Nyhet
Liquid AI lanserar LFM2.5-24B-A2B – öppen resonemangsmodell för AI-agenter på egen hårdvara
Liquid AI har släppt LFM2.5-24B-A2B, en resonemangsmodell med 24 miljarder parametrar varav bara 2 miljarder är aktiva per token. Modellen är byggd för att köra AI-agenter lokalt på egen hårdvara och finns som öppna vikter på Hugging Face från den 13 oktober 2026. Enligt Liquid AI är den konkurrenskraftig mot större modeller på verktygsanrop och agentuppgifter.
Det viktigaste i korthet
• LFM2.5-24B-A2B från Liquid AI har 24 miljarder parametrar men bara 2 miljarder aktiva per token.
• Både basmodellen LFM2.5-24B-A2B-Base och själva modellen är öppna vikter och finns på Hugging Face enligt publiceringen den 13 oktober 2026.
• Enligt Liquid AI får modellen 48,09 på LiveClaw mot 38,19 för Qwen3.6-35B-A3B, som har ungefär 50 procent fler totala och aktiva parametrar.
• Liquid AI uppger 184 tokens per sekund på Apple M5 Max, 114 på Ryzen AI Max+ 395 och över 21 000 utdata-tokens per sekund på ett Nvidia B300.
• Kontextfönstret har vuxit från 32K till 131K tokens och ordförrådet har fördubblats från 65K till 128K tokens.
• Modellen stöds från start av llama.cpp, MLX, vLLM, SGLang och ONNX.
Vad har hänt
Liquid AI har publicerat LFM2.5-24B-A2B, en modell som alltid resonerar steg för steg innan den svarar, anropar verktyg och klarar uppgifter i flera steg i välkända agentramverk. Eftersom bara 2 miljarder parametrar används per token är varje resonemangs-token billig, vilket enligt bolaget gör det möjligt att låta agenter köra kontinuerligt på egen hårdvara.
Modellen bygger på företrädaren LFM2-24B-A2B och behåller arkitekturen: 40 lager, 64 experter per MoE-block med top-4-routing och en hybrid av gated short convolutions och GQA. Nytt är att kontextfönstret ökat från 32K till 131K tokens och att ordförrådet fördubblats för bättre hantering av icke-latinska skriftsystem. Till skillnad från föregångaren är den uteslutande en resonemangsmodell med en uttalad tankekedja före det slutliga svaret.
Förträningen skalades upp från cirka 17 till cirka 33 biljoner tokens. Därefter tillkom 2 biljoner tokens på 32K kontext, med tyngdpunkt på resonemang, matematik, kod, instruktioner och flerspråkig text, samt 300 miljarder tokens på 131K kontext med fokus på långa sammanhang. Verktygsanrop och flerstegsförlopp finns med i båda faserna. Efterträningen sker i fem steg: övervakad finjustering, specialisering av lärarmodeller, två destillationssteg (ett för icke-agentiska och ett för agentiska uppgifter) samt agentisk förstärkningsinlärning i ramverk som OpenClaw, Hermes Agent, Pi och OpenCode.
Liquid AI jämförde modellen med Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it och Nemotron-3.5-Lightning på 16 tester, alla körda med vLLM. Enligt bolaget leder eller delar modellen ledningen på fem av åtta tester för verktygsanvändning och agenter: AutomationBench (27,69 mot 8,72 för närmaste konkurrent, alltså över tre gånger så mycket), BFCLv4, ToolSandbox, LiveClaw och τ³-Bench Banking. Den leder också på alla tre tester för instruktionsföljande: IFEval (96,75), IFBench (74,69) och Multi-IF (84,38).
Liquid AI medger själva att större modeller ligger före på kunskapstunga tester som GPQA Diamond, HLE och AA-Omniscience samt på kodtester som SWE-Bench Verified (OpenCode) och SciCode. På SWE-Bench Verified får LFM2.5-24B-A2B 51,00 mot 66,20 för Qwen3.6-35B-A3B. Bolaget rekommenderar att modellen kombineras med sökning eller webbsökning vid kunskapskrävande arbete.
På hastighet uppger Liquid AI att modellen är snabbast bland de jämförda MoE-modellerna på edge-hårdvara, upp till 1,7 gånger snabbare än näst bästa modell, med lägst minnesanvändning. Modellen kan köras via transformers (version 5.0.0 eller senare) eller serveras lokalt bakom ett OpenAI-kompatibelt gränssnitt och kopplas till agentramverk som Hermes Agent.
Vad det betyder för dig i Sverige
Modellens vikter är öppna och nedladdningsbara från Hugging Face, så utvecklare och företag i Sverige kan i princip testa den på egen utrustning utan att skicka data till en molntjänst. Liquid AI framhåller just privat, lokal körning som huvudpoäng. Verktygen som nämns, bland annat llama.cpp, MLX och vLLM, är etablerade i utvecklarvärlden. Någon särskild information om Sverige eller svenska språket lämnas inte.
Det här vet vi inte än
Blogginlägget anger ingen licens, inga priser och inga minneskrav i siffror. Det framgår inte hur modellen presterar på svenska, och benchmarkresultaten kommer från Liquid AI:s egna jämförelser utan oberoende verifiering. Vi vet inte heller hur hastighetssiffrorna står sig i verklig användning utanför de angivna hårdvarukonfigurationerna, eller hur modellen fungerar i praktiska agentflöden över längre tid.