A Liquid AI lançou o LFM2.5-24B-A2B a 13 de outubro como pesos transferíveis de um modelo de raciocínio apenas textual, treinado para usar ferramentas. O seu cartão do modelo enumera checkpoints para vários sistemas de execução, desde um ficheiro local quantizado a formatos para servidores GPU. Para as equipas que criam um agente, estes ficheiros são apenas parte da configuração: também precisam de um runtime que disponibilize o modelo e de um harness que execute as chamadas a ferramentas propostas.

A grande mudança

  • O que mudou: A Liquid AI colocou no Hugging Face o modelo pós-treinado e a versão base, com formatos de execução para diferentes equipamentos. O cartão indica 24,0 mil milhões de parâmetros no total e 2,45 mil milhões ativos durante a inferência; “A2B” é uma designação arredondada.
  • Porque é importante: Uma equipa que avalie um agente local pode escolher o checkpoint e a via de execução antes de ligar um harness de ferramentas, em vez de tratar a transferência do modelo como um agente completo. A licença e o equipamento disponível continuam a influenciar a decisão.
  • O que acompanhar: A Liquid AI comunica bons resultados de velocidade e utilização de ferramentas nos testes especificados. As equipas devem medir as suas próprias tarefas e concorrência: a taxa de descodificação edge e a capacidade do servidor descrevem cargas de trabalho diferentes.

O que uma equipa pode transferir

O checkpoint pós-treinado destina-se a trabalho agêntico. Um checkpoint base separado serve para adaptação. A Liquid AI descreve o novo modelo como dedicado apenas ao raciocínio: gera um segmento de pensamento antes da resposta final, ao contrário do LFM2-24B-A2B anterior. O limite de contexto indicado é 131 072 tokens, acima dos 32 768 do antecessor. São especificações do modelo, não uma medida da forma como uma aplicação usa contexto longo.

O cartão liga o checkpoint native para Transformers, vLLM e SGLang; pesos FP8 para execução em GPU; ficheiros GGUF para llama.cpp; ficheiros ONNX para ONNX Runtime; e uma versão MLX de 4 bits para Apple Silicon. A BIG CHANGE confirmou a 14 de outubro que os seis repositórios, incluindo o modelo base, estavam acessíveis. O cartão marca como “em breve” um modelo preliminar DSpark para descodificação especulativa. Os formatos publicados não provam que uma entidade independente tenha testado todas as combinações de backend e equipamento.

Os pesos são open-weight, ao abrigo da LFM Open License v1.0. Permite transferir e modificar, mas condiciona a utilização comercial a receitas anuais do utilizador ou entidade jurídica inferiores a 10 milhões de dólares. Os termos não autorizam utilização comercial acima desse limite. As organizações devem ler a licença completa antes da implementação; “open-weight” não significa utilização comercial sem restrições.

O modelo, o servidor e o harness têm funções diferentes

A descrição da utilização de ferramentas no cartão dá ao modelo uma lista de funções e permite-lhe propor uma chamada; o software executa-a e devolve o resultado para o modelo responder. O modelo não executa por si uma ação no browser nem uma operação sobre ficheiros. O backend carrega o checkpoint e disponibiliza inferência. Um agent harness gere a interação com ferramentas e decide como tratar permissões e resultados.

As instruções da Liquid AI para agentes locais mostram a divisão: executar o modelo num endpoint compatível com OpenAI e apontar Hermes Agent, OpenClaw ou Pi para o endereço local. A porta e a configuração dependem do servidor. A empresa diz que treinou o modelo pós-treinado em harnesses agênticos, incluindo Hermes Agent e OpenCode. Isso descreve o treino e uma configuração suportada, não prova fiabilidade do agente transferido nem que os dados ficam no dispositivo em todas as configurações. Deployment, ferramentas e ligações de rede definem esse limite.

Como ler os números de velocidade consoante a carga

A Liquid AI comunica 184 tokens de saída por segundo num Apple M5 Max e 114 num AMD Ryzen AI Max+ 395 para descodificação edge. O cartão diz que os testes usaram llama.cpp, quantização Q4_K_M e contexto de entrada de 4 000 tokens, na infraestrutura Pipette da Liquid AI. São medições do fornecedor para uma configuração local quantizada. Não determinam a velocidade dos pesos native BF16, de qualquer portátil ou de uma tarefa agêntica completa com ferramentas.

O valor da empresa de mais de 21 000 tokens de saída por segundo é capacidade agregada da GPU: tokens de saída totais divididos pelo tempo numa única NVIDIA B300 sob concorrência elevada e sustentada. A configuração usou SGLang 0.5.22, pesos BF16, 1 024 tokens de entrada e até 256 de saída, substituindo pedidos concluídos para manter o número-alvo de pedidos simultâneos. Não é a velocidade de resposta para uma pessoa à espera de um agente. As medidas respondem a questões diferentes: ritmo de geração local e capacidade total do servidor sob carga.

A Liquid AI também publica uma comparação de 16 benchmarks. Por exemplo, indica 48,09 para LFM2.5 no LiveClaw contra 38,19 para Qwen3.6-35B-A3B, enquanto o Qwen lidera no WebArena Verified e SWE-Bench Verified. A empresa diz que todos os modelos foram avaliados com vLLM e definições de geração específicas. A BIG CHANGE não repetiu os testes; são pistas para testar cargas próprias, não uma classificação independente.

A avaliação prática é específica: escolher o artefacto e o runtime para o equipamento-alvo, ler a licença, ligar apenas as ferramentas necessárias e testar a tarefa real com a carga esperada. A Liquid AI oferece agora os componentes para essa avaliação. Cada equipa continua a ter de verificar o comportamento num fluxo de produção.

Fontes e leituras adicionais

  • Liquid AI, “LFM2.5-24B-A2B: Built for Fast On-Device Agents” (13 de outubro de 2026). O lançamento descreve alterações face ao LFM2, treino, sistemas de execução suportados e medições do fornecedor. A BIG CHANGE não repetiu os benchmarks nem executou o modelo.
  • Liquid AI, cartão do modelo LFM2.5-24B-A2B (consultado a 14 de outubro de 2026). Lista 24,0 mil milhões de parâmetros totais e 2,45 mil milhões ativos, ligações a artefactos, definições de inferência, formato de ferramentas, condições de benchmark e o modelo preliminar DSpark anunciado. O fornecedor mantém o cartão, que pode mudar.
  • Liquid AI, LFM Open License v1.0 (consultada a 14 de outubro de 2026). Define obrigações de distribuição e a condição de receitas anuais inferiores a 10 milhões de dólares para uso comercial. A decisão própria deve basear-se no texto da licença.
  • Liquid AI, guia Agent Harnesses (ligado a partir do cartão do modelo, consultado a 14 de outubro de 2026). Guia mantido pelo fornecedor sobre execução local num endpoint compatível com OpenAI e configuração do harness. É documentação; a BIG CHANGE não executou as instruções.