LiquidAI 發布了 LFM2.5-24B-A2B，這是一個擁有 240 億總參數但僅有 20 億活躍參數的開放權重 MoE 推理模型，專為在裝置端執行快速且私密的代理任務而設計。LFM2.5-24B-A2B 基於 LFM2-24B-A2B 架構，保留 40 層結構、每個 MoE 區塊 64 個專家（top-4 路由）以及門控短卷積與 GQA 的混合架構。與前代不同，它是一個僅推理模型，會在最終答案前產生顯式的思維鏈。上下文視窗從 32K 擴展至 131K tokens，詞彙表透過就地擴展從 65K 翻倍至 128K tokens 以改善非拉丁語系的 tokenization。預訓練規模從約 17T tokens 擴展至約 33T tokens，後續訓練階段包括在 32K 上下文下增加 2T tokens（側重推理、數學、程式碼、指令遵循和多語言文本），以及在 131K 上下文下增加 300B tokens（側重長上下文數據）。後訓練分為五個階段：監督微調（SFT）、教師專業化、非代理任務的多領域同策略蒸餾（MOPD）、代理任務的 MOPD，以及在 OpenClaw、Hermes Agent、Pi 和 OpenCode 等代理框架內進行的代理強化學習（Agentic RL）。
在基準測試方面，LFM2.5-24B-A2B 在 16 個涵蓋工具使用、代理工作流、知識、指令遵循、數學和程式碼的基準測試中，與 Qwen3.6-35B-A3B、Gemma-4-26B-A4B-it 和 Nemotron-3.5-Lightning 進行比較。儘管它是該組中最小的模型，但在工具和代理任務上表現具競爭力。它在八個工具和代理基準測試中的五個（AutomationBench、BFCLv4、ToolSandbox、LiveClaw 和 τ³-Bench Banking）領先或持平競爭對手，其中在 AutomationBench 上的得分是次佳模型的三倍以上。它也在所有三個指令遵循基準測試中領先。然而，較大的模型在知識密集型基準測試（如 GPQA Diamond、HLE 和 AA-Omniscience）以及程式碼基準測試（如 SWE-Bench Verified (OpenCode) 和 SciCode）上仍保持優勢，因此建議將 LFM2.5-24B-A2B 與檢索或網路搜尋結合以處理知識密集型工作負載。具體數據顯示，在 LiveClaw 上得分為 48.09，高於 Qwen3.6-35B-A3B 的 38.19；在 BFCLv4 上得分 65.01，與 Qwen3.6-35B-A3B 的 65.00 持平；在 ToolSandbox 上得分 80.71，高於 Qwen3.6-35B-A3B 的 75.02。
在推理速度方面，LFM2.5-24B-A2B 在邊緣推理上表現出色，在 Apple M5 Max 上達到每秒 184 個 token 的解碼速度，在 Ryzen AI Max+ 395 上達到每秒 114 個 token，比次佳模型快達 1.7 倍，同時使用最少的記憶體。在 GPU 推理方面，它在單一 NVIDIA B300 GPU 上達到每秒超過 21,000 個輸出 token 的速度。該模型支援 llama.cpp、MLX、vLLM、SGLang 和 ONNX 等推理生態系統。開發人員可以透過安裝 transformers>=5.0.0 並載入模型來使用它，或透過設定 OpenAI 相容的後端將其整合到 Hermes Agent 等代理框架中。LFM2.5-24B-A2B 和 LFM2.5-24B-A2B-Base 均為開放權重，可在 Hugging Face 上下載。
社群觀察
社群成員分享了 GGUF 量化版本的連結以及免費的示範遊樂場，並轉述該模型為 LFM2.5 系列中最大且最終的模型，涵蓋從 LFM2.5-230M 到 LFM2.5-24B-A2B 兩個數量級的範圍。
