約33Tへ拡大し、さらに32Kコンテキストで2T、131Kコンテキストで300Bの中間学習トークンを追加しました。学習データは推論、数学、コード、指示追従、多言語テキスト、長文コンテキストを重視し、ツール呼び出しと複数ターンの軌跡も両方の段階に含めました。事後学習は5段階で、教師あり微調整、教師モデルの専門化、エージェント以外およびエージェント型タスク向けの複数領域オンポリシー蒸留2回、そしてOpenClaw、Hermes Agent、Pi、OpenCodeなどの実行環境を使ったエージェント強化学習を行いました。

Liquid AIは、16のベンチマークでQwen3.6-35B-A3B、Gemma-4-26B-A4B-it、Nemotron-3.5-Lightningと比較しました。ツール利用・エージェント関連の8項目中5項目で競合を上回るか同点となり、AutomationBenchは27.69、BFCLv4は65.01、ToolSandboxは80.71、LiveClawは48.09、τ³-Bench Bankingは8.04でした。AutomationBenchでは次点モデルの3倍を超えるスコアでした。指示追従の3項目すべてでも首位となり、IFEvalは96.75、IFBenchは74.69、Multi-IFは84.38でした。一方、知識を多く要するGPQA Diamond、HLE、AA-Omniscienceや、SWE-Bench Verified（OpenCode）、SciCodeのコーディング試験では、より大きなモデルが高いスコアを記録しました。Liquid AIは知識を重視する用途に検索拡張またはウェブ検索を推奨しています。

端末上の推論では、Liquid AIによるとM5 Maxで毎秒184トークン、Ryzen AI Max+ 395で毎秒114トークンを処理し、比較対象の次点モデルより最大1.7倍速く、使用メモリーも最少でした。B300 1基では、高い同時実行数のもとで出力が毎秒21Kトークンを超えます。公開版はllama.cpp、MLX、vLLM、SGLang、ONNXに対応し、OpenAI互換のローカルバックエンド経由でも実行できます。Liquid AIはLFM2.5-24B-A2BとBase版の両方をオープンウェイトとしてHugging Faceで提供し、セットアップと微調整のチュートリアルも公開しています。

Liquid AIは2026年10月13日、端末上で非公開のエージェントを実行するためのオープンウェイト推論モデル「LFM2.5-24B-A2B」を公開しました。総パラメーター数は24Bですが、トークンごとに稼働するのは2Bです。回答前に思考し、ツールを呼び出し、複数段階のタスクを処理できます。Liquid AIによると、LiveClawで48.09を記録し、総数と稼働数が約50%多いQwen3.6-35B-A3Bの38.19を上回りました。Apple M5 Maxでは毎秒184トークンで動作し、NVIDIA B300 GPU 1基では出力が毎秒21Kトークンを超えます。

モデルはLFM2-24B-A2Bの40層アーキテクチャーを維持し、MoEブロックごとに64個の専門家とtop-4ルーティングを備えます。コンテキストウィンドウは32Kから131Kトークンに拡大しました。トークナイザーの語彙数も、配置を変えずに65Kから128Kへ倍増し、ラテン文字以外のテキスト処理を改善しました。前モデルと異なり、最終回答の前に明示的な思考過程を出力します。事前学習の規模は約17Tトークンから約33Tへ拡大し、さらに32Kコンテキストで2T、131Kコンテキストで300Bの中間学習トークンを追加しました。学習データは推論、数学、コード、指示追従、多言語テキスト、長文コンテキストを重視し、ツール呼び出しと複数ターンの軌跡も両方の段階に含めました。事後学習は5段階で、教師あり微調整、教師モデルの専門化、エージェント以外およびエージェント型タスク向けの複数領域オンポリシー蒸留2回、そしてOpenClaw、Hermes Agent、Pi、OpenCodeなどの実行環境を使ったエージェント強化学習を行いました。

Liquid AIは、16のベンチマークでQwen3.6-35B-A3B、Gemma-4-26B-A4B-it、Nemotron-3.5-Lightningと比較しました。ツール利用・エージェント関連の8項目中5項目で競合を上回るか同点となり、AutomationBenchは27.69、BFCLv4は65.01、ToolSandboxは80.71、LiveClawは48.09、τ³-Bench Bankingは8.04でした。AutomationBenchでは次点モデルの3倍を超えるスコアでした。指示追従の3項目すべてでも首位となり、IFEvalは96.75、IFBenchは74.69、Multi-IFは84.38でした。一方、知識を多く要するGPQA Diamond、HLE、AA-Omniscienceや、SWE-Bench Verified（OpenCode）、SciCodeのコーディング試験では、より大きなモデルが高いスコアを記録しました。Liquid AIは知識を重視する用途に検索拡張またはウェブ検索を推奨しています。

端末上の推論では、Liquid AIによるとM5 Maxで毎秒184トークン、Ryzen AI Max+ 395で毎秒114トークンを処理し、比較対象の次点モデルより最大1.7倍速く、使用メモリーも最少でした。B300 1基では、高い同時実行数のもとで出力が毎秒21Kトークンを超えます。公開版はllama.cpp、MLX、vLLM、SGLang、ONNXに対応し、OpenAI互換のローカルバックエンド経由でも実行できます。Liquid AIはLFM2.5-24B-A2BとBase版の両方をオープンウェイトとしてHugging Faceで提供し、セットアップと微調整のチュートリアルも公開しています。