Liquid AI-இன் LFM2.5 24B மாடல், உள்ளூர் ஏஜெண்டுகளை உருவாக்குவோருக்கு கூடுதல் சேவைத் தேர்வுகளை வழங்குகிறது

Liquid AI, LFM2.5-24B-A2B மாடலை கருவிப் பயன்பாட்டுக்குப் பயிற்றுவிக்கப்பட்ட, உரைமட்ட reasoning மாடலின் பதிவிறக்கக்கூடிய weights ஆக அக்டோபர் 13 அன்று வெளியிட்டது. அதன் மாடல் அட்டை உள்ளூர் quantized கோப்பிலிருந்து GPU server வடிவங்கள் வரை பல இயக்க அமைப்புகளுக்கான checkpoints-ஐ பட்டியலிடுகிறது. ஏஜெண்டை உருவாக்கும் குழுவுக்கு இக்கோப்புகள் அமைப்பின் ஒரு பகுதி மட்டுமே: மாடலை இயக்க runtime-மும் அது முன்மொழியும் tool calls-ஐ செயல்படுத்த harness-மும் தேவை.

பெரிய மாற்றம்

• என்ன மாறியது: Liquid AI, post-trained மாடலையும் அதன் அடிப்படைப் பதிப்பையும் Hugging Face-இல் வெவ்வேறு வன்பொருளுக்கான இயக்க வடிவங்களுடன் வைத்துள்ளது. மொத்தம் 24.0 பில்லியன் parameters என்றும் inference-இல் 2.45 பில்லியன் செயலில் இருக்கும் என்றும் அட்டை குறிப்பிடுகிறது; “A2B” என்பது வட்டமிடப்பட்ட பெயர்.
• இது ஏன் முக்கியம்: உள்ளூர் ஏஜெண்டை மதிப்பிடும் குழு, கருவிப் பயன்பாட்டு harness-ஐ இணைக்கும் முன் checkpoint-ஐயும் இயக்க வழியையும் தேர்ந்தெடுக்கலாம்; மாடலைப் பதிவிறக்குவது முழுமையான ஏஜெண்ட் என்று கருத வேண்டியதில்லை. உரிமமும் கிடைக்கும் வன்பொருளும் அந்தத் தேர்வை இன்னும் பாதிக்கின்றன.
• எதைக் கவனிக்க வேண்டும்: குறிப்பிட்ட சோதனைகளில் வேகம் மற்றும் கருவிப் பயன்பாட்டுக்கான நம்பிக்கையூட்டும் முடிவுகளை Liquid AI தெரிவிக்கிறது. குழுக்கள் தங்கள் பணிகளையும் concurrency-யையும் அளவிட வேண்டும்; நிறுவனத்தின் edge decoding வீதமும் server throughput-மும் வேறுபட்ட பணிச்சுமைகளை விவரிக்கின்றன.

ஒரு குழு எதைப் பதிவிறக்கலாம்

இந்த post-trained checkpoint agentic பணிக்காக உருவாக்கப்பட்டது. தனியான base checkpoint தழுவலுக்கானது. புதிய மாடலை reasoning-only என Liquid AI விவரிக்கிறது: முந்தைய LFM2-24B-A2B போலல்லாமல், இறுதி விடைக்கு முன் சிந்தனைப் பகுதியை உருவாக்குகிறது. கூறப்பட்ட context வரம்பு 131,072 tokens; முந்தைய மாடலில் 32,768. இவை மாடல் விவரக்குறிப்புகள்; ஒரு குறிப்பிட்ட செயலி நீண்ட context-ஐ எவ்வளவு நன்றாகப் பயன்படுத்துகிறது என்பதற்கான அளவீடல்ல.

மாடல் அட்டை Transformers, vLLM, SGLang-க்கான native checkpoint-ஐ இணைக்கிறது; FP8 weights GPU இயக்கத்துக்கு; GGUF கோப்புகள் llama.cpp-க்கு; ONNX கோப்புகள் ONNX Runtime-க்கு; மேலும் 4-bit MLX பதிப்பு Apple Silicon-க்கு. base மாடலையும் சேர்த்து அந்த ஆறு repositories அக்டோபர் 14 அன்று அணுகக்கூடியதாக இருந்ததை BIG CHANGE உறுதிப்படுத்தியது. speculative decoding-க்கான DSpark வரைவு மாடலை அட்டை “விரைவில்” எனக் குறிக்கிறது. வெளியிடப்பட்ட வடிவங்கள் ஒவ்வொரு backend, வன்பொருள் சேர்க்கையும் சுயாதீனமாகச் சோதிக்கப்பட்டதற்குச் சான்றல்ல.

Weights open-weight ஆகும்; அவை LFM Open License v1.0 கீழ் வழங்கப்படுகின்றன. பதிவிறக்கம் மற்றும் மாற்றத்தை உரிமம் அனுமதிக்கிறது; ஆனால் பயனர் அல்லது சட்டப்பூர்வ நிறுவனத்தின் ஆண்டு வருவாய் 10 மில்லியன் டாலருக்குக் குறைவாக இருந்தால் மட்டுமே வணிகப் பயன்பாடு அனுமதிக்கப்படும். அந்த வரம்புக்கு மேல் வணிகப் பயன்பாட்டை விதிகள் உரிமம் அளிக்கவில்லை. பயன்படுத்துவதற்கு முன் நிறுவனங்கள் முழு உரிமத்தையும் படிக்க வேண்டும்; இங்கு “open-weight” என்பது கட்டுப்பாடற்ற வணிகப் பயன்பாடு அல்ல.

மாடல், server, harness ஆகியவற்றின் பணிகள் வேறு

மாடல் அட்டையின் கருவிப் பயன்பாட்டு விளக்கம் மாடலுக்கு functions பட்டியலை அளித்து call-ஐ முன்மொழியச் செய்கிறது; மென்பொருள் அந்த call-ஐ இயக்கி முடிவை மாடலுக்குத் திருப்பி அளிக்கிறது. மாடல் தானாக browser செயலைவோ file operation-ஐவோ இயக்காது. Serving backend checkpoint-ஐ ஏற்றி inference வழங்குகிறது. Agent harness கருவிகளுடனான பரிமாற்றத்தை நிர்வகித்து permissions, முடிவுகளை எப்படிக் கையாள வேண்டும் எனத் தீர்மானிக்கிறது.

Liquid AI-இன் உள்ளூர் ஏஜெண்ட் வழிமுறைகள் இந்தப் பிரிவை நடைமுறையில் காட்டுகின்றன: OpenAI-compatible endpoint வழியாக மாடலை இயக்கி Hermes Agent, OpenClaw அல்லது Pi-ஐ உள்ளூர் முகவரிக்குச் சுட்டுங்கள். தேர்ந்தெடுத்த server-ஐப் பொறுத்து port, configuration மாறும். Hermes Agent, OpenCode உள்ளிட்ட agent harnesses-இல் post-trained மாடலுக்குப் பயிற்சி அளித்ததாக நிறுவனம் கூறுகிறது. இது பயிற்சியும் ஆதரிக்கப்படும் அமைப்பும் பற்றிய விளக்கம்; பதிவிறக்கிய ஏஜெண்ட் நம்பகமானது அல்லது ஒவ்வொரு அமைப்பிலும் தரவு சாதனத்திலேயே இருக்கும் என்பதற்குச் சான்றல்ல. Deployment, கருவிகள், network இணைப்புகள் அந்த எல்லையை நிர்ணயிக்கின்றன.

பணிச்சுமைக்கேற்ப வேக எண்ணிக்கைகளை வாசிப்பது

Liquid AI தெரிவிப்பது: Apple M5 Max-இல் வினாடிக்கு 184 வெளியீட்டு tokens மற்றும் AMD Ryzen AI Max+ 395-இல் 114 edge decoding-க்காக. அட்டையின்படி llama.cpp, Q4_K_M quantization, 4,000-token input context ஆகியவற்றைப் பயன்படுத்தி Liquid AI-இன் Pipette infrastructure-இல் சோதனைகள் நடந்தன. இவை quantized உள்ளூர் அமைப்புக்கான நிறுவன அளவீடுகள். native BF16 weights, எந்த laptop, கருவிகள் கொண்ட முழு agent task ஆகியவற்றின் வேகத்தை இவை நிர்ணயிப்பதில்லை.

நிறுவனம் கூறும் வினாடிக்கு 21,000-க்கும் மேற்பட்ட வெளியீட்டு tokens என்பது மொத்த GPU throughput: நீடித்த உயர் concurrency-யில் ஒற்றை NVIDIA B300-இல் உருவான மொத்த வெளியீட்டு tokens-ஐ கடந்த நேரத்தால் வகுத்த மதிப்பு. கூறப்பட்ட அமைப்பு SGLang 0.5.22, BF16 weights, 1,024 input tokens, அதிகபட்சம் 256 output tokens பயன்படுத்தியது; ஒரே நேரத்தில் செயலில் உள்ள requests எண்ணிக்கையைத் தக்கவைக்க முடிந்த requests-க்கு பதிலாக புதியவற்றை தொடர்ந்து சேர்த்தது. ஒரு ஏஜெண்டுக்காகக் காத்திருக்கும் ஒருவரின் பதில் வேகம் இது அல்ல. உள்ளூர் உருவாக்க வேகம், சுமையிலுள்ள server-இன் மொத்த திறன் என இரண்டு வேறு பொறியியல் கேள்விகளுக்கு இவை பதிலளிக்கின்றன.

மற்ற மாடல்களுடன் 16 benchmarks ஒப்பீட்டையும் Liquid AI வெளியிடுகிறது. எடுத்துக்காட்டாக, LiveClaw-இல் LFM2.5க்கு 48.09, Qwen3.6-35B-A3Bக்கு 38.19 எனக் கூறுகிறது; அதே அட்டவணையில் WebArena Verified, SWE-Bench Verified-இல் Qwen முன்னிலை வகிக்கிறது. எல்லா மாடல்களும் benchmark-குறிப்பிட்ட generation settings உடன் vLLM-இல் மதிப்பிடப்பட்டன என நிறுவனம் கூறுகிறது. BIG CHANGE அந்தச் சோதனைகளை மீண்டும் செய்யவில்லை; சொந்த பணிச்சுமைகளைச் சோதிக்க உதவும் குறிப்புகள் இவை, சுயாதீன திறன் தரவரிசை அல்ல.

நடைமுறை மதிப்பீடு குறிப்பிட்டதாக இருக்க வேண்டும்: இலக்கு வன்பொருளுக்கான artifact, runtime-ஐத் தேர்ந்தெடுத்து, உரிமத்தைப் படித்து, ஏஜெண்டுக்குத் தேவையான கருவிகளை மட்டும் இணைத்து, எதிர்பார்க்கும் request சுமையில் உண்மையான பணியைச் சோதிக்க வேண்டும். அந்த மதிப்பீட்டுக்கான கூறுகளை Liquid AI இப்போது வழங்குகிறது. உற்பத்திப் பணிச்சூழலில் அவை எப்படிச் செயல்படுகின்றன என்பதை ஒவ்வொரு குழுவும் உறுதிப்படுத்த வேண்டும்.

ஆதாரங்களும் மேலும் வாசிப்பும்

• Liquid AI, “LFM2.5-24B-A2B: Built for Fast On-Device Agents” (அக்டோபர் 13, 2026). LFM2-இலிருந்து மாறியவை, பயிற்சி அணுகுமுறை, ஆதரிக்கப்படும் இயக்க அமைப்புகள், விற்பனையாளர் அளவிட்ட தரம் மற்றும் வேகம் ஆகியவற்றை வெளியீடு விவரிக்கிறது. BIG CHANGE benchmarks-ஐ மீண்டும் செய்யவில்லை; மாடலை இயக்கவில்லை.
• Liquid AI, LFM2.5-24B-A2B மாடல் அட்டை (அக்டோபர் 14, 2026 அன்று வாசிக்கப்பட்டது). மொத்த 24.0B, செயலில் 2.45B parameters, artifact இணைப்புகள், inference அமைப்புகள், கருவிப் பயன்பாட்டு வடிவம், benchmark நிபந்தனைகள், வரவிருக்கும் DSpark வரைவு மாடல் ஆகியவற்றைப் பட்டியலிடுகிறது. விற்பனையாளர் பராமரிக்கும் அட்டை மாறக்கூடும்.
• Liquid AI, LFM Open License v1.0 (அக்டோபர் 14, 2026 அன்று வாசிக்கப்பட்டது). விநியோகப் பொறுப்புகளையும் வணிகப் பயன்பாட்டுக்கான ஆண்டு வருவாய் 10 மில்லியன் டாலருக்குக் கீழ் இருக்க வேண்டிய நிபந்தனையையும் அமைக்கிறது. சொந்த deployment முடிவுக்கு உரிமத்தின் முழு உரையைப் பார்க்க வேண்டும்.
• Liquid AI, Agent Harnesses வழிகாட்டி (மாடல் அட்டையிலிருந்து இணைக்கப்பட்டது; அக்டோபர் 14, 2026 அன்று வாசிக்கப்பட்டது). உள்ளூர் OpenAI-compatible serving, harness அமைப்பை விளக்கும் பராமரிக்கப்பட்ட வழிகாட்டி. இது ஆவணம் மட்டுமே; BIG CHANGE வழிமுறைகளை இயக்கிப் பார்க்கவில்லை.