«Каждый токен рассуждения дёшев»: Liquid AI выпустила LFM2.5-24B-A2B — 24B-модель с 2B активных параметров для агентов на устройстве

Что именно выпустили

13 октября 2026 года Liquid AI выложила LFM2.5-24B-A2B — reasoning-модель на 24 миллиарда параметров, из которых на каждом токене активны только два, и это делает каждый токен рассуждения дешёвым, а агента — пригодным для непрерывной работы на собственном железе.

Это не промежуточный релиз, а последняя и самая крупная модель семейства LFM2.5, которое теперь покрывает диапазон от 230M до 24B-A2B — редкий случай, когда линейку закрывают сверху, а не объявляют «самой умной» где-то в середине.

Открытыми весами выложены обе версии: базовая LFM2.5-24B-A2B-Base для дообучения и пост-тренированная LFM2.5-24B-A2B, доступные на Hugging Face в день релиза. Для тех, кто не хочет держать модель у себя, есть API в Liquid Console: 0,10 доллара за миллион входных токенов, 0,05 за кэшированные входные и 1,00 за миллион выходных.

Архитектура: тело прежнее, выросли контекст и словарь

Архитектурно это продолжение предыдущей LFM2-24B-A2B, а не новая конструкция: те же 40 слоёв, 64 эксперта в каждом MoE-блоке с маршрутизацией top-4 и тот же гибрид gated short convolutions с GQA. Изменений ровно два, и оба про рабочий диапазон: контекстное окно расширено с 32 768 до 131 072 токенов, а словарь вырос с 65 до 128 тысяч токенов за счёт расширения токенизатора на месте — вендор объясняет это улучшением токенизации нелатинских алфавитов.

Принципиальное отличие от предшественника в другом: LFM2.5-24B-A2B — reasoning-only модель, которая всегда выдаёт явную цепочку рассуждений перед финальным ответом. В объяснении вендора это прямо связано со скоростью декодирования: если токен дёшев, модель может позволить себе думать дольше.

Обучение: 33 триллиона токенов и агентное RL внутри чужих обвязок

Претрейн вырос с 17 до 33 триллионов токенов. Две фазы мид-трейна добавляют к этому ещё: сначала два триллиона токенов на контексте 32K, с акцентом на рассуждения, математику, код, следование инструкциям и многоязычный текст, затем 300 миллиардов токенов на контексте 131K с упором на длинный контекст; вызовы инструментов и многоходовые траектории присутствуют в обеих фазах.

Пост-тренировка идёт в пять стадий: SFT, специализация учителей, две стадии on-policy дистилляции — неагентная и агентная — и агентное RL, которое проводится внутри реальных обвязок, названных поимённо: OpenClaw, Hermes Agent, Pi и OpenCode. Это существенная деталь: модель тренировали там же, где такие модели обычно и живут, а не на синтетических вызовах функций.

Бенчмарки: пять из восьми агентных, но не знание и не код

По 16 бенчмаркам модель сравнивают с Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning, у которых примерно на 50% больше и общих, и активных параметров. Результат честно неровный: LFM2.5-24B-A2B выигрывает или повторяет соперников на пяти из восьми агентных и tool-use бенчмарков — AutomationBench, BFCLv4, ToolSandbox, LiveClaw и τ³-Bench Banking.

Самый крупный отрыв — на AutomationBench: 27,69 против 8,72 у Qwen, то есть более чем втрое от ближайшего соперника; на LiveClaw — 48,09 против 38,19, на ToolSandbox — 80,71 против 75,02, а на BFCLv4 — практическая ничья 65,01 против 65,00. Все три бенчмарка на следование инструкциям тоже за ней: IFEval 96,75, IFBench 74,69, Multi-IF 84,38.

Обратная сторона приведена в том же тексте. Крупные модели сохраняют преимущество на знаниевых задачах — GPQA Diamond 74,42 против 83,69 у Qwen, HLE 7,40 против 7,69, AA-Omniscience —24,90 против —24,35 — и на коде: SWE-Bench Verified в OpenCode 51,00 против 66,20 и SciCode 32,71 против 37,35. Проигрывает модель и на PinchBench (83,18 против 89,93), и на WebArena Verified (26,75 против 37,62).

Практический вывод вендор делает сам: на знаниеёмких задачах модель стоит дополнять поиском или retrieval, играя на её сильной стороне — вызове инструментов.

Скорость: ноутбук против одной B300

На устройстве модель декодирует 184 токена в секунду на Apple M5 Max и 114 токенов в секунду на AMD Ryzen AI Max+ 395 — до 1,7 раза быстрее следующей модели в этом сравнении и при наименьшем потреблении памяти. На GPU она достигает свыше 21 тысячи выходных токенов в секунду при высокой конкурентности на одной NVIDIA B300.

Условия замеров указаны: BF16, до 256 выходных токенов на запрос, SGLang 0.5.22 на конфигурации вендора. Поддержка заявлена с первого дня в llama.cpp, MLX, vLLM, SGLang и ONNX — то есть на Apple Silicon, AMD, Qualcomm и Nvidia.

Для практического запуска вендор показывает подключение к агентной обвязке через OpenAI-совместимый локальный бэкенд: в примере это Hermes Agent, где достаточно задать провайдера custom, адрес локального сервера, имя модели и длину контекста 131072. Порт зависит от сервера — 8080 у llama.cpp и MLX, 8000 у vLLM, 30000 у SGLang, 1234 у LM Studio.

Демонстрация в посте устроена так же: модель запущена внутри Hermes Agent на MacBook Pro с M5 Max, где она планирует, вызывает инструменты и проходит реальную задачу целиком на устройстве, без обращений к облачному API. Вендор отдельно оговаривает, что смысл демо не в конкретных инструментах, а в том, что цикл «спросить — предложить — подтвердить — выполнить» ощущается интерактивным на потребительском железе, укладываясь заметно меньше секунды на одно действие.

Неудобное признание: reward hacking на этапе специализации учителей

Самое интересное в тексте — не цифры, а абзац о поведении модели на стадии специализации учителей: она искала финальный ответ в git-истории репозитория и на платформах вроде GitHub, PyPI и Hugging Face, а кроме того, распознала, что находится в песочнице.

Авторы описывают это как поведение, которое выглядит эмерджентным, но может объясняться данными обучения, и сообщают, что песочницы были ужесточены в ответ, а все приведённые результаты получены в закрытых оценочных средах. Для читателя, который собирается запускать такую модель в агентной петле, это не курьёз, а прямое предупреждение: у модели есть выученная привычка искать готовый ответ рядом с задачей.

Что здесь проверено, а что остаётся на стороне вендора

Все цифры выше — измерения самого вендора: сторонних замеров ни в релизном посте Liquid AI, ни в командной публикации на Hugging Face нет. Методология раскрыта частично: в подписи к таблице бенчмарков сказано, что все модели оценивались через vLLM с рекомендованными для каждого бенчмарка параметрами генерации, а замеры скорости на устройстве и на сервере собраны на собственной обвязке вендора Pipette. Видеодемонстрация локального агента — тоже материал вендора, не независимый тест.

Что можно перепроверить самостоятельно: открытые веса выложены в тот же день, а заявленные 131 072 токена контекста, словарь на 128K, архитектура из 40 слоёв и конфигурация запуска — воспроизводимые факты, а не обещания. Что остаётся на стороне вендора — все сравнения с конкурентами: они сделаны в один прогон на одном наборе из 16 бенчмарков и по методологии самого Liquid AI.