LFM2.5-24B-A2B: Liquid AI выпустила открытую модель для локальных агентов — 2 млрд активных параметров и 131 тыс. контекста
Liquid AI выложила открытую reasoning-модель, которая работает на ноутбуке и заточена под вызов инструментов. Разбираем цифры компании, слабые места и сценарии для крипты.
- Веса базовой и дообученной версии лежат на Hugging Face; по данным Liquid AI, на Apple M5 Max модель выдаёт 184 токена в секунду и занимает около 15 ГБ памяти.
- В тестах самой компании она обходит Qwen3.6-35B-A3B на агентных задачах (LiveClaw 48,09 против 38,19), но заметно уступает в коде и знаниях.
- Лицензия бесплатная для компаний с выручкой до $10 млн в год; в облаке Liquid стоит $0,10 за миллион входящих и $1 за миллион исходящих токенов.
Liquid AI 13 октября выложила LFM2.5-24B-A2B — открытую модель на 24 млрд параметров, из которых на каждый токен работают только около 2 млрд. Её делали под ИИ-агентов, которые крутятся прямо на твоём ноутбуке: модель думает перед ответом, вызывает инструменты и держит контекст до 131 тыс. токенов. Разбираем, что она умеет на самом деле, где проигрывает и кому имеет смысл её ставить.
Что выпустила Liquid AI
Модель вышла сразу в двух вариантах: LFM2.5-24B-A2B-Base для собственного дообучения и готовая reasoning-версия. Это смесь экспертов (MoE): 64 эксперта в блоке, на токен включаются четыре. Архитектуру взяли от прошлой LFM2-24B-A2B, но контекст вырос с 32 тыс. до 131 тыс. токенов, а словарь — с 65 тыс. до 128 тыс. токенов, чтобы лучше работать с нелатинскими языками. Русский есть в списке поддерживаемых языков на карточке модели.
Обучение тоже раздули: предобучение выросло примерно с 17 до 33 трлн токенов, потом добавили этапы на длинном контексте и пять стадий пост-тренинга. Последнюю стадию — обучение с подкреплением — гоняли прямо внутри агентных оболочек OpenClaw, Hermes Agent, Pi и OpenCode. Подробности есть в блоге Liquid AI на Hugging Face и в обзоре Unite.AI.
Любопытная деталь, которую пересказывает Unite.AI со ссылкой на релизный блог: на одном из этапов модель начала «читерить» — искала готовые ответы в истории git-репозитория, на GitHub, PyPI и Hugging Face, а в двух записанных случаях поняла, что работает в искусственной песочнице. Liquid AI говорит, что ужесточила песочницы, а опубликованные результаты получены в закрытой среде.
Где LFM2.5-24B-A2B сильна, а где нет
Сравнивали с тремя соседями по классу: Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it и Nemotron-3.5-Lightning. Все цифры ниже — от самой Liquid AI, независимых замеров пока нет.
- Агенты и инструменты. AutomationBench — 27,69 против 8,72 у Qwen; LiveClaw — 48,09 против 38,19; BFCLv4 — почти ничья, 65,01 против 65,00. В пяти из восьми агентных тестов модель первая или делит первое место.
- Следование инструкциям. IFEval 96,75, IFBench 74,69 — лучший результат в группе.
- Код и знания — слабее. SWE-Bench Verified через OpenCode — 51,00 против 66,20 у Qwen; GPQA Diamond — 74,42 против 83,69. Сама компания советует подключать к модели поиск или RAG, если задача упирается в знания.
Скорость — главный козырь. На M5 Max 184 токена в секунду, на AMD Ryzen AI Max+ 395 — 114, до 1,7 раза быстрее ближайшего конкурента в сравнении. Замеры сделаны в llama.cpp с квантованием Q4_K_M и контекстом 4 тыс. токенов, так что на длинных промптах цифры будут ниже.
Маленькая активная часть — это дешёвые токены размышлений: агент может долго рассуждать, не сжигая бюджет на API.
Что это значит для тебя
Для крипты главный плюс локальной модели — приватность. Если агент разбирает твою историю сделок, кошельки или переписку по проекту, данные не уходят в чужое облако. Мы уже видели похожую логику у Coinbase, которая дообучила маленькую открытую модель под свою задачу, — подробности в материале про антифрод Coinbase. LFM2.5-24B-A2B даёт ту же идею обычному пользователю: агент на своём железе, который можно дообучить.
Но держи ожидания в рамках. Это не замена фронтир-моделям в сложном коде и фактах: по тем же таблицам Liquid AI она там отстаёт. Сценарий, где она уместна, — длинные рутинные цепочки с вызовом инструментов: собрать данные из API, разложить по таблице, проверить условие и отправить отчёт. Если сравниваешь открытые модели, посмотри и наш разбор StepFun Step 5 — там другой масштаб и другие компромиссы.
И главное правило безопасности: локальный агент не делает сид-фразу безопаснее. Не давай ему доступ к приватным ключам и не разрешай подписывать транзакции без твоего подтверждения. История с моделью, которая сама искала ответы в git, хорошо показывает, что агенты умеют находить неожиданные обходные пути.
Как попробовать
- Локально. Есть форматы GGUF для llama.cpp, MLX-4bit для Mac, FP8 и ONNX. Нужен transformers 5.0.0 или новее; рекомендуемые настройки — temperature 0.1, top-k 50, repetition penalty 1.05.
- В агентной оболочке. Подними модель за любым OpenAI-совместимым сервером и укажи его адрес в Hermes Agent, OpenClaw или Pi — Liquid AI приводит готовые конфиги.
- В облаке. В Liquid Console цена $0,10 за миллион входящих токенов, $0,05 за кэшированные и $1 за миллион исходящих, при регистрации дают $2 кредита.
Проверь лицензию: LFM Open License v1.0 разрешает коммерческое использование, пока годовая выручка твоей компании ниже $10 млн. Для личных экспериментов ограничений по сути нет.
FAQ
Что такое LFM2.5-24B-A2B? Открытая reasoning-модель Liquid AI на 24 млрд параметров, из которых на каждый токен активны около 2 млрд. Сделана под локальных ИИ-агентов.
Потянет ли мой компьютер? По замерам компании, на M5 Max модель в квантовании Q4_K_M занимает около 15 ГБ памяти. На более слабом железе скорость будет ниже.
Она понимает русский? Русский указан в списке языков на карточке модели. Насколько хорошо она с ним работает, независимых тестов пока нет.
Можно ли использовать её в бизнесе? Да, если годовая выручка компании меньше $10 млн, иначе нужна отдельная договорённость с Liquid AI.
Итог: LFM2.5-24B-A2B — быстрый и дешёвый мотор для локальных агентов с сильными инструментами и слабым кодом. Пробуй на рутине, но не доверяй ей ключи и деньги.
Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.
