Liquid AI 發布 LFM2.5-24B-A2B，擴大長上下文與本機代理工具能力

Liquid AI 於 10 月 13 日發布 LFM2.5-24B-A2B，延續 24B 總參數的稀疏 MoE 設計，同時提供基底與後訓練權重。名稱中的 A2B 是概略標示，模型卡列出的每 token 啟用參數實為 2.45B；工程上不能據此將它視為只需載入約 2B 權重的小模型。官方發布、模型卡

新版保留 40 層架構，以短卷積區塊搭配 GQA，MoE 每區塊有 64 個專家、每次選取四個。主要變更是上下文由 32,768 擴至 131,072 tokens，詞彙表增至 128,000，預訓練資料由 17T 增至 33T tokens。詞彙擴充針對非拉丁文字，但中文成本與品質仍須實測，不能由詞彙數直接推算改善幅度。架構與訓練說明

代理整合也有具體差異：後訓練版本固定先產生推理，聊天模板會加入 <think>；預設工具呼叫則是特殊 token 包住的 Python 形式函式清單，也可透過提示要求 JSON。既有代理框架因此需要檢查推理區塊分離、工具解析與停止條件，避免直接套用其他模型的輸出處理方式。工具介面

官方測得 Apple M5 Max 解碼速度為每秒 184 tokens；單張 B300 超過每秒 21,000 輸出 tokens，則來自 SGLang 0.5.22、BF16、1,024-token 輸入與最多 256-token 輸出的持續併發測試。這是服務總吞吐，不能等同單一使用者速度，也未涵蓋工具執行耗時。效能測試條件

代理能力同樣有取捨：官方 LiveClaw 分數為 48.09，高於比較對象 Qwen3.6-35B-A3B 的 38.19；但 SWE-Bench Verified 為 51.00，低於對方的 66.20。選型時應重跑實際工具流程，量測包含推理 token 的完成時間，並比較量化版本的成功率。模型卡標示 lfm1.0 授權，採用前也應核對條款。評測表、權重與授權標示