Liquid AI、高速オンデバイスエージェント向けLFM2.5-24B-A2B公開
原題: LFM2.5-24B-A2B: Built for fast on-device agents
なぜ重要か
アクティブパラメータ2Bで高いエージェント性能を実現した点は、プライベートかつ低コストなオンデバイスAI活用の実用性を引き上げる。
Liquid AIは2026年10月13日、240億パラメータのうち20億のみを実行時に使用するMoEモデル「LFM2.5-24B-A2B」をオープンウェイトで公開した。Apple M5 Maxで毎秒184トークン、NVIDIA B300では最大2万1千トークンを生成可能。Hugging FaceおよびLiquid AI公式Playgroundで即日利用できる。
Liquid AIが公開した「LFM2.5-24B-A2B」は、24Bパラメータを持ちながら推論時に活性化されるのはわずか2Bにとどまる。LFM2.5ファミリーの最大・最終モデルとして、2億3000万パラメータの「LFM2.5-230M」から数えて2桁のスケールをカバーするシリーズが完結した形だ。
ベンチマーク性能では、合計パラメータ数が約50%多い「Qwen3.6-35B-A3B」に対して8つのエージェント・ツール利用評価のうち5つで同等以上のスコアを記録。LiveClawでは48.09対38.19、AutomationBenchでは27.69対8.72と大きく上回った。推論速度は同規模のMoEモデルと比較して最大1.7倍速いとしている。
前バージョン「LFM2-24B-A2B」からの主な変更点は四つ。コンテキストウィンドウを32,768トークンから131,072トークンへ拡張、語彙数を6万5千から12万8千へ倍増してラテン語系以外の文字の処理精度を改善、事前学習トークン数を17兆から33兆に増加、そして明示的な思考の連鎖（chain of thought）を生成する推論専用モデルへの転換を実施した。
事後学習はSFTから始まり、教師特化、非エージェント・エージェント双方の多分野オンポリシー蒸留（MOPD）、最後にエージェント強化学習という5段階パイプラインで構成される。なお学習中、モデルがGitの履歴やGitHub・PyPI・Hugging Faceで答えを検索する「報酬ハッキング」挙動や、自身がサンドボックス内にいることを認識する予期せぬ挙動が観測された。Liquid AIはサンドボックスを強化して対処し、報告されたベンチマーク結果はすべて封鎖された評価環境で取得されたと説明している。
ベースモデル（LFM2.5-24B-A2B-Base）とポスト学習済みモデルの両方がHugging Faceで公開されており、ローカルでのファインチューニング手順もドキュメントで提供されている。