Малая модель, огромные возможности: Liquid AI представляет LFM2.5-2.6B

В задачах использования инструментов и структурного рассуждения цифры говорят сами за себя. LFM2.5 демонстрирует, что архитектурные инновации могут компенсировать количество параметров, обеспечивая профиль высокой плотности интеллекта, который бросает вызов текущему доминированию более крупных и ресурсоемких моделей.

• ToolSandbox: 77.83 (против Qwen3.5-9B: 76.44)
• Multi-IF: 80.07 (против Gemma-4-E4B-it: 77.35)
• IFStruct: 85.49 (против Qwen3.5-9B: 78.50)

Секретный ингредиент пост-обучения: Многоэтапное RL

Достижение агентного совершенства потребовало большего, чем просто предварительное обучение. Liquid AI использовала сложный четырехэтапный конвейер пост-обучения. Он начинается с контролируемого тонкого тюнинга (SFT), за которым следует экспертная специализация. Третий этап включает многодоменную on-policy дистилляцию для совершенствования способностей к рассуждению в различных предметах.

Финальный и самый критический этап — многоходовое агентное обучение с подкреплением (Multi-turn Agentic RL). На этом этапе используются среды Pi, Hermes Agent и OpenClaw. Каждый прогон (rollout) выполняется в собственной песочнице и оптимизируется с помощью Group Relative Policy Optimization (GRPO). Функция вознаграждения представляет собой сложный гибрид, сочетающий рубрику LLM-as-a-judge, программную верификацию и жесткий шлюз безопасности для обеспечения надежного и безопасного поведения агента.

• Этап 1: SFT
• Этап 2: Экспертная специализация
• Этап 3: Многодоменная On-policy дистилляция
• Этап 4: Многоходовое агентное RL (оптимизированное через GRPO)

Развертывание и поддержка экосистемы

Liquid AI гарантировала, что LFM2.5-2.6B готова к промышленной эксплуатации с первого дня. Модель обладает ведущей в отрасли скоростью декодирования, низкой задержкой prefill и минимальным объемом занимаемой памяти, что делает её идеальной как для сверхбыстрого серверного развертывания, так и для граничных вычислений с низкой задержкой.

Интеграция бесшовна. Модель имеет нативную поддержку во всех самых популярных движках инференса, включая llama.cpp, MLX, vLLM, SGLang и ONNX. Независимо от того, работаете ли вы на Apple Silicon, GPU NVIDIA, мобильных чипах Qualcomm или оборудовании Intel/AMD, путь развертывания хорошо отработан и высоко оптимизирован.

• Поддерживаемые фреймворки: llama.cpp, MLX, vLLM, SGLang, ONNX
• Аппаратное обеспечение: Apple, NVIDIA, Qualcomm, AMD, Intel
• Эндпоинт: Поддержка OpenAI-совместимого API

Сценарии использования и начало работы

LFM2.5-2.6B создана специально для разработчиков, создающих следующее поколение автономных агентов. Идеальные сценарии использования включают локальных помощников по кодингу, персональных ассистентов с приоритетом конфиденциальности на мобильных устройствах и движки рассуждений в реальном времени для робототехники. Поскольку это модель с открытыми весами под лицензией LFM2, вы можете настраивать её на одном GPU для узкоспециализированных промышленных задач.

Настройка локального агента невероятно проста. Разработчики могут следовать двухэтапному процессу: сначала развернуть модель через OpenAI-совместимый эндпоинт, используя такой инструмент, как vLLM; затем направить любой существующий агентный каркас (например, LangChain или AutoGPT) на этот эндпоинт. Вы запустите систему за считанные минуты.

• Основные сценарии использования: Кодинг, Рассуждение, Локальные агенты, RAG, Робототехника
• Настройка: 1. Развернуть через OpenAI-совместимый эндпоинт, 2. Подключить агентный каркас

Заключение

LFM2.5-2.6B представляет собой смену парадигмы в нашем понимании размера моделей. Сосредоточившись на архитектурной эффективности и строгом агентном RL, Liquid AI доказала, что будущее ИИ — это не просто увеличение масштаба, это повышение интеллекта, скорости и локализации. Для разработчиков возможность развертывать агентов с высоким уровнем рассуждения с нулевыми предельными затратами — это суперсила, которая наконец-то стала доступной.

• Ключевой вывод: высокий интеллект при малом размере
• Лицензия: LFM2 Open-Weight
• Влияние: демократизация агентного ИИ

Источники