Liquid AI、LFM2.5-24B-A2Bを発表　長文コンテキストとローカルエージェントのツール機能を拡張

Liquid AIは10月13日、LFM2.5-24B-A2Bをリリースしました。総パラメータ数24BのスパースMoE設計を引き継ぎ、ベースモデルと後学習済みモデルの重みを提供します。名称のA2Bは概数を示す表記で、モデルカードに記載されたtokenあたりの有効パラメータ数は実際には2.45Bです。エンジニアリング上、ロードする重みが約2Bだけの小型モデルと見なすことはできません。公式発表、モデルカード

新モデルは、短い畳み込みブロックとGQAを組み合わせた40層アーキテクチャを維持しています。MoEでは各ブロックに64個のエキスパートがあり、1回の処理で4個を選択します。主な変更点は、コンテキスト長を32,768から131,072 tokensに拡張したこと、語彙数を128,000に増やしたこと、事前学習データを17Tから33T tokensに増やしたことです。語彙の拡張は非ラテン文字を対象としていますが、中国語でのコストや品質は実測が必要であり、語彙数だけから改善幅を推定することはできません。アーキテクチャと学習の説明

エージェントとの統合にも具体的な違いがあります。後学習済みモデルは推論を先に生成する方式に固定され、チャットテンプレートには<think>が追加されます。デフォルトのツール呼び出し形式は、特殊tokenで囲まれたPython形式の関数リストです。プロンプトでJSON形式を指定することもできます。そのため、既存のエージェントフレームワークでは、推論ブロックの分離、ツール解析、停止条件を確認し、他モデル向けの出力処理をそのまま適用しないようにする必要があります。ツールインターフェース

公式測定では、Apple M5 Maxでのデコード速度は毎秒184 tokensでした。単一のB300で毎秒21,000出力tokensを超えたという数値は、SGLang 0.5.22、BF16、入力1,024-token、最大出力256-tokenの条件で行った持続的な並列処理テストによるものです。これはサービス全体のスループットであり、単一ユーザーの速度と同等ではなく、ツール実行にかかる時間も含みません。性能テストの条件

エージェント性能にもトレードオフがあります。公式のLiveClawスコアは48.09で、比較対象のQwen3.6-35B-A3Bの38.19を上回りました。一方、SWE-Bench Verifiedは51.00で、相手の66.20を下回っています。モデルを選定する際は、実際のツール連携フローを再実行し、推論tokenを含む完了時間を測定するとともに、量子化版の成功率を比較する必要があります。モデルカードにはlfm1.0ライセンスと記載されているため、採用前に条件も確認してください。評価表、重みとライセンスの表記