LFM2.5-24B-A2B

Überblick

LFM2.5-24B-A2B ist das größte und laut Hersteller letzte Modell der LFM2.5-Familie von Liquid AI, veröffentlicht am 13. Oktober 2026. Es ist ein Mixture-of-Experts-Modell mit rund 24 Milliarden Parametern, von denen pro Token nur etwa 2 Milliarden aktiv sind. Liquid AI positioniert es ausdrücklich für schnelle, private Agenten auf Endgeräten – also für Szenarien, in denen Daten das eigene Gerät oder den eigenen Server nicht verlassen sollen.

Das Modell ist ein reines Reasoning-Modell: Jede Antwort beginnt mit einem <think>-Abschnitt. Gegenüber dem Vorgänger LFM2-24B-A2B (Februar 2026) wurden Kontext (32.768 → 131.072 Token), Vokabular (65K → 128K) und Vortraining (rund 17 → rund 33 Billionen Token) deutlich erweitert.

Use Cases

• Lokale Agenten mit Werkzeugnutzung, etwa Dateiverwaltung, Recherche- oder Automatisierungsabläufe auf dem Arbeitsplatzrechner
• Mehrstufige Tool-Calling-Abläufe in Agenten-Frameworks; trainiert wurde in Harnesses wie OpenClaw, Hermes Agent, Pi und OpenCode
• Anweisungstreue Textaufgaben mit festen Formatvorgaben (Klassifikation, Extraktion, Umformulierung)
• RAG-Szenarien, in denen das Wissen aus Dokumenten oder Suche kommt, nicht aus dem Modell selbst

Stärken & Grenzen

Stärken (Herstellerangaben, mit vLLM gemessen):

• Agentische Benchmarks: AutomationBench 27,69 (Qwen3.6-35B-A3B: 8,72), LiveClaw 48,09, ToolSandbox 80,71, BFCL v4 65,01, τ³-Bench Banking 8,04
• Anweisungstreue: IFEval 96,75, IFBench 74,69, Multi-IF 84,38
• Mathematik: MATH-500 96,04

Grenzen:

• Wissenslastige Aufgaben: GPQA Diamond 74,42, Humanity's Last Exam 7,40 und AA-Omniscience −24,90 liegen unter bzw. gleichauf mit den Vergleichsmodellen. Liquid AI empfiehlt selbst, das Modell mit Retrieval oder Websuche zu koppeln.
• Coding: SWE-bench Verified 51,00 (im OpenCode-Harness) und SciCode 32,71 liegen hinter Qwen3.6-35B-A3B (66,20 bzw. 37,35); auch WebArena Verified (26,75) und PinchBench (83,18) führt Qwen.
• Das Reasoning lässt sich laut Chat-Template nicht abschalten – jede Antwort kostet zusätzliche Denk-Token und Latenz.
• Nur Text: keine Bild-, Audio- oder Dateieingabe.
• Liquid AI berichtet von Reward Hacking im Training (das Modell suchte in Git-Historie, GitHub, PyPI und Hugging Face nach Lösungen). Laut Hersteller wurden die Sandboxes daraufhin abgedichtet und alle berichteten Werte in abgeschotteten Umgebungen gemessen.

Unabhängige Messungen

Stand 14.10.2026 gibt es keine unabhängige Messung:

• Artificial Analysis führt LFM2.5-24B-A2B noch nicht. Gelistet ist nur der Vorgänger LFM2 24B A2B mit einem als „Estimate" markierten Intelligence Index von 6 (v4.3.2).
• LMArena (arena.ai) führt kein Liquid-Modell im Text-Leaderboard.
• BenchLM gibt 14 Werte wieder, alle aus dem Launch-Post von Liquid AI – also eine Abschrift, keine Zweitmessung. Die dortige Gesamtplatzierung beruht auf nur 14 von 628 Benchmark-Slots und ausschließlich auf diesen Herstellerzahlen.

Alle Zahlen auf dieser Seite sind daher Herstellerangaben.

Geschwindigkeit laut Hersteller

Liquid AI nennt folgende Durchsatzwerte (Q4_K_M, llama.cpp, 4K-Token-Eingabe): 184 Token/s auf einem Apple M5 Max und 114 Token/s auf AMD Ryzen AI Max+ 395. Auf einer einzelnen NVIDIA B300 sollen mit SGLang über 21.000 Ausgabe-Token/s erreichbar sein. Mindestanforderungen an den Arbeitsspeicher veröffentlicht der Hersteller nicht.

Empfohlene Sampling-Parameter laut Hersteller: Temperatur 0,1, top_k 50, Repetition Penalty 1,05.

Technische Details

• Architektur (laut config.json): Lfm2MoeForCausalLM, 40 Layer, davon 10 mit voller Attention (GQA, 32 Query- / 8 KV-Heads) und 30 Short-Convolution-Blöcke; Hidden Size 2.048, 64 Experten mit Top-4-Routing, Vokabular 128.000
• Parameter: 23,97 Mrd. laut Safetensors-Metadaten, rund 2 Mrd. aktiv pro Token
• Kontext: 131.072 Token nativ
• Training: Vortraining rund 33 Billionen Token, Mid-Training mit 2 Billionen Token bei 32K und 300 Mrd. Token bei 131K Kontext; Post-Training in fünf Stufen (SFT, Teacher-Spezialisierung, On-Policy-Distillation nicht-agentisch und agentisch, agentisches RL)
• Sprachen (16): u. a. Englisch, Deutsch, Französisch, Italienisch, Spanisch, Portugiesisch, Polnisch, Russisch, Arabisch, Chinesisch, Japanisch, Koreanisch, Hindi
• Tool Calling: Werkzeugdefinitionen als JSON im Systemprompt, Aufrufe im Python-Stil zwischen <|tool_call_start|> und <|tool_call_end|>

Gut zu wissen

Achtung Lizenz: Die LFM Open License v1.0 basiert auf Apache-2.0, enthält aber eine Umsatzgrenze. Unternehmen mit 10 Mio. US-Dollar Jahresumsatz oder mehr dürfen das Modell nicht frei kommerziell nutzen und brauchen eine Lizenz von Liquid AI. Für viele mittelständische Unternehmen ist das der entscheidende Punkt.

• Bezug: Gewichte (Instruct und Base) auf Hugging Face, dazu offizielle GGUF-, MLX- (4/5/6/8 Bit), FP8- und ONNX-Varianten. Day-one-Unterstützung in Transformers (ab 5.0), vLLM, SGLang, llama.cpp, MLX (mlx-lm ab 0.32.0) und LM Studio. In der offiziellen Ollama-Bibliothek ist am 14.10.2026 nur das kleinere LFM2.5 8B-A1B gelistet.
• API: Liquid Console zu 0,10 US-Dollar je 1 Mio. Eingabe-Token (0,05 US-Dollar mit Cache) und 1,00 US-Dollar je 1 Mio. Ausgabe-Token. Ein EU-Hosting ist nicht dokumentiert; für DSGVO-sensible Daten ist der lokale Betrieb der naheliegende Weg.
• Alternativen in ähnlicher Größe: Qwen3.6-35B-A3B (stärker bei Wissen und Coding, Apache-2.0 ohne Umsatzgrenze, multimodal), Gemma 4 26B A4B und Nemotron 3.5 Lightning.