LFM2.5-2.6B リリースノート / 新機能
Liquid AIは、デバイス上で完全に動作する高性能なエージェントを駆動するために特別に設計されたモデル、LFM2.5-2.6Bのリリースを発表しました。小さなフットプリントと、ツール呼び出しおよびマルチステップのワークフローにおける高いパフォーマンスを組み合わせることで、LFM2.5-2.6Bは、ノートパソコンからスマートフォンに至るまでのハードウェア上でエージェントをデプロイすることを可能にし、データのプライバシーを確保し、クラウド推論コストを排除します。
技術アーキテクチャとトレーニングパイプライン
LFM2.5-2.6Bは、約34兆トークンのデータで事前学習されており、コンテキストウィンドウを128Kに拡張するミッドトレーニングフェーズを備えています。ベースモデルから特化型エージェントへの移行は、4段階のポストトレーニングプロセスを通じて達成されます。
- Supervised Fine-Tuning (SFT): ツール使用、ウェブ検索、およびハネス・トラジェトリを含む、エージェント的なデータに重点を置いた2ラウンドのSFT。
- Teacher Specialization: 数学、コード、およびツール使用などの特定のドメインのための専門的なティーチャーモデルの作成。
- Multi-domain On-Policy Distillation (MOPD): これらの専門的なティーチャーから知識を単一の生徒モデルへと蒸留。
- Agentic Reinforcement Learning (Agentic RL): 様々なツール、システムプロンプト、およびタスク環境において動作するモデルの能力を向上させるため、実際のエージェント・ハネス内で実施されるマルチターンRL。
Agentic RLパイプラインは、モデルの最適化のためのTraining Engine、アクション生成のためのRollout Engine、およびループをオーケストレートするためのRL frameworkを利用しています。アクションは、Sandbox Service内で、Blackbox Harness (OpenClawやHermes Agentなど) および、RLトレーニングの検証のためにトークンレベルのトラジェトリをキャプチャするHarness Proxyを使用して実行されます。
パフォーマンス・ベンチマーク
LFM2.5-2.6Bは、自身のサイズの最大4倍のモデルと競合し、指示への追従性（instruction following）やツール使用において、しばしばそれらを凌駕します。
主要ベンチマーク結果
| Benchmark | LFM2.5-2.6B (2.6B) | gemma-4-E2B-it (5.1B) | gemma-4-E4B-it (8B) | Qwen3.5-4B (4.7B) | Qwen3.5-9B (9.7B) |
|---|---|---|---|---|---|
| AA Omniscience | -29.50 | -74.47 | -49.03 | -54.30 | -50.43 |
| AIME25 | 51.87 | 26.33 | 34.27 | 49.33 | 56.07 |
| IFBench | 59.17 | 34.08 | 39.24 | 48.40 | 56.47 |
| Multi-IF | 80.07 | 69.44 | 77.35 | 55.67 | 62.55 |
| IFStruct | 85.49 | 64.85 | 76.65 | 36.25 | 78.50 |
| BFCLv4 | 56.88 | 36.98 | 46.39 | 50.56 | 60.13 |
| ToolSandbox | 77.83 | 52.40 | 65.00 | 75.55 | 76.44 |
| Claw-Eval average (EN) | 62.85 | 53.14 | 58.02 | 62.28 | 66.53 |
| BrowseComp+ (OpenClaw) | 26.89 | 8.31 | 15.90 | 24.46 | 27.23 |
LFM2.5-2.6Bは、リストされたすべての指示追従ベンチマーク、およびほぼすべてのツール使用ベンチマークで首位を獲得しており、BFCLv4においてのみ9.7BのQwenモデルが僅かに上回っています。エージェント的なタスクや知識において競争力は維持していますが、コーディングタスクにおいては、より大きなモデルが明確な優位性を保っています。
推論論理速度とハードウェア互換性
LFM2.5-2.6Bは、llama.cpp、MLX、vLLM、SGLang、および ONNX を含む、様々なハードウェアおよびソフトウェアのエコシステムにおいて、高効率な推論を実現するように設計されています。
- CPU Inference: モデルは、Apple M5 Maxで220 tokens/s、Ryzen AI Max+ 395で113 tokens/sのデコード速度を達成し、2.5 GB未満のメモリを必要とします。
- GPU Inference: 高い並列実行時、モデルは毎秒15K出力トークンに達し、これは単一の H100 GPU で1日あたり約1.3Bトークンに相当します。
デプロイメントと使用方法
LFM2.5-2.6Bは、Hugging Face で base と tuned バージョンが利用可能です。transformers>=5.0.0 と互換性があります。開発者は、Hugging Face Transformers ライブラリの AutoModelForCausalLM と AutoTokenizer クラスを使用して、このモデルを実装することができます。