2026-10-21
LFM2.5-24B-A2B, il modello agente da 24B con 2,45B attivi
Liquid AI pubblica LFM2.5-24B-A2B su Hugging Face. È un modello di ragionamento da 24 miliardi di parametri, con 2,45 miliardi attivi, contesto da 131.072 token e licenza LFM Open License v1.0.
Il 13 ottobre 2026 Liquid AI ha pubblicato LFM2.5-24B-A2B. I pesi sono su Hugging Face, nel repository LiquidAI/LFM2.5-24B-A2B. Al 21 ottobre 2026 quel repository conta 531 like e 16.939 download. Il GGUF ufficiale, LiquidAI/LFM2.5-24B-A2B-GGUF, è quello più scaricato: 227 like e 143.838 download.
Cosa è
È l'ultimo modello della famiglia LFM2.5, che parte da LFM2.5-230M. La scheda indica 24,0 miliardi di parametri totali e 2,45 miliardi attivi. È solo testo, ed è un modello di ragionamento: prima della risposta scrive una catena di pensieri. Il tag <think> è già nel template di chat.
Rispetto a LFM2-24B-A2B cambiano due cose. Il contesto passa da 32.768 a 131.072 token. Il vocabolario raddoppia, da 65.000 a 128.000 token, per le lingue non latine. Le lingue indicate sono inglese, arabo, cinese, francese, tedesco, italiano, giapponese, coreano, portoghese, spagnolo, vietnamita, thai, indonesiano, hindi, russo e polacco.
| Layer | 40, di cui 30 convoluzioni brevi e 10 blocchi di attenzione GQA |
| Esperti | 64 per blocco MoE, 4 attivi per token |
| Contesto | 131.072 token |
| Vocabolario | 128.000 token |
| Budget di training | 36 trilioni di token, come scritto nella scheda |
Il post di Liquid scompone il training in circa 33 trilioni di pretraining, poi 2 trilioni a contesto 32K e 300 miliardi a contesto 131K. Il post-training ha cinque stadi e include reinforcement learning dentro harness di agenti, tra cui OpenClaw, Hermes Agent, Pi e OpenCode.
I parametri di generazione consigliati nella scheda sono temperatura 0,1, top_k 50 e repetition penalty 1,05.
I numeri pubblicati da Liquid
Liquid ha valutato il modello con vLLM. Su otto benchmark di tool e agenti ne guida o pareggia cinque. Due scarti ampi, e il benchmark di codice in cui il modello più grande resta avanti, sempre contro 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 |
Per i compiti ricchi di conoscenza Liquid consiglia di affiancare retrieval o ricerca web.
Sulla velocità, le misure sono di Liquid, raccolte con Pipette. In decode su dispositivo: 184 token/s su Apple M5 Max e 114 token/s su AMD Ryzen AI Max+ 395. Su una sola NVIDIA B300, in BF16, con SGLang 0.5.22, prompt da 1.024 token e fino a 256 token in uscita, il throughput aggregato supera i 21.000 token di output al secondo ad alta concorrenza. Non sono misure SophyAI, e il dato della B300 non è il token/s di un singolo utente.
Licenza
La licenza è LFM Open License v1.0, indicata su Hugging Face come other. L'uso commerciale è concesso alle entità sotto la soglia di 10 milioni di dollari di ricavi annui. Sopra quella soglia la licenza non concede l'uso commerciale.
Nel catalogo
Due profili di riferimento, entrambi con launch=reference e launchable=false. Il checkpoint è il BF16 ufficiale, circa 48 GB.
| Profilo | GPU | Fascia catalogo |
|---|---|---|
lfm25-24b-vllm-b300 | 1× B300 | 10–30 USD/h |
lfm25-24b-vllm-pro6000 | 1× RTX PRO 6000 | 1,2–2,0 USD/h |
Il primo coincide con la macchina del benchmark GPU di Liquid. Il secondo entra perché i pesi BF16 stanno in 96 GB di VRAM. Liquid non pubblica un token/s per la PRO 6000. Il server di questi profili è vLLM. Il dato dei 21.000 token/s è di SGLang, sulla stessa classe di GPU.
Sul Hub ci sono anche il base LFM2.5-24B-A2B-Base, l'FP8, i GGUF per llama.cpp, i checkpoint MLX per Apple e l'ONNX. Il Q4_K_M ufficiale pesa 14,5 GB.