Liquid AIs neues Modell soll private Agenten auf eigenen Geräten beschleunigen

Liquid AI veröffentlicht mit LFM2.5-24B-A2B ein Open-Weight-Modell für KI-Agenten, das auf eigener Hardware laufen soll. Liquid AI erklärt in einem offiziellen Blogbeitrag, dass das Modell insgesamt 24 Milliarden Parameter besitzt, aber pro verarbeitetem Token nur 2 Milliarden davon aktiviert.

Die Architektur nutzt ein Mixture-of-Experts-Verfahren. Dabei arbeitet nicht das gesamte Modell bei jedem Rechenschritt. Das soll die Ausführung beschleunigen und den Ressourcenbedarf senken. Nach Angaben des Unternehmens erreicht das Modell auf einem Apple M5 Max 184 Token pro Sekunde. Auf einem AMD Ryzen AI Max+ 395 sollen es 114 Token pro Sekunde sein. Auf einer einzelnen Nvidia-B300-GPU nennt Liquid AI bei hoher gleichzeitiger Auslastung mehr als 21.000 ausgegebene Token pro Sekunde.

LFM2.5-24B-A2B ist das größte Modell der LFM2.5-Familie. Das Kontextfenster wächst gegenüber dem Vorgänger von 32.768 auf 131.072 Token. Zudem steigt der Wortschatz von 65.000 auf 128.000 Token. Das soll laut Liquid AI vor allem die Verarbeitung nicht lateinischer Schriften verbessern.

Aufgaben mit Werkzeugen im Mittelpunkt

Das Modell ist als Reasoning-Modell angelegt und erstellt vor der finalen Antwort eine explizite Gedankenkette. Liquid AI trainiert es nach eigenen Angaben mit Werkzeugaufrufen, mehrstufigen Dialogen, Programmieraufgaben, Mathematik, Befolgung von Anweisungen und langen Kontexten. In der letzten Trainingsphase kommt es in Agenten-Umgebungen wie OpenClaw, Hermes Agent, Pi und OpenCode zum Einsatz.

In den vom Unternehmen veröffentlichten Tests erzielt das Modell starke Werte bei Aufgaben mit Werkzeugen. Bei AutomationBench erreicht es 27,69 Punkte, Qwen3.6-35B-A3B kommt dort auf 8,72. Bei LiveClaw liegen die Werte bei 48,09 und 38,19. Auch bei drei Tests zur Befolgung von Anweisungen führt das Modell in der Vergleichsgruppe.

Bei wissensintensiven Tests wie GPQA Diamond und HLE sowie bei Programmier-Benchmarks wie SWE-Bench Verified bleiben größere Modelle laut Liquid AI vorn. Für solche Aufgaben empfiehlt das Unternehmen die Kombination mit Retrieval oder Websuche.

Die Basisversion und die nachtrainierte Variante stehen über Hugging Face und den Playground von Liquid AI bereit. Unterstützt werden llama.cpp, MLX, vLLM, SGLang und ONNX. Damit lässt sich das Modell auf Hardware von Apple, AMD, Qualcomm und Nvidia lokal einsetzen.