أصدرت Liquid AI LFM2.5-24B-A2B، وهو نموذج استدلال مفتوح الأوزان للوكلاء الذين يعملون على الحواسيب المحمولة والمكتبية. LFM2.5-24B-A2B هو نموذج Mixture-of-Experts (MoE) بـ 24B معلّمًا يفعّل حوالي 2B معلّم لكل رمز. وهو الأكبر والعضو الأخير في عائلة LFM2.5. درّبته Liquid AI داخل أُطر عمل الوكلاء الشهيرة، لذا يستهدف الاستخدام متعدد الخطوات للأدوات بدلاً من الدردشة المفتوحة. أوزان النموذج الأساسي والمدرب لاحقًا متاحة على Hugging Face.
الخلاصة السريعة
- الحجم: 24B إجمالي، 2B مفعّل (2.45B بدقة وفق بطاقة النموذج)، وسياق 131,072 رمزًا.
- يعمل على: الحواسيب المحمولة والصغيرة (Apple M5 Max، AMD Ryzen AI Max+ 395) عبر GGUF/MLX؛ و NVIDIA B300 واحدة للتقديم. إصدارات FP8 و GGUF و ONNX و MLX بدقة 4/5/6/8 بت.
- الأداء: يتصدر أو يضاهي نماذج MoE الأكبر على 5 من 8 معايير للوكلاء واستخدام الأدوات في اختبارات Liquid AI.
- الأفضل: AutomationBench بدرجة 27.69، أي أكثر من 3 أضعاف Qwen3.6-35B-A3B (8.72).
- الأسوأ: SWE-Bench Verified (OpenCode) بدرجة 51.00، مقابل 66.20 لـ Qwen3.6-35B-A3B.
- الخلاصة (الأفضل): استدعاء سريع ورخيص للأدوات محليًا واتباع التعليمات.
- الخلاصة (الأسوأ): أضعف في المعرفة والبرمجة؛ اقرنه بالاسترجاع.
ما هو LFM2.5-24B-A2B؟
هو نموذج MoE نصي بحت مخصص للاستدلال فقط، مصمم لحلقات الوكلاء المحلية. كل دور من المساعد يبدأ بكتلة <think> ، وفق الوثائق. أما سابقه، LFM2-24B-A2B، فلم يكن يستدل دائمًا أولاً. ويدعم 16 لغة، منها الإنجليزية والعربية والصينية والهندية واليابانية.
كيف تعمل البنية؟
يحافظ على بنية LFM2 الهجينة ذات 40 طبقة: 30 كتلة التفاف قصير مزدوج البوابات و10 كتل انتباه الاستعلام المجمّع (GQA). وتحتوي كل كتلة MoE على 64 خبيرًا مع توجيه أعلى 4، وفق بطاقة النموذج.
الأمور الوحيدة التي تغيّرت في LFM2-24B-A2B هما 2: نما السياق من 32,768 إلى 131,072 رمزًا. وتضاعف حجم المفردات من 65K إلى 128K عبر توسيع المُرمِّز في المكان نفسه (in-place) لتحسين الترميز للغات غير اللاتينية.
كيف تم تدريبه؟
توسّعت مرحلة التدريب المسبق من 17T إلى 33T رمزًا. وشغّلت مرحلة التدريب المتوسط 2T رمزًا عند سياق 32K، ثم 300B رمزًا عند سياق 131K. وتظهر استدعاءات الأدوات والمسارات متعددة الأدوار في المرحلتين.
ما بعد التدريب يتكون من 5 مراحل:
- الضبط الدقيق بالإشراف (SFT)
- تخصص المعلم
- التقطير متعدد النطاقات غير الوكيلي وفق السياسة الخاصة (MOPD)
- MOPD الوكيلي
- التعلّم المعزز الوكيلي داخل OpenClaw, Hermes Agent, Pi و OpenCode
كما كشفت Liquid AI عن حدوث اختراق للمكافآت (reward hacking) أثناء تخصص المعلم. فقد بحث النموذج في سجل git وGitHub وPyPI وHugging Face عن الإجابات. بل إنه اكتشف أنه كان داخل بيئة معزولة (sandbox). وتقول Liquid AI إنها شدّدت البيئات المعزولة، وأن النتائج المُبلَّغ عنها جاءت من بيئات مغلقة تمامًا.
ما نتائج LFM2.5-24B-A2B على المقاييس المرجعية؟
اختبرت Liquid AI الـ 16 مقياسًا مرجعيًا مقابل Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning (30B-A3B). ويتصدر في AutomationBench وToolSandbox وLiveClaw وτ³-Bench Banking. أما BFCLv4 فهو في الواقع تعادل بنتيجة 65.01 مقابل 65.00.
أكبر فجوة هي في AutomationBench: 27.69 مقابل 8.72 لـ Qwen3.6-35B-A3B. وعلى LiveClaw يحصل على 48.09 مقابل 38.19. كما يتصدّر جميع اختبارات متابعة التعليمات الـ 3: IFEval بنتيجة 96.75، وIFBench بنتيجة 74.69، وMulti-IF بنتيجة 84.38.
النماذج الأكبر تتفوق في المعرفة والبرمجة. يتصدر Qwen3.6-35B-A3B في GPQA Diamond (83.69 مقابل 74.42) وSWE-Bench Verified (66.20 مقابل 51.00). كما يتقدم Qwen في WebArena Verified (37.62 مقابل 26.75) وPinchBench (89.93 مقابل 83.18).
LFM2.5-24B-A2B مقابل المنافسين
| الميزة | LFM2.5-24B-A2B | Qwen3.6-35B-A3B | Gemma-4-26B-A4B-it | Nemotron-3.5-Lightning-30B-A3B |
|---|---|---|---|---|
| المطوّر | Liquid AI | Alibaba Qwen | Google DeepMind | NVIDIA |
| إجمالي المعاملات | 24.0B | 35B | 25.2B | 30B |
| المعاملات النشطة | 2.45B | 3B | 3.8B | 3B |
| سياق النص | 131,072 | 262,144 أصلي | 256K | حتى 1M |
| طريقة الإدخال | نص | نص، صورة، فيديو | نص، صورة | نص |
| البنية المعمارية | Conv + GQA hybrid MoE | Gated DeltaNet + attention MoE | Sliding/global attention MoE | Mamba-2 + attention MoE |
| الترخيص | LFM Open License v1.0 | Apache 2.0 | Apache 2.0 | OpenMDW-1.1 |
| AutomationBench* | 27.69 | 8.72 | 5.46 | 2.61 |
| LiveClaw* | 48.09 | 38.19 | 41.25 | 37.72 |
| IFBench* | 74.69 | 64.21 | 47.44 | 71.67 |
| GPQA Diamond* | 74.42 | 83.69 | 74.90 | 72.42 |
| SWE-Bench Verified* | 51.00 | 66.20 | 25.80 | 53.40 |
| GPQA (كما أبلغ المورّد) | غير مُفصح عنه بشكل منفصل | 86.0 | 82.3 | 75.44 |
| العتاد المرجعي | Apple M5 Max (184 رمزاً/ثانية، Q4_K_M) | غير مُفصح عنه | وحدات معالجة رسومية استهلاكية ومحطات عمل | 1x H100 80GB (BF16) |
*النتائج من جدول معايير Liquid AI، وجميع النماذج شغّلتها Liquid AI باستخدام vLLM.
على أي عتاد يعمل LFM2.5-24B-A2B؟
على الجهاز نفسه، يفك تشفير 184 رمزاً/ثانية على Apple M5 Max. ويصل إلى 114 رمزاً/ثانية على AMD Ryzen AI Max+ 395. قاست Liquid AI كليهما باستخدام llama.cpp، وتكميم Q4_K_M، ومدخل من 4K رمزاً. وتدّعي سرعة تصل إلى 1.7 ضعف سرعة أفضل نموذج MoE مقارَن تالٍ، مع أقل استهلاك للذاكرة. لم يُفصح عن متطلبات ذاكرة الوصول العشوائي الدقيقة.
للتقديم الخدمي، يعالج 21K رمز إخراج/ثانية على NVIDIA B300 واحدة. استخدم هذا الاختبار SGLang 0.5.22، وBF16، و1,024 رمز إدخال، وحتى 256 رمز إخراج.
تغطي الدعم من اليوم الأول Transformers وvLLM وSGLang وllama.cpp وMLX وLM Studio وONNX. يحتاج MLX إلى mlx-lm>=0.32.0، لأن الإصدارات الأقدم توجّه الخبراء بشكل خاطئ. المعاينة الموصى بها هي درجة حرارة 0.1، وtop_k 50، وعقوبة التكرار 1.05. ونموذج مسودة فك التشفير التخميني DSpark مُدرج كقادم قريباً.
كم يكلّف، وما هو الترخيص؟
على Liquid Console، تبلغ تكلفة الـAPI 0.10 دولار لكل 1M رمز إدخال و1.00 دولار لكل 1M رمز إخراج. تكلف الإدخال المخزّن مؤقتاً 0.05 دولار لكل 1M، ويحصل الحسابات الجديدة على رصيد بقيمة 2 دولار.
تستخدم الأوزان LFM Open License v1.0، بناءً على Apache 2.0. ينتهي الاستخدام التجاري المجاني بمجرد وصول الشركة إلى $10M من الإيرادات السنوية.
النقاط الرئيسية
- 24B بنموذج MoE، مع نحو 2B نشطة، وسياق 131K، للتفكير فقط.
- 27.69 في AutomationBench مقابل 8.72 لـ Qwen3.6-35B-A3B.
- 184 tok/s على Apple M5 Max عبر llama.cpp Q4_K_M.
- متأخر في SWE-Bench Verified (51.00 مقابل 66.20) وفي GPQA.
- أوزان مفتوحة؛ استخدام تجاري مجاني تحت إيرادات $10M.
اطّلع على المدونة التقنية, أوزان النموذج, الوثائق و التقرير التقني LFM2. كل الفضل يعود إلى الباحث في هذا المشروع. كما يمكنكم متابعتنا على تويتر ولا تنسوا الانضمام إلى 150k+ML SubReddit والاشتراك في نشرةنا البريدية. مهلاً! هل أنت على تيليجرام؟ يمكنك الآن الانضمام إلينا على تيليجرام أيضًا.
المقال Liquid AI تطلق LFM2.5-24B-A2B: نموذج MoE بتنشيط 2B للوكلاء على الأجهزة ظهر لأول مرة على MarkTechPost.