2026-10-21
LFM2.5-24B-A2B, ein 24B-Agentenmodell mit 2,45B aktiven Parametern
Liquid AI veröffentlicht LFM2.5-24B-A2B auf Hugging Face. Es ist ein Reasoning-Modell mit 24 Milliarden Parametern, 2,45 Milliarden aktiv, einem Kontext von 131.072 Token und der LFM Open License v1.0.
Am 13. Oktober 2026 hat Liquid AI LFM2.5-24B-A2B veröffentlicht. Die Gewichte liegen auf Hugging Face, im Repository LiquidAI/LFM2.5-24B-A2B. Am 21. Oktober 2026 hat dieses Repository 531 Likes und 16.939 Downloads. Das offizielle GGUF, LiquidAI/LFM2.5-24B-A2B-GGUF, wird häufiger geladen: 227 Likes und 143.838 Downloads.
Was es ist
Es ist das letzte Modell der Familie LFM2.5, die bei LFM2.5-230M beginnt. Die Model Card nennt 24,0 Milliarden Parameter insgesamt und 2,45 Milliarden aktiv. Es ist nur Text, und es ist ein Reasoning-Modell: vor der Antwort schreibt es eine Gedankenkette. Das Tag <think> steht bereits im Chat-Template.
Gegenüber LFM2-24B-A2B ändern sich zwei Dinge. Der Kontext wächst von 32.768 auf 131.072 Token. Das Vokabular verdoppelt sich von 65.000 auf 128.000 Token, für nicht-lateinische Sprachen. Genannt werden Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Spanisch, Vietnamesisch, Thai, Indonesisch, Hindi, Russisch und Polnisch.
| Layer | 40, davon 30 kurze Faltungen und 10 GQA-Attention-Blöcke |
| Experten | 64 pro MoE-Block, 4 aktiv pro Token |
| Kontext | 131.072 Token |
| Vokabular | 128.000 Token |
| Trainingsbudget | 36 Billionen Token, wie auf der Card angegeben |
Der Beitrag von Liquid teilt das Training in etwa 33 Billionen Pretraining-Token, danach 2 Billionen bei 32K-Kontext und 300 Milliarden bei 131K. Das Post-Training hat fünf Stufen und enthält Reinforcement Learning in Agenten-Harnesses, darunter OpenClaw, Hermes Agent, Pi und OpenCode.
Die auf der Card empfohlenen Sampling-Werte sind Temperatur 0,1, top_k 50 und Repetition Penalty 1,05.
Die Zahlen von Liquid
Liquid hat das Modell mit vLLM bewertet. Bei acht Tool- und Agenten-Benchmarks führt oder gleicht es in fünf. Zwei große Abstände, und der Coding-Benchmark, in dem das größere Modell vorn bleibt, jeweils gegen Qwen3.6-35B-A3B:
| Benchmark | LFM2.5-24B-A2B | Qwen3.6-35B-A3B |
|---|---|---|
| AutomationBench | 27,69 | 8,72 |
| LiveClaw | 48,09 | 38,19 |
| SWE-Bench Verified, mit OpenCode | 51,00 | 66,20 |
Für wissenslastige Aufgaben empfiehlt Liquid, das Modell mit Retrieval oder Websuche zu kombinieren.
Die Geschwindigkeit stammt von Liquid und wurde mit Pipette gemessen. Decode auf dem Gerät: 184 Token/s auf einem Apple M5 Max und 114 Token/s auf einem AMD Ryzen AI Max+ 395. Auf einer einzelnen NVIDIA B300, in BF16, mit SGLang 0.5.22, Prompts von 1.024 Token und bis zu 256 Ausgabetoken, liegt der aggregierte Durchsatz bei hoher Nebenläufigkeit über 21.000 Ausgabetoken pro Sekunde. Das sind keine Messungen von SophyAI, und die B300-Zahl ist kein Token/s eines einzelnen Nutzers.
Lizenz
Die Lizenz ist die LFM Open License v1.0, auf Hugging Face als other markiert. Kommerzielle Nutzung ist für Einheiten unter einer Jahresumsatzschwelle von 10 Millionen US-Dollar erlaubt. Oberhalb dieser Schwelle räumt die Lizenz keine kommerzielle Nutzung ein.
Im Katalog
Zwei Referenzprofile, beide mit launch=reference und launchable=false. Der Checkpoint ist das offizielle BF16, etwa 48 GB.
| Profil | GPU | Katalogspanne |
|---|---|---|
lfm25-24b-vllm-b300 | 1× B300 | 10–30 USD/h |
lfm25-24b-vllm-pro6000 | 1× RTX PRO 6000 | 1,2–2,0 USD/h |
Das erste entspricht der Maschine im GPU-Benchmark von Liquid. Das zweite steht im Katalog, weil die BF16-Gewichte in 96 GB VRAM passen. Liquid veröffentlicht keinen Token/s-Wert für die PRO 6000. Der Server dieser Profile ist vLLM. Die 21.000 Token/s stammen von SGLang, auf derselben GPU-Klasse.
Auf dem Hub liegen außerdem die Basis LFM2.5-24B-A2B-Base, das FP8, GGUF-Dateien für llama.cpp, MLX-Checkpoints für Apple und ONNX. Das offizielle Q4_K_M wiegt 14,5 GB.