2026-10-21
LFM2.5-24B-A2B, un modelo agente de 24B con 2,45B de parámetros activos
Liquid AI publica LFM2.5-24B-A2B en Hugging Face. Es un modelo de razonamiento de 24.000 millones de parámetros, con 2.450 millones activos, un contexto de 131.072 tokens y la licencia LFM Open License v1.0.
El 13 de octubre de 2026 Liquid AI publicó LFM2.5-24B-A2B. Los pesos están en Hugging Face, en el repositorio LiquidAI/LFM2.5-24B-A2B. A 21 de octubre de 2026 ese repositorio tiene 531 likes y 16.939 descargas. El GGUF oficial, LiquidAI/LFM2.5-24B-A2B-GGUF, es el más descargado: 227 likes y 143.838 descargas.
Qué es
Es el último modelo de la familia LFM2.5, que empieza en LFM2.5-230M. La ficha indica 24.000 millones de parámetros en total y 2.450 millones activos. Es solo texto, y es un modelo de razonamiento: escribe una cadena de pensamiento antes de la respuesta. La etiqueta <think> ya está en la plantilla de chat.
Respecto a LFM2-24B-A2B cambian dos cosas. El contexto pasa de 32.768 a 131.072 tokens. El vocabulario se duplica, de 65.000 a 128.000 tokens, para las lenguas no latinas. Las lenguas indicadas son inglés, árabe, chino, francés, alemán, italiano, japonés, coreano, portugués, español, vietnamita, tailandés, indonesio, hindi, ruso y polaco.
| Capas | 40, de ellas 30 convoluciones cortas y 10 bloques de atención GQA |
| Expertos | 64 por bloque MoE, 4 activos por token |
| Contexto | 131.072 tokens |
| Vocabulario | 128.000 tokens |
| Presupuesto de entrenamiento | 36 billones de tokens, como figura en la ficha |
La entrada de Liquid desglosa el entrenamiento en unos 33 billones de tokens de preentrenamiento, luego 2 billones a contexto 32K y 300.000 millones a 131K. El postentrenamiento tiene cinco etapas e incluye reinforcement learning dentro de arneses de agentes, entre ellos OpenClaw, Hermes Agent, Pi y OpenCode.
Los ajustes de generación recomendados en la ficha son temperatura 0,1, top_k 50 y repetition penalty 1,05.
Las cifras que publicó Liquid
Liquid evaluó el modelo con vLLM. En ocho benchmarks de herramientas y agentes lidera o empata en cinco. Dos diferencias amplias, y el benchmark de código en el que el modelo más grande sigue por delante, siempre frente a 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, con OpenCode | 51,00 | 66,20 |
Para las tareas con mucha demanda de conocimiento, Liquid recomienda acompañar el modelo con retrieval o búsqueda web.
Las cifras de velocidad son de Liquid y se recogieron con Pipette. En decode en el dispositivo: 184 tokens/s en un Apple M5 Max y 114 tokens/s en un AMD Ryzen AI Max+ 395. En una sola NVIDIA B300, en BF16, con SGLang 0.5.22, prompts de 1.024 tokens y hasta 256 tokens de salida, el rendimiento agregado supera los 21.000 tokens de salida por segundo con alta concurrencia. No son medidas de SophyAI, y la cifra de la B300 no es un tokens/s de un solo usuario.
Licencia
La licencia es LFM Open License v1.0, marcada como other en Hugging Face. El uso comercial se concede a las entidades por debajo de un umbral de 10 millones de dólares de ingresos anuales. Por encima de ese umbral la licencia no concede el uso comercial.
En el catálogo
Dos perfiles de referencia, ambos con launch=reference y launchable=false. El checkpoint es el BF16 oficial, unos 48 GB.
| Perfil | GPU | Franja del catálogo |
|---|---|---|
lfm25-24b-vllm-b300 | 1× B300 | 10–30 USD/h |
lfm25-24b-vllm-pro6000 | 1× RTX PRO 6000 | 1,2–2,0 USD/h |
El primero coincide con la máquina del benchmark de GPU de Liquid. El segundo entra porque los pesos BF16 caben en 96 GB de VRAM. Liquid no publica un tokens/s para la PRO 6000. El servidor de estos perfiles es vLLM. La cifra de 21.000 tokens/s es de SGLang, en la misma clase de GPU.
En el Hub también están la base LFM2.5-24B-A2B-Base, el FP8, los GGUF para llama.cpp, los checkpoints MLX para Apple y el ONNX. El Q4_K_M oficial pesa 14,5 GB.