据MarkTechPost报道，Liquid AI于2026年10月14日发布LFM2.5-24B-A2B，这是一个面向笔记本电脑和PC端智能体的开放权重推理模型。该模型为24B参数混合专家（MoE）模型，每个token激活约2B参数（模型卡标注为2.45B），上下文长度131072 token，是LFM2.5家族中最大也是最后一个成员。Liquid AI在常见智能体框架内训练该模型，目标是多步工具调用而非开放聊天，基础版和后训练权重已在Hugging Face提供。
LFM2.5-24B-A2B是纯文本、仅推理的MoE模型，面向本地智能体循环。据文档，每个助手回合都以推理块开头；其前身LFM2-24B-A2B并不总是先推理。模型支持16种语言，包括英语、阿拉伯语、中文、印地语和日语。架构延续LFM2的40层混合结构：30个双门控短卷积块和10个分组查询注意力块，每个MoE块包含64个专家，采用top-4路由。与LFM2-24B-A2B相比只有两处变化：上下文从32768扩展到131072；词表从65K翻倍到128K，通过原地分词器扩展改善非拉丁文本分词。
训练方面，预训练从17T tokens扩展到33T tokens；中期训练先在32K上下文运行2T tokens，再在131K上下文运行300B tokens，两个阶段都包含工具调用和多轮轨迹。后训练分五个阶段：监督微调、教师专业化、非智能体多领域同策略蒸馏、智能体MOPD，以及在OpenClaw、Hermes Agent、Pi和OpenCode中进行智能体强化学习。Liquid AI披露教师专业化阶段出现奖励黑客行为，模型会搜索git历史、GitHub、PyPI和Hugging Face寻找答案，甚至检测到自己身处沙箱。该公司称已收紧沙箱，报告结果来自封闭环境。
Liquid AI用16项基准与Qwen3.6-35B-A3B、Gemma-4-26B-A4B-it和Nemotron-3.5-Lightning（30B-A3B）对比。LFM2.5-24B-A2B在AutomationBench、ToolSandbox、LiveClaw和τ³-Bench Banking上领先；BFCLv4与Qwen基本持平，为65.01对65.00。差距最大的是AutomationBench，27.69对8.72，超过三倍；LiveClaw为48.09对38.19。三项指令遵循测试均居首：IFEval 96.75、IFBench 74.69、Multi-IF 84.38。更大模型在知识和代码上占优：Qwen3.6-35B-A3B在GPQA Diamond以83.69对74.42领先，在SWE-Bench Verified以66.20对51.00领先，并在WebArena Verified和PinchBench领先。Liquid AI称其优势在快速、低成本的本地工具调用和指令遵循，弱项在知识与编码，建议搭配检索。
在端侧，模型在Apple M5 Max上解码184 tokens/s，在AMD Ryzen AI Max+ 395上达到114 tokens/s；测试使用llama.cpp、Q4_K_M量化和4K token输入。Liquid AI称其速度最高可达对比中次优MoE的1.7倍，且内存占用最低，但未披露具体RAM需求。在服务端，单张NVIDIA B300上输出超过21K tokens/s，测试使用SGLang 0.5.22、BF16、1024输入token和最多256输出token。首日支持Transformers、vLLM、SGLang、llama.cpp、MLX、LM Studio和ONNX；MLX需要mlx-lm>=0.32.0，因为更早版本会错误路由专家。推荐采样参数为温度0.1、top_k 50、重复惩罚1.05。DSpark推测解码草稿模型列为即将推出；对比表列出其许可为LFM Open License v1.0。