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

# Модел LFM2.5 24B компаније Liquid AI доноси више опција за серверско покретање локалних агената

> Нови LFM2.5-24B-A2B компаније Liquid AI нуди checkpoint-ове за преузимање и локално покретање и рад на GPU серверу. Лиценца и одвојени тестови на edge уређајима и серверима важни су при процени за агенте који користе алате.

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 је објавио [LFM2.5-24B-A2B](https://www.liquid.ai/blog/lfm2-5-24b-a2b) 13. октобра као тежине модела доступне за преузимање, намењеног искључиво текстуалном резоновању и обученог за употребу алата. Његова [картица модела](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) наводи checkpoint-ове за више система покретања, од локалне квантизоване датотеке до формата за GPU сервере. За тимове који праве агента те датотеке су само део подешавања: и даље су потребни runtime за покретање модела и harness који извршава предложене позиве алата.

## Велика промена

- **Шта се променило:** Liquid AI је на Hugging Face поставио накнадно обучени модел и његову основну верзију, са форматима покретања за различит хардвер. Картица модела наводи укупно 24,0 милијарде параметара, од којих је 2,45 милијарди активно током inference-а; „A2B“ је заокружена ознака.
- **Зашто је важно:** Тим који процењује локалног агента може прво да изабере checkpoint и начин покретања, па да затим повеже harness који користи алате, уместо да преузимање модела сматра готовим агентом. Лиценца и доступан хардвер и даље утичу на ту одлуку.
- **Шта треба пратити:** Liquid AI пријављује обећавајуће резултате брзине и употребе алата у наведеним тестовима. Тимови треба да мере сопствене задатке и конкурентност; брзина edge декодирања и пропусност сервера компаније описују различита оптерећења.

## Шта тим може да преузме

Овај [накнадно обучени checkpoint](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) намењен је агентском раду. Засебан [основни checkpoint](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-Base) служи за адаптацију. Liquid AI описује нови модел као модел само за резоновање: за разлику од ранијег LFM2-24B-A2B, он генерише сегмент размишљања пре коначног одговора. Наведено ограничење контекста је 131.072 токена, уместо 32.768 код претходника. То су спецификације модела, а не мера колико одређена апликација добро користи дуг контекст.

Картица модела повезује native checkpoint за Transformers, vLLM и SGLang; [FP8 тежине](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-FP8) за покретање на GPU-у; [GGUF датотеке](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-GGUF) за llama.cpp; [ONNX датотеке](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-ONNX) за ONNX Runtime; као и [4-битну MLX верзију](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B-MLX-4bit) за Apple Silicon. BIG CHANGE је 14. октобра потврдио да је тих шест репозиторијума, укључујући основни модел, било доступно. Картица означава нацрт модела DSpark за speculative decoding као „ускоро“. Објављени формати нису доказ да је независна страна тестирала сваку комбинацију backend-а и хардвера.

Тежине су **open-weight** и објављене под лиценцом [LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE). Лиценца дозвољава преузимање и измене, али условљава комерцијалну употребу годишњим приходом корисника или правног лица мањим од 10 милиона долара. Услови не лиценцирају комерцијалну употребу изнад тог прага. Организације треба да прочитају целу лиценцу пре примене; „open-weight“ овде не значи неограничену комерцијалну употребу.

## Модел, сервер и harness имају различите улоге

Опис [употребе алата у картици модела](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) даје моделу списак функција и омогућава му да предложи позив; софтвер извршава тај позив и враћа резултат алата да би модел могао да одговори. Сам модел не извршава радњу у browser-у нити операцију над датотеком. Backend за покретање учитава његов checkpoint и пружа inference. Agent harness управља разменом са алатима и одлучује како да поступа са дозволама и резултатима.

Liquid AI-јева [упутства за локалне агенте](https://docs.liquid.ai/examples/agent-harnesses) практично приказују ту поделу: модел се покреће преко OpenAI-компатибилног endpoint-а, а Hermes Agent, OpenClaw или Pi усмеравају се на његову локалну адресу. Port и конфигурација зависе од изабраног сервера. Компанија наводи да је накнадно обучени модел тренирала у агентским harness-има, укључујући Hermes Agent и OpenCode. То описује обуку и подржано подешавање, али не доказује да ће преузети агент бити поуздан нити да ће подаци у свакој конфигурацији остати на уређају. Та граница зависи од deployment-а, алата и мрежних веза.

## Како читати бројке брзине према оптерећењу

Liquid AI наводи **184 излазна токена у секунди на Apple M5 Max-у** и **114 на AMD Ryzen AI Max+ 395** за edge декодирање. Према картици, тестови су користили llama.cpp, Q4\_K\_M квантизацију и улазни контекст од 4.000 токена, на инфраструктури Pipette компаније Liquid AI. То су мерења компаније за локално квантизовано подешавање. Она не утврђују брзину native BF16 тежина, било ког лаптопа нити целог агентског задатка који користи алате.

Бројка компаније од **више од 21.000 излазних токена у секунди** представља збирну GPU пропусност: укупан број излазних токена подељен временом на једном NVIDIA B300 при трајно високој конкурентности. Наведено подешавање користило је SGLang 0.5.22, BF16 тежине, 1.024 улазна и до 256 излазних токена, непрекидно замењујући завршене захтеве како би одржало циљани број истовремених захтева. Та бројка није брзина одговора за једну особу која чека једног агента. Два мерења одговарају на различита инжењерска питања: темпо локалног генерисања и укупан капацитет сервера под оптерећењем.

Liquid AI објављује и поређење са 16 benchmark тестова других модела. На пример, наводи 48,09 за LFM2.5 на LiveClaw-у, наспрам 38,19 за Qwen3.6-35B-A3B, док Qwen предњачи на WebArena Verified и SWE-Bench Verified у истој табели. Компанија каже да су сви модели процењени помоћу vLLM-а и подешавања генерисања специфичних за benchmark. BIG CHANGE није поновио те тестове; они су корисни трагови за испробавање сопствених оптерећења, а не независно рангирање способности.

Практична процена је конкретна: изабрати артефакт и runtime који одговарају циљаном хардверу, прочитати лиценцу, повезати само потребне алате и тестирати стварни задатак при очекиваном оптерећењу захтева. Liquid AI сада нуди делове потребне за такву процену. Сваки тим и даље мора да провери њихово понашање у production процесу.

## Извори и додатно читање

- [Liquid AI, „LFM2.5-24B-A2B: Built for Fast On-Device Agents“](https://www.liquid.ai/blog/lfm2-5-24b-a2b) (13. октобар 2026). Објава описује промене у односу на LFM2, приступ обуци, подржане системе покретања и мерења квалитета и брзине које је извршио произвођач. BIG CHANGE није поновио benchmark тестове нити покренуо модел.
- [Liquid AI, картица модела LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) (прочитана 14. октобра 2026). Наводи 24,0 милијарде укупних и 2,45 милијарди активних параметара, везе ка артефактима, inference подешавања, формат употребе алата, услове benchmark тестова и најављени нацрт модела DSpark. Картицу одржава произвођач и она може да се мења.
- [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) (прочитана 14. октобра 2026). Утврђује обавезе при дистрибуцији и услов годишњег прихода испод 10 милиона долара за комерцијалну употребу. За сопствену одлуку о примени треба користити текст лиценце.
- [Liquid AI, водич Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) (повезан са картице модела, прочитан 14. октобра 2026). Одржавани водич за подешавање описује локални OpenAI-компатибилни endpoint за покретање и конфигурацију harness-а. То је документација; BIG CHANGE није извршио ова упутства.

## Sources

- [Liquid AI, LFM2.5-24B-A2B: Built for Fast On-Device Agents](https://www.liquid.ai/blog/lfm2-5-24b-a2b) — Објава произвођача описује модел, serving екосистем и резултате benchmark тестова. Бројеви брзине и квалитета су мерења Liquid AI-ја, а не тестови BIG CHANGE-а.
- [Liquid AI, картица модела LFM2.5-24B-A2B](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B) — Одржавана картица са бројем параметара, везама ка артефактима, детаљима inference-а и употребе алата, поставкама процене и најављеним статусом DSpark-а. Проверени repository SHA: 1769516ac588c4c558089c94f27d96b0dc67b183.
- [Liquid AI, LFM Open License v1.0](https://huggingface.co/LiquidAI/LFM2.5-24B-A2B/blob/main/LICENSE) — Стварна лиценца модела. Одељак 5 условљава комерцијалну употребу годишњим приходом испод 10 милиона долара; при поновној дистрибуцији постоје обавезе навођења обавештења.
- [Liquid AI, водич Agent Harnesses](https://docs.liquid.ai/examples/agent-harnesses) — Одржавани водич за подешавање повезан са картице модела; документује локално OpenAI-компатибилно покретање и конфигурацију harness-а. BIG CHANGE није извршио ова упутства.