Edisi Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# Model LFM2.5 24B dari Liquid AI memberi lebih banyak pilihan bagi pembuat agen lokal

> LFM2.5-24B-A2B baru dari Liquid AI menyediakan bobot yang dapat diunduh untuk penyajian lokal dan GPU. Lisensi serta tolok ukur edge dan server yang terpisah penting saat menilainya untuk agen yang menggunakan alat.

By BIG CHANGE Editorial

Published: 2026-10-14T14:58:18.169Z
Updated: 2026-10-14T14:58:18.169Z
Canonical: https://bigchange.ai/blog/liquid-lfm25-24b-local-agents-serving

![Conceptual charcoal illustration of two removable storage modules beside an open compact workstation, a separate rackmount server and a small input pad on a workbench.](https://bigchange.ai/api/media/file/liquid-local-serving-components-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE; no Liquid AI hardware, agent test or benchmark result is depicted.

Liquid AI merilis [LFM2.5-24B-A2B](https://www.liquid.ai/blog/lfm2-5-24b-a2b) pada 13 Oktober sebagai bobot yang dapat diunduh untuk model penalaran teks saja yang dilatih menggunakan alat. [Kartu modelnya](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) mencantumkan checkpoint untuk beberapa sistem penyajian, dari berkas lokal terkuantisasi hingga format bagi server GPU. Bagi tim yang membangun agen, berkas itu hanya sebagian dari pengaturan: mereka juga memerlukan runtime untuk menyajikan model dan harness untuk menjalankan panggilan alat yang diusulkan.

## Perubahan besar

- **Apa yang berubah:** Liquid AI mengunggah model pascapelatihan dan versi dasarnya ke Hugging Face, dengan format penyajian bagi perangkat keras yang berbeda. Kartu model menyebut total 24,0 miliar parameter dan 2,45 miliar yang aktif saat inferensi; label “A2B” dibulatkan.
- **Mengapa penting:** Tim yang mengevaluasi agen lokal dapat memilih checkpoint dan jalur penyajian sebelum menghubungkan harness yang menggunakan alat, alih-alih menganggap unduhan model sebagai agen lengkap. Lisensi dan perangkat keras yang tersedia tetap memengaruhi keputusan.
- **Yang perlu diperhatikan:** Liquid AI melaporkan hasil kecepatan dan penggunaan alat yang menjanjikan dalam pengujian tertentu. Tim perlu mengukur tugas dan konkurensi mereka sendiri; laju dekode edge dan throughput server perusahaan menggambarkan beban kerja yang berbeda.

## Yang dapat diunduh tim

Versi [Checkpoint pascapelatihan](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) ditujukan untuk pekerjaan agen. Checkpoint [Checkpoint dasar](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-Base) terpisah digunakan untuk adaptasi. Liquid AI menggambarkan model baru sebagai model khusus penalaran: model ini menghasilkan segmen pemikiran sebelum jawaban akhir, berbeda dari LFM2-24B-A2B sebelumnya. Batas konteks yang dinyatakan adalah 131.072 token, naik dari 32.768 pada pendahulunya. Itu spesifikasi model, bukan ukuran seberapa baik aplikasi tertentu memakai konteks panjang.

Kartu model menautkan checkpoint native untuk Transformers, vLLM, dan SGLang;[ bobot FP8](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-FP8) untuk penyajian GPU;[ berkas GGUF](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-GGUF) untuk llama.cpp;[ berkas ONNX](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-ONNX) untuk ONNX Runtime; serta [versi MLX 4-bit](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-MLX-4bit) untuk Apple Silicon. BIG CHANGE mengonfirmasi enam repositori itu, termasuk model dasar, dapat diakses pada 14 Oktober. Kartu menandai model draf DSpark untuk speculative decoding sebagai “segera hadir.” Format yang dipublikasikan bukan bukti bahwa setiap kombinasi backend dan perangkat keras telah diuji pihak independen.

Bobot ini bersifat **open-weight** di bawah lisensi [LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE). Lisensi mengizinkan pengunduhan dan modifikasi, tetapi penggunaan komersial mensyaratkan pendapatan tahunan pengguna atau badan hukum di bawah US$10 juta. Penggunaan komersial di atas ambang itu tidak dilisensikan oleh ketentuan tersebut. Organisasi harus membaca lisensi lengkap sebelum penerapan; “open-weight” di sini tidak berarti penggunaan komersial tanpa batas.

## Model, server, dan harness memiliki tugas berbeda

Deskripsi penggunaan alat di [kartu model](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) memberi model daftar fungsi dan membiarkannya mengusulkan panggilan; perangkat lunak menjalankannya lalu mengembalikan hasil agar model dapat menjawab. Model tidak menjalankan tindakan browser atau operasi berkas dengan sendirinya. Backend penyajian memuat checkpoint dan menyediakan inferensi. Harness agen mengelola pertukaran dengan alat serta memutuskan cara menangani izin dan hasil.

Petunjuk [agen lokal](https://docs.liquid.ai/examples/agent-harnesses) Liquid AI menunjukkan pembagian itu dalam praktik: sajikan model melalui endpoint yang kompatibel dengan OpenAI dan arahkan Hermes Agent, OpenClaw, atau Pi ke alamat lokalnya. Port dan konfigurasi bergantung pada server yang dipilih. Perusahaan mengatakan model pascapelatihan dilatih dalam harness agen, termasuk Hermes Agent dan OpenCode. Ini menjelaskan pelatihan dan pengaturan yang didukung, bukan bukti bahwa agen unduhan akan andal atau bahwa data selalu tetap di perangkat dalam setiap konfigurasi. Penerapan, alat, dan koneksi jaringan menentukan batas tersebut.

## Baca angka kecepatan sesuai beban kerjanya

Liquid AI melaporkan **184 token keluaran per detik pada Apple M5 Max** dan **114 pada AMD Ryzen AI Max+ 395** untuk dekode edge. Kartu menyebut pengujian menggunakan llama.cpp, kuantisasi Q4\_K\_M, dan konteks masukan 4.000 token, dikumpulkan pada infrastruktur Pipette milik Liquid AI. Ini pengukuran perusahaan untuk konfigurasi lokal terkuantisasi. Angka tersebut tidak menetapkan kecepatan bobot BF16 native, laptop sembarang, atau seluruh tugas agen dengan alat.

Angka perusahaan sebesar **lebih dari 21.000 token keluaran per detik** adalah throughput GPU agregat, dihitung dari total token keluaran dibagi waktu berjalan pada satu NVIDIA B300 dalam konkurensi tinggi yang berkelanjutan. Pengaturan yang disebutkan memakai SGLang 0.5.22, bobot BF16, 1.024 token masukan dan hingga 256 token keluaran, sambil terus mengganti permintaan yang selesai untuk mempertahankan jumlah target yang sedang berjalan. Angka itu bukan laju respons bagi satu orang yang menunggu satu agen. Kedua pengukuran menjawab pertanyaan teknik yang berbeda: laju generasi lokal dan kapasitas total server saat dibebani.

Liquid AI juga menerbitkan perbandingan 16 tolok ukur dengan model lain. Misalnya, perusahaan melaporkan skor 48,09 untuk LFM2.5 pada LiveClaw dibanding 38,19 untuk Qwen3.6-35B-A3B, sementara Qwen unggul pada WebArena Verified dan SWE-Bench Verified dalam tabel yang sama. Perusahaan mengatakan semua model dievaluasi dengan vLLM dan pengaturan generasi khusus tiap tolok ukur. BIG CHANGE tidak mengulang pengujian itu, sehingga hasilnya berguna sebagai petunjuk untuk menguji beban kerja sendiri, bukan peringkat kemampuan independen.

Evaluasi praktisnya bergantung pada kebutuhan: pilih artefak dan runtime yang cocok dengan perangkat keras sasaran, baca lisensi, hubungkan hanya alat yang diperlukan agen, lalu uji tugas sebenarnya pada beban permintaan yang diharapkan. Liquid AI kini menyediakan bagian-bagian untuk evaluasi itu. Setiap tim tetap perlu memverifikasi perilakunya dalam alur produksi.

## Sumber dan bacaan lanjutan

- [Liquid AI, “LFM2.5-24B-A2B: Built for Fast On-Device Agents”](https://www.liquid.ai/blog/lfm2-5-24b-a2b) (13 Oktober 2026). Rilis ini menjelaskan perubahan dari LFM2, pendekatan pelatihan, sistem penyajian yang didukung, serta pengukuran kualitas dan kecepatan oleh vendor. BIG CHANGE tidak mengulang tolok ukur atau menjalankan model.
- [Liquid AI, kartu model LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) (dibaca 14 Oktober 2026). Mencantumkan 24,0B parameter total dan 2,45B aktif, tautan artefak, pengaturan inferensi, format penggunaan alat, kondisi tolok ukur, dan model draf DSpark yang akan datang. Kartu ini dikelola vendor dan dapat berubah.
- [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) (dibaca 14 Oktober 2026). Menetapkan kewajiban distribusi dan syarat pendapatan tahunan di bawah US$10 juta untuk penggunaan komersial. Gunakan teks lisensi untuk keputusan penerapan sendiri.
- [Liquid AI, panduan Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) (ditautkan dari kartu model, dibaca 14 Oktober 2026). Menjelaskan endpoint penyajian lokal yang kompatibel dengan OpenAI dan konfigurasi harness. Ini dokumentasi; BIG CHANGE tidak menjalankan petunjuknya.

## Sources

- [Liquid AI, LFM2.5-24B-A2B: Built for Fast On-Device Agents](https://www.liquid.ai/blog/lfm2-5-24b-a2b) — Rilis vendor yang menjelaskan model, ekosistem penyajian, dan hasil tolok ukur. Angka kecepatan dan kualitas merupakan pengukuran Liquid AI, bukan pengujian BIG CHANGE.
- [Liquid AI, kartu model LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) — Kartu yang dikelola vendor dengan jumlah parameter, tautan artefak, detail inferensi dan penggunaan alat, pengaturan evaluasi, serta status DSpark yang akan datang. SHA repositori diperiksa: 1769516ac588c4c558089c94f27d96b0dc67b183.
- [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) — Lisensi model yang sebenarnya. Bagian 5 mensyaratkan pendapatan tahunan di bawah ambang US$10 juta untuk penggunaan komersial; redistribusi memiliki kewajiban pemberitahuan.
- [Liquid AI, panduan Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) — Panduan pengaturan terpelihara yang ditautkan dari kartu model; mendokumentasikan penyajian lokal kompatibel OpenAI dan konfigurasi harness. BIG CHANGE tidak menjalankan petunjuk.