Liquid AI는 2026년 10월 13일, 개인 정보를 보호하며 기기에서 에이전트를 실행할 수 있는 오픈 웨이트 추론 모델 LFM2.5-24B-A2B를 공개했습니다. 전체 매개변수는 240억 개이며 토큰당 20억 개를 활성화합니다. 답변 전에 추론하고, 도구를 호출하며, 여러 단계로 된 작업을 처리할 수 있습니다. Liquid AI는 LiveClaw에서 48.09점을 기록했다고 밝혔습니다. 전체 및 활성 매개변수가 약 50% 더 많은 Qwen3.6-35B-A3B는 38.19점이었습니다. 모델은 Apple M5 Max에서 초당 184토큰으로 작동하고, NVIDIA B300 GPU 1개에서는 초당 최대 2만1천 개의 출력 토큰을 냅니다.

이 모델은 LFM2-24B-A2B의 40층 구조를 유지하며, 혼합 전문가 모델(MoE) 블록마다 전문가 64개와 상위 4개 선택 라우팅을 적용합니다. 컨텍스트 창은 3만2천 토큰에서 13만1천 토큰으로 늘었고, 토크나이저의 어휘 수는 6만5천 개에서 12만8천 개로 두 배 확대돼 비라틴 문자 처리가 개선됐습니다. 이전 모델과 달리 최종 답변 전에 명시적인 사고 과정을 생성합니다. Liquid AI는 사전 학습 규모를 약 17조 토큰에서 약 33조 토큰으로 키운 뒤, 컨텍스트 3만2천 토큰에서 중간 학습 토큰 2조 개를, 13만1천 토큰에서 3천억 개를 추가했습니다. 학습 데이터는 추론, 수학, 코드, 지시 이행, 다국어 텍스트, 긴 컨텍스트를 중점적으로 다뤘으며, 도구 호출과 여러 차례 이어지는 작업 기록은 두 학습 단계에 모두 포함됐습니다. 후속 학습은 지도 미세 조정, 교사 모델 전문화, 에이전트 기능이 없는 작업과 에이전트 작업을 대상으로 한 두 차례의 다중 도메인 온폴리시 증류, 에이전트 강화학습 등 5단계로 진행됐습니다. 학습 환경에는 OpenClaw, Hermes Agent, Pi, OpenCode가 포함됐습니다.

Liquid AI는 16개 벤치마크에서 이 모델을 Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it, Nemotron-3.5-Lightning과 비교했습니다. 도구 사용 및 에이전트 벤치마크 8개 가운데 5개에서 앞서거나 동률을 기록했습니다. 점수는 AutomationBench 27.69, BFCLv4 65.01, ToolSandbox 80.71, LiveClaw 48.09, τ³-Bench Banking 8.04였습니다. AutomationBench에서는 다음으로 높은 모델보다 3배 넘는 점수를 얻었습니다. 지시 이행 벤치마크 3개도 모두 앞섰으며, IFEval 96.75, IFBench 74.69, Multi-IF 84.38을 기록했습니다. 지식 비중이 큰 GPQA Diamond, HLE, AA-Omniscience와 코딩 평가인 SWE-Bench Verified(OpenCode), SciCode에서는 더 큰 모델들이 높은 점수를 받았습니다. Liquid AI는 지식 중심 작업에 검색 증강이나 웹 검색을 권장합니다.

기기에서 모델을 실행할 때 Liquid AI가 보고한 속도는 M5 Max에서 초당 184토큰, Ryzen AI Max+ 395에서 초당 114토큰입니다. 비교 대상 중 다음으로 빠른 모델보다 최대 1.7배 빠르며 메모리 사용량도 가장 적다고 밝혔습니다. B300 한 대에서는 동시 요청이 많은 조건에서 초당 2만1천 개가 넘는 출력 토큰을 냅니다. 배포 도구로 llama.cpp, MLX, vLLM, SGLang, ONNX를 지원하며, OpenAI 호환 로컬 백엔드 뒤에서 실행할 수 있습니다. Liquid AI에 따르면 LFM2.5-24B-A2B와 기본 버전은 모두 오픈 웨이트로 Hugging Face에서 제공되며, 설정 및 미세 조정 안내서도 공개됐습니다.

Liquid AI는 2026년 10월 13일, 개인 정보를 보호하며 기기에서 에이전트를 실행할 수 있는 오픈 웨이트 추론 모델 LFM2.5-24B-A2B를 공개했습니다. 전체 매개변수는 240억 개이며 토큰당 20억 개를 활성화합니다. 답변 전에 추론하고, 도구를 호출하며, 여러 단계로 된 작업을 처리할 수 있습니다. Liquid AI는 LiveClaw에서 48.09점을 기록했다고 밝혔습니다. 전체 및 활성 매개변수가 약 50% 더 많은 Qwen3.6-35B-A3B는 38.19점이었습니다. 모델은 Apple M5 Max에서 초당 184토큰으로 작동하고, NVIDIA B300 GPU 1개에서는 초당 최대 2만1천 개의 출력 토큰을 냅니다.

이 모델은 LFM2-24B-A2B의 40층 구조를 유지하며, 혼합 전문가 모델(MoE) 블록마다 전문가 64개와 상위 4개 선택 라우팅을 적용합니다. 컨텍스트 창은 3만2천 토큰에서 13만1천 토큰으로 늘었고, 토크나이저의 어휘 수는 6만5천 개에서 12만8천 개로 두 배 확대돼 비라틴 문자 처리가 개선됐습니다. 이전 모델과 달리 최종 답변 전에 명시적인 사고 과정을 생성합니다. Liquid AI는 사전 학습 규모를 약 17조 토큰에서 약 33조 토큰으로 키운 뒤, 컨텍스트 3만2천 토큰에서 중간 학습 토큰 2조 개를, 13만1천 토큰에서 3천억 개를 추가했습니다. 학습 데이터는 추론, 수학, 코드, 지시 이행, 다국어 텍스트, 긴 컨텍스트를 중점적으로 다뤘으며, 도구 호출과 여러 차례 이어지는 작업 기록은 두 학습 단계에 모두 포함됐습니다. 후속 학습은 지도 미세 조정, 교사 모델 전문화, 에이전트 기능이 없는 작업과 에이전트 작업을 대상으로 한 두 차례의 다중 도메인 온폴리시 증류, 에이전트 강화학습 등 5단계로 진행됐습니다. 학습 환경에는 OpenClaw, Hermes Agent, Pi, OpenCode가 포함됐습니다.

Liquid AI는 16개 벤치마크에서 이 모델을 Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it, Nemotron-3.5-Lightning과 비교했습니다. 도구 사용 및 에이전트 벤치마크 8개 가운데 5개에서 앞서거나 동률을 기록했습니다. 점수는 AutomationBench 27.69, BFCLv4 65.01, ToolSandbox 80.71, LiveClaw 48.09, τ³-Bench Banking 8.04였습니다. AutomationBench에서는 다음으로 높은 모델보다 3배 넘는 점수를 얻었습니다. 지시 이행 벤치마크 3개도 모두 앞섰으며, IFEval 96.75, IFBench 74.69, Multi-IF 84.38을 기록했습니다. 지식 비중이 큰 GPQA Diamond, HLE, AA-Omniscience와 코딩 평가인 SWE-Bench Verified(OpenCode), SciCode에서는 더 큰 모델들이 높은 점수를 받았습니다. Liquid AI는 지식 중심 작업에 검색 증강이나 웹 검색을 권장합니다.

기기에서 모델을 실행할 때 Liquid AI가 보고한 속도는 M5 Max에서 초당 184토큰, Ryzen AI Max+ 395에서 초당 114토큰입니다. 비교 대상 중 다음으로 빠른 모델보다 최대 1.7배 빠르며 메모리 사용량도 가장 적다고 밝혔습니다. B300 한 대에서는 동시 요청이 많은 조건에서 초당 2만1천 개가 넘는 출력 토큰을 냅니다. 배포 도구로 llama.cpp, MLX, vLLM, SGLang, ONNX를 지원하며, OpenAI 호환 로컬 백엔드 뒤에서 실행할 수 있습니다. Liquid AI에 따르면 LFM2.5-24B-A2B와 기본 버전은 모두 오픈 웨이트로 Hugging Face에서 제공되며, 설정 및 미세 조정 안내서도 공개됐습니다.