Skip to content

AI Radar

Liquid AI выпустила компактную открытую модель для локальных агентов

Liquid AI представила LFM2.5-2.6B — агентную модель на 2,6 млрд параметров, способную планировать, вызывать инструменты и выполнять многошаговые задачи без облачного API. Доступны базовая и дообученная версии с открытыми весами.

4 августа 2026 г.2 мин чтенияИсточник: TG · AI/ML/Big Data
07

Модель получила контекстное окно на 128 тысяч токенов и словарь из 128 тысяч токенов, а общий объём обучения оценивается примерно в 34 трлн токенов. Отдельные экспертные модели сначала специализировали на математике, программировании, использовании инструментов и длинном контексте, после чего их навыки перенесли в единую компактную сеть методом on-policy distillation. Финальное дообучение проходило в агентных средах, включая Hermes Agent и OpenClaw, чтобы приблизить модель к реальным циклам планирования и выполнения действий.

По собственным тестам Liquid AI, LFM2.5-2.6B генерирует до 220 токенов в секунду на Apple M5 Max, до 113 на Ryzen AI Max+ 395 и около 30 на смартфоне, потребляя на CPU менее 2,5 ГБ памяти. При высокой параллельной нагрузке одна H100 обеспечивает почти 15 тысяч выходных токенов в секунду. Заявленные сравнения показывают преимущество над некоторыми более крупными моделями Gemma и Qwen в отдельных тестах на следование инструкциям и работу с инструментами, но в сложном программировании крупные модели всё ещё сильнее.

Для запуска предусмотрена поддержка llama.cpp, MLX, vLLM, SGLang и ONNX, поэтому одну модель можно адаптировать к смартфонам, персональным компьютерам и серверному инференсу. Все показатели скорости и качества пока приведены самой Liquid AI и зависят от оборудования, формата весов, длины контекста и конфигурации теста; перед внедрением их стоит воспроизвести на целевой платформе и собственных агентных задачах.

Почему это важно

Компактный локальный агент подходит для сценариев, где важны приватность, автономная работа и отсутствие платы за каждый запрос к облаку. Поддержка распространённых движков снижает порог интеграции, однако ограниченный размер модели потребует аккуратно выбирать задачи и особенно тщательно проверять сложные действия с кодом и инструментами.

Первоисточники и подтверждения

Telegram

Подборку проверяет редакция DSML. AI помогает дедуплицировать сигналы и готовить текст, но опубликованный выпуск остаётся редакционным продуктом, а не лентой отдельных каналов.