Liquid AI a publié LFM2.5-2.6B, un modèle de 2,69 milliards de paramètres conçu pour fonctionner entièrement sur des appareils locaux tels que les téléphones, les ordinateurs portables et les robots. Le modèle dispose d'une fenêtre de contexte de 131 072 tokens et a été pré-entraîné sur environ 34 billions de tokens.

  • Il prend en charge l'appel d'outils et les tâches agentiques multi-étapes, avec des poids disponibles aux formats GGUF, MLX et ONNX sous la licence lfm1.0.
  • L'architecture combine 22 blocs de convolution courte à double gâchette avec 8 blocs d'attention à requête groupée sur 30 couches.
  • Le post-entraînement a impliqué quatre étapes, notamment le réglage fin supervisé, la spécialisation du professeur via l'apprentissage par renforcement, et l'apprentissage par renforcement agentique au sein de harnais comme Hermes Agent.
  • Les benchmarks montrent que LFM2.5-2.6B surpasse gemma-4-E4B-it et Qwen3.5-9B sur ToolSandbox, Multi-IF et IFStruct, tandis qu'il est seulement en retard sur BFCLv4.
  • L'inférence est très efficace, décodant à 220 tokens par seconde sur une puce M5 Max en utilisant moins de 2,5 Go de mémoire.

Les poids ouverts permettent aux développeurs de déployer des charges de travail agentiques localement sans envoyer de données à des API tierces, ce qui profite aux industries réglementées comme la santé et la finance.