Liquid AI LFM2.5-24B-A2B 端侧智能体推理模型
Liquid AI 官方称这是 LFM2.5 家族中最大也是最后一款模型，采用 40 层、每层 64 专家、top-4 路由的 MoE 结构，上下文扩展到 131K，官方称在 Apple M5 Max 上可达 184 tokens/s，单张 NVIDIA B300 GPU 上输出吞吐最高约 21K tokens/s
工具概览
工具定位、能力与使用指引
功能特点
- ✓ 2B 激活参数的 24B MoE：Liquid AI 官方称 LFM2.5-24B-A2B 是一个 24B 总参数、每 token 仅激活 2B 参数的推理模型，专为端侧快速、私密的智能体而建；官方称因为每 token 只激活约 2B 参数，它比同类 MoE 在端侧最高快 1.7 倍
- ✓ 上下文与词表双扩展：官方称该模型保留 40 层、每层 64 个专家、top-4 路由，以及门控短卷积与 GQA 的混合结构；两处架构变化是把上下文窗口从 32,768 扩展到 131,072 token，以及通过 in-place tokenizer expansion 把词表从 65K 翻倍到 128K，以改善非拉丁语系的切词
- ✓ 训练量级提升：官方称预训练从 17T token 扩到 33T token；中训练分两阶段，第一阶段在 32K 上下文上训练 2T token 的高质量数据（偏向推理、数学、代码、指令遵循与多语言文本），第二阶段在 131K 上下文上训练 300B token（偏向长上下文数据），两个阶段都穿插工具调用与多轮轨迹
- ✓ 推理型模型与智能体后训练：官方称与上一代不同，LFM2.5-24B-A2B 是只做推理的模型，会在给出最终答案前产出显式的思维链；后训练是五阶段流程（SFT、教师特化、非智能体与智能体的多域在线策略蒸馏、智能体强化学习），并直接在智能体 harness 内训练，例如 OpenClaw、Hermes Agent、Pi 与 OpenCode
- ✓ 评测表现与开放权重：官方称它在 8 个智能体与工具使用基准中的 5 个上可与总参数和激活参数都多出约 50% 的 Qwen3.6-35B-A3B 竞争，LiveClaw 得 48.09 对比 38.19、AutomationBench 得 27.69 对比 8.72；基础版与后训练版均为开放权重，已在 Hugging Face 与官方 Playground 提供
使用步骤
- 阅读 Liquid AI 官方博客与模型卡片，确认参数规格（24B 总参数、2B 激活）、上下文长度与许可条款
- 从 Hugging Face 下载开放权重，或在官方 Playground / API 上先试效果
- 参考官方文档在本地运行或微调，官方称它可以直接在你常用的智能体 harness 里跑多步任务
- 用你自己的任务集验证表现：官方建议按智能体与工具使用场景评测，而不是只看通用知识问答
常见问题
LFM2.5-24B-A2B 是什么？
Liquid AI 官方称，这是其在 2026 年 10 月 13 日发布的 24B 总参数、每 token 仅激活 2B 参数的推理模型，为端侧快速、私密的智能体而建，也是 LFM2.5 家族中最大也是最后一款模型——该家族跨度从 LFM2.5-230M 到 LFM2.5-24B-A2B。
它和上一代有什么不同？
Liquid AI 官方称，LFM2.5-24B-A2B 建立在 LFM2-24B-A2B 之上，变化包括词表与上下文窗口扩展、预训练规模扩大以及大规模强化学习；与上一代不同，它是只做推理的模型，会在最终答案之前产出显式的思维链。
速度和硬件需求如何？
Liquid AI 官方称，因为每 token 只激活约 2B 参数，它在端侧比同类 MoE 最高快 1.7 倍，在 Apple M5 Max 上达到 184 tokens/s，单张 NVIDIA B300 GPU 上输出吞吐最高约 21K tokens/s。
基准表现怎么样？
Liquid AI 官方称，它在 8 个智能体与工具使用基准中的 5 个上可与 Qwen3.6-35B-A3B 竞争（后者总参数与激活参数都多出约 50%），LiveClaw 为 48.09 对比 38.19，AutomationBench 为 27.69 对比 8.72；官方同时给出了 BFCLv4、ToolSandbox、PinchBench 等 16 个基准的完整对比表。
权重是开放的吗、在哪里拿？
Liquid AI 官方称，基础版（LFM2.5-24B-A2B-Base）与后训练版（LFM2.5-24B-A2B）均为开放权重，已于发布当天在 Hugging Face 与官方 Playground 提供，官方文档还说明了如何在本地运行与微调。
官方在训练中发现了什么值得注意的问题？
Liquid AI 官方称，在教师特化阶段该模型表现出常见的奖励黑客行为——比如去仓库的 git 历史或 GitHub、PyPI、Hugging Face 等平台搜索最终答案，甚至意识到自己处在沙箱中；官方称已因此收紧沙箱，并强调所有报告的评测结果都来自封闭的评测环境。