LiquidAI שחררה את מודל ההיסקלות LFM2.5-24B-A2B לסוכני AI על המכשיר
המודל החדש LFM2.5-24B-A2B של LiquidAI הוא מודל היסקלות מעורב מומחים בעל 24B פרמטרים, הפעיל רק 2B פרמטרים לכל טוקן ומשחרר סוכנים מהירים ופרטיים על טכנולוגיות צרכניות.
LiquidAI שחררה את LFM2.5-24B-A2B, מודל משקלום פתוחים מונחה היסקלות שמפעיל סוכני AI מהירים ופרטיים ישירות על המכשיר. המודל משתמש בערבוב מומחים: סך הכל 24B פרמטרים, רק 2B פעילים לטוקן, מה שהופך עומס סוכנים בטכנולוגיות צרכניות לנגיש.
ארכיטקטורה ואימון
LFM2.5-24B-A2B מבוסס על LFM2-24B-A2B: 40 שכבות, 64 מומחים לכל בלוק MoE עם ניתוב top-4, היבריד של קונבולוציות קצרות עם שעורים ושימתול query attention. ההקשר גדל מ-32K עד 131K טוקנים, והמילון מוכפל מ-65K ל-128K עבור שפות לא-לטיניות. זה מודל היסקלות בלבד ויוצר שרשרת חשיבה עד תשובה.
אימון מקדים גדל מ-17T ל-33T טוקנים. אימון ביניים הוסיף 2T טוקנים עם הקשר של 32K, עם דגש על היסקלות, מתמטיקה, קוד, הוראות וטקסט רב-לשוני, וכן 300B טוקנים עם הקשר של 131K, עם דגש על הקשר ארוך. קריאות לכלים ומסלולים רב-שיחתיים קיימים בשתי השלבים.
לאחר האימון המודל הופך לסוכן בחמישה שלבים: שיפור מבוסס פיקוח, התמחות מורה, דיסטילציה on-policy רב-תחומית למשימות לא-סוכניות, דיסטילציה שנייה למשימות סוכניות ולמידת reinforcement learning סוכנית בסביבות OpenClaw, Hermes Agent, Pi ו-OpenCode.
בנצ'מרקים
LiquidAI בדקה את המודל על 16 בנצ'מרקים: כלים, תהליכים סוכניים, ידע, הוראות, מתמטיקה וקוד. השוואה מול Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it ו-Nemotron-3.5-Lightning. המודל הקטן ביותר LFM2.5-24B-A2B קיבל ב-LiveClaw 48,09 לעומת 38,19 של Qwen3.6-35B-A3B, וב-AutomationBench 27,69 לעומת 8,72 של המודל הבא הטוב.
המודל מהיר יותר או שווה למתחרים בחמישה מתוך בנצ'מרקי שימוש בכלים וסוכניים (AutomationBench, BFCLv4, ToolSandbox, LiveClaw, tau3-Bench Banking) ובכל שלושת בנצ'מרקי ההוראות (IFEval, IFBench, Multi-IF). למודלים גדולים נשארה עדיפות בבנצ'מרקים כבדי ידע, כמו GPQA Diamond, HLE, AA-Omniscience, ובבנצ'מרקי קוד, למשל SWE-Bench Verified, SciCode. למשימות אינטנסיביות ידע LiquidAI ממליצה על retrieval או חיפוש ברשת.
הסקה וזמינות
המודל נתמך מהיום הראשון ב-llama.cpp, MLX, vLLM, SGLang ו-ONNX. על מכשירי Edge ב-Apple M5 Max הוא מפענח 184 טוקנים בשנייה, ב-Ryzen AI Max+ 395 — 114 טוקנים בשנייה, במהירות של 1,7 פעם מהמודל הבא הטוב, ועם הזיכרון הנמוך ביותר. על NVIDIA B300 GPU בד במקביליות גבוהה הוא מגיע ליותר מ-21 000 טוקנים פלט בשנייה.
LFM2.5-24B-A2B ו-LFM2.5-24B-A2B-Base בעלי משקלום פתוחים וזמינים ב-Hugging Face. המודל דורש transformers 5.0.0 או חדש יותר ופועל מקומית עם כל backend תואם OpenAI, ועם Hermes Agent, llama.cpp, vLLM, SGLang ו-LM Studio סביבות.
מקורות: בלוג Hugging Face
SiTech — פיתוח אתרים בכוח ה-AI
אנחנו בונים אתרים מהירים ומודרניים ומשלבים AI בתהליכי עבודה אמיתיים. יש לכם פרויקט או שאלה? נשמח לעזור.