LiquidAI-ը թողարկեց LFM2.5-24B-A2B մտածողության մոդելը սարքի վրայով աշխատող AI ագենտների համար

LiquidAI-ը թողարկեց LFM2.5-24B-A2B-ը, մտածողության վրա հիմնված բաց կշեռքերով մոդել, որը արագ և մասնավոր AI ագենտներին ամբողջությամբ սարքի վրա է մշակում։ Մոդելը օգտագործում է Փորձագետների խառնուրդ՝ ընդհանուր 24B պարամետր, յուրաքանչյուր թոքենի համար միայն 2B ակտիվ, ինչը ագենտային բեռնավորումը հասանելի է դարձնում օգտագործողային տեխնիկայի վրա։

Արխիտեկտուրան և վերապրոցինգ

LFM2.5-24B-A2B-ն հիմնված է LFM2-24B-A2B-ի վրա՝ 40 շերտ, 64 Փորձագետ յուրաքանչյուր MoE բլկում top-4 ռութինգով, գեյթային կարճ կոնվոլյցիաների և խմբավորված query attention-ի հիբրիդ։ Համատեքստը 32K-ից մինչև 131K թոքեն է աճում, իսկ բառարանը՝ 65K-ից մինչև 128K, կրկնապատվում է ոչ լատինական լեզուների համար։ Սա միայն մտածողության մոդել է և պատասխան տալուց առաջ ստեղծում է տրամաբանական շղթա։

Նախապատրաստական վերապրոցինգն աճեց 17T-ից 33T թոքեն։ Միջանկյալ վերապրոցինգն ավելացրեց 2T թոքեն 32K համատեքստով, շեշտով մտածողության, մաթեմատիկայի, կոդի, հրահանգների և բազմալեզու տեքստի վրա, և 300B թոքեն 131K համատեքստով, երկար համատեքստի շեշտով։ Գործիքների կանչերը և բազմաթերթ տրաեկտորիաները երկու փուլերում էլ առանցքային դեր են խաղում։

Վերապրոցինգից հետո մոդելը հինգ փուլով դառնում է ագենտ՝ հակադարձ վերապրոցինգ, ուսուցչի սպեցիալիզացիա, բազմադոմենային on-policy դիստիլյացիա ոչ ագենտային խնդիրների համար, երկրորդ դիստիլյացիա ագենտային խնդիրների համար և ագենտային reinforcement learning OpenClaw, Hermes Agent, Pi և OpenCode հաստատումներում։

Թեստեր

LiquidAI-ը ստուգեց մոդելը 16 թեստի վրա՝ գործիքներ, ագենտային գործընթացներ, գիտելիքներ, հրահանգներ, մաթեմատիկա և կոդ։ Համեմատությունը Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it և Nemotron-3.5-Lightning-ի հետ։ Ամենափոքր մոդելը LFM2.5-24B-A2B-ն LiveClaw-ում ստացավ 48,09՝ համեմատելով Qwen3.6-35B-A3B-ի 38,19-ի հետ, իսկ AutomationBench-ում՝ 27,69՝ համեմատելով հաջորդ լավագույնի 8,72-ի հետ։

Մոդելը առաջնորդում է կամ հավասարվում մրցակիցներին ութ գործիքի օգտագործման և ագենտային թեստերի հինգից (AutomationBench, BFCLv4, ToolSandbox, LiveClaw, tau3-Bench Banking) և երեք հրահանգի թեստերի վրա (IFEval, IFBench, Multi-IF)։ Մեծ մոդելների առավելությունը մնում է գիտելիքների վրա հիմնված թեստերում, ինչպիսիք են GPQA Diamond, HLE, AA-Omniscience, և կոդի թեստերում, օրինակ SWE-Bench Verified, SciCode։ Գիտելիքների ինտենսիվ խնդիրների համար LiquidAI-ն առաջորդում է retrieval կամ վեբ-որոնում։

Մոդելը աջակցվում է առաջին օրից llama.cpp-ում, MLX-ում, vLLM-ում, SGLang-ում և ONNX-ում։ Edge սարքերի վրա Apple M5 Max-ում վայրկյանում դեկոդավորում է 184 թոքեն, Ryzen AI Max+ 395-ում՝ 114 թոքեն, 1,7 անգամ արագ քան հաջորդ լավագույնը և ամենաքիչ հիշողությամբ։ Մեկ NVIDIA B300 GPU-ի վրա բարձր մրցակցությամբ հասնում է 21 000-ից ավելի արտադրողական թոքենի վայրկյանում։

LFM2.5-24B-A2B-ն և LFM2.5-24B-A2B Base-ն բաց կշեռքերով մոդելներ են և հասանելի են Hugging Face-ում։ Մոդելը պահանջում է transformers 5.0.0 կամ ավելի նոր տարբերակ և տեղային կերպով աշխատում է ցանկացած OpenAI-ի հետ համատեղելի backend-ի վրա՝ Hermes Agent, llama.cpp, vLLM, SGLang և LM Studio հաստատումների հետ։

Աղբյուրները: Hugging Face Blog