AI-translated from English; not yet reviewed by a fluent editor. # O modelo LFM2.5 24B da Liquid AI oferece mais opções de execução para quem cria agentes locais > O novo LFM2.5-24B-A2B da Liquid AI oferece checkpoints para download e execução local ou em GPU. A licença e a diferença entre os testes edge e de servidor importam na avaliação para agentes que usam ferramentas. 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. A Liquid AI lançou [LFM2.5-24B-A2B](https://www.liquid.ai/blog/lfm2-5-24b-a2b) em 13 de outubro como pesos para download de um modelo de raciocínio apenas textual, treinado para usar ferramentas. O [cartão do modelo](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) lista checkpoints para vários sistemas de execução, de um arquivo local quantizado a formatos voltados a servidores GPU. Para equipes que criam um agente, esses arquivos são só parte da configuração: também é preciso um runtime para servir o modelo e um harness para executar as chamadas de ferramenta que ele propõe. ## A grande mudança - **O que mudou:** A Liquid AI colocou no Hugging Face o modelo pós-treinado e sua versão base, com formatos de execução para diferentes hardwares. O cartão informa 24,0 bilhões de parâmetros no total e 2,45 bilhões ativos durante a inferência; “A2B” é uma designação arredondada. - **Por que isso importa:** Uma equipe que avalia um agente local pode escolher um checkpoint e um caminho de execução antes de conectar um harness que usa ferramentas, em vez de tratar o download do modelo como um agente completo. A licença e o hardware disponível ainda influenciam a decisão. - **O que observar:** A Liquid AI relata resultados promissores de velocidade e uso de ferramentas nos testes especificados. As equipes precisam medir suas próprias tarefas e concorrência; a taxa de decodificação edge da empresa e a capacidade do servidor descrevem cargas diferentes. ## O que uma equipe pode baixar O [checkpoint pós-treinado](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) é voltado a trabalho agêntico. Um [checkpoint base](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-Base) separado serve para adaptação. A Liquid AI descreve o novo modelo como exclusivo para raciocínio: diferente do LFM2-24B-A2B anterior, ele gera um segmento de pensamento antes da resposta final. O limite de contexto informado é de 131.072 tokens, ante 32.768 na versão anterior. São especificações do modelo, não uma medida de como uma aplicação específica usa contexto longo. O cartão do modelo liga ao checkpoint native para Transformers, vLLM e SGLang; [pesos FP8](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-FP8) para execução em GPU; [arquivos GGUF](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-GGUF) para llama.cpp; [arquivos ONNX](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-ONNX) para ONNX Runtime; e uma [versão MLX de 4 bits](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-MLX-4bit) para Apple Silicon. A BIG CHANGE confirmou em 14 de outubro que os seis repositórios, inclusive o modelo base, estavam acessíveis. O cartão marca como “em breve” um modelo preliminar DSpark para decodificação especulativa. A publicação dos formatos não comprova que uma parte independente testou cada combinação de backend e hardware. Os pesos são **open-weight** e regidos pela [LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE). Ela permite baixar e modificar, mas condiciona o uso comercial a uma receita anual do usuário ou entidade legal inferior a US$ 10 milhões. Os termos não licenciam o uso comercial acima desse limite. Organizações devem ler a licença completa antes da implantação; “open-weight” aqui não significa uso comercial irrestrito. ## Modelo, servidor e harness têm funções diferentes A [descrição de uso de ferramentas no cartão do modelo](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) dá ao modelo uma lista de funções e permite que proponha uma chamada; o software a executa e devolve o resultado da ferramenta para que o modelo responda. O modelo não executa por conta própria uma ação no navegador ou operação de arquivo. O backend de execução carrega o checkpoint e oferece inferência. Um harness de agente gerencia a troca com as ferramentas e decide como lidar com permissões e resultados. As [instruções da Liquid AI para agentes locais](https://docs.liquid.ai/examples/agent-harnesses) mostram essa divisão: servir o modelo por um endpoint compatível com OpenAI e apontar Hermes Agent, OpenClaw ou Pi para o endereço local. Porta e configuração dependem do servidor escolhido. A empresa diz que treinou o modelo pós-treinado em harnesses agênticos, incluindo Hermes Agent e OpenCode. Isso descreve treinamento e uma configuração suportada, não prova a confiabilidade de um agente baixado nem que os dados permaneçam no dispositivo em toda configuração. Deployment, ferramentas e conexões de rede definem esse limite. ## Como ler os números de velocidade conforme a carga A Liquid AI relata **184 tokens de saída por segundo em um Apple M5 Max** e **114 em um AMD Ryzen AI Max+ 395** para decodificação edge. O cartão diz que os testes usaram llama.cpp, quantização Q4\_K\_M e contexto de entrada de 4.000 tokens, medidos na infraestrutura Pipette da Liquid AI. São medidas da empresa para uma configuração local quantizada. Não determinam a velocidade dos pesos native BF16, de qualquer notebook ou de uma tarefa completa de agente com ferramentas. O número da empresa, **mais de 21.000 tokens de saída por segundo**, é throughput agregado de GPU: o total de tokens de saída dividido pelo tempo em uma única NVIDIA B300 sob alta concorrência sustentada. A configuração informada usou SGLang 0.5.22, pesos BF16, 1.024 tokens de entrada e até 256 de saída, substituindo continuamente solicitações concluídas para manter a quantidade pretendida de solicitações simultâneas. Esse número não é a velocidade de resposta para uma pessoa esperando um agente. As medições respondem a perguntas de engenharia distintas: ritmo de geração local e capacidade total do servidor sob carga. A Liquid AI também publica uma comparação de 16 benchmarks com outros modelos. Por exemplo, relata 48,09 para LFM2.5 no LiveClaw contra 38,19 para Qwen3.6-35B-A3B, enquanto Qwen lidera em WebArena Verified e SWE-Bench Verified na mesma tabela. A empresa diz que todos os modelos foram avaliados com vLLM e configurações de geração específicas por benchmark. A BIG CHANGE não reproduziu os testes; são pistas para avaliar cargas próprias, não uma classificação independente de capacidade. A avaliação prática é específica: escolha o artefato e runtime adequados ao hardware-alvo, leia a licença, conecte apenas as ferramentas necessárias ao agente e teste a tarefa real com a carga de solicitações esperada. A Liquid AI oferece agora os componentes para essa avaliação. Cada equipe ainda precisa verificar como funcionam em um fluxo de produção. ## Fontes e leituras adicionais - [Liquid AI, “LFM2.5-24B-A2B: Built for Fast On-Device Agents”](https://www.liquid.ai/blog/lfm2-5-24b-a2b) (13 de outubro de 2026). O lançamento descreve as mudanças em relação ao LFM2, a abordagem de treinamento, sistemas de execução compatíveis e medições de qualidade e velocidade do fornecedor. A BIG CHANGE não repetiu os benchmarks nem executou o modelo. - [Liquid AI, cartão do modelo LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) (consultado em 14 de outubro de 2026). Lista 24,0 bilhões de parâmetros totais e 2,45 bilhões ativos, links de artefatos, configurações de inferência, formato de uso de ferramentas, condições dos benchmarks e o modelo preliminar DSpark anunciado para depois. O fornecedor mantém o cartão, que pode mudar. - [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) (consultada em 14 de outubro de 2026). Define obrigações de distribuição e a condição de receita anual inferior a US$ 10 milhões para uso comercial. A decisão de implantação deve se basear no texto da licença. - [Liquid AI, guia Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) (linkado pelo cartão do modelo, consultado em 14 de outubro de 2026). O guia mantido documenta execução local por endpoint compatível com OpenAI e configuração do harness. É documentação; a BIG CHANGE não executou as instruções. ## Sources - [Liquid AI, LFM2.5-24B-A2B: Built for Fast On-Device Agents](https://www.liquid.ai/blog/lfm2-5-24b-a2b) — Publicação do fornecedor sobre modelo, ecossistema de execução e resultados de benchmark. Os números de velocidade e qualidade são medições da Liquid AI, não testes da BIG CHANGE. - [Liquid AI, cartão do modelo LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) — Cartão mantido com contagem de parâmetros, links de artefatos, detalhes de inferência e ferramentas, configurações de avaliação e status futuro do DSpark. SHA do repositório verificado: 1769516ac588c4c558089c94f27d96b0dc67b183. - [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) — Licença efetiva do modelo. A seção 5 condiciona o uso comercial a receita anual inferior a US$ 10 milhões; a redistribuição exige avisos. - [Liquid AI, guia Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) — Guia de configuração mantido e linkado pelo cartão do modelo; documenta execução local compatível com OpenAI e configuração do harness. A BIG CHANGE não executou as instruções.