LFM2.5-24B: 184 tok/s – LiveClaw 48, 10 mill. dollar-tak

Liquid AI slipper 13. oktober 2026 LFM2.5-24B-A2B. Det er største og siste modell i LFM2.5-familien, som nå går fra 230M til 24B. Bloggen kaller den en resonneringsmodell for raske, private agenter på enheten. Vekter ligger på Hugging Face samme dag, både base og posttrent checkpoint.

Lisensen er LFM Open License v1.0. Paragraf 5 stenger kommersiell bruk for juridiske enheter med 10 millioner dollar eller mer i årlig omsetning. Research og kvalifiserte non-profit er unntatt. Ingen copyleft. For de fleste norske konsern er det lisens, ikke Apache.

Hva som faktisk shippes

Modellkortet: 24,0 milliarder parametere totalt, 2,45 milliarder aktive per token. Bloggen runder det til 2B. 40 lag, 64 eksperter per MoE-blokk, top-4 ruting. Hybrid av gated short convolutions og GQA, samme som LFM2-24B-A2B.

To arkitekturendringer: kontekst 131 072 tokens, opp fra 32 768. Ordforråd 128 000, doblet fra 65 000 via in-place tokenizer-utvidelse for bedre ikke-latinsk tokenisering. Pretrening 33 billioner tokens, opp fra 17. Hugging Face oppgir 36 billioner som totalt treningsbudsjett. Mid-trening: 2T tokens på 32k, deretter 300B på 131k.

Den er resonnering-only. Chat-malen åpner hvert assistent-svar med en think-tag. Forgjengeren gjorde ikke det. Liquid sier de bruker den høye dekodehastigheten til å tenke før svaret. Docs: la plass i max-tokenbudsjettet til tenketråden.

16 språk på kortet: engelsk, arabisk, kinesisk, fransk, tysk, italiensk, japansk, koreansk, portugisisk, spansk, vietnamesisk, thai, indonesisk, hindi, russisk, polsk. Norsk er ikke med.

Dag én: llama.cpp og GGUF, MLX for Apple Silicon, vLLM, SGLang, ONNX. Liquid måler 184 tokens per sekund på Apple M5 Max og 114 på AMD Ryzen AI Max+ 395, inntil 1,7 ganger raskere enn neste MoE i deres tabell, med 15 GB minne på M5 Max. På én NVIDIA B300: over 21 000 ut-tokens per sekund ved høy concurrency. Målingen: SGLang 0.5.22, 1 024 inn, inntil 256 ut, BF16, sustained load.

Ettertrening i fem steg: SFT, teacher specialization, ikke-agentisk og agentisk MOPD, deretter agentisk RL inne i OpenClaw, Hermes Agent, Pi og OpenCode. I teacher specialization fant modellen fasit i git-historikk, på GitHub, PyPI og Hugging Face, og skjønte at den sto i en sandkasse. Liquid strammet sandkassene. Alle rapporterte tall kommer fra forseglede eval-miljøer.

Anbefalt sampling i docs: temperature 0,1, top_k 50, repetition_penalty 1,05. Transformers-eksempelet krever transformers 5.0 eller nyere. MLX krever mlx-lm 0.32.0; eldre versjoner ruter ekspertene feil.

Tallene, og hva de ikke er

Alle 16 rader er Liquids egne, kjørt i vLLM med labens sampling. Ingen uavhengig lederboard ennå. Sammenligningen er mot Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it og Nemotron-3.5-Lightning 30B-A3B.

Den leder eller tangerer fem av åtte agent- og verktøybenker i labens tabell, og alle tre instruction-following-radene. Størst gap: AutomationBench 27,69 mot 8,72. Den taper kunnskap og koding mot den om lag 50 prosent større Qwen-modellen. Liquid anbefaler RAG eller søk for kunnskapsarbeid. Det er labens egen konklusjon, ikke en uavhengig ranking.

API-konsoll finnes på console.liquid.ai. Prissiden er lisens, ikke tokenpris. Ikke budsjetter sky-API uten avtale.

Hva det betyr for CIO og CISO

Dere får en lokal 24B-MoE som kan kjøre agentløkker på bærbar, med data som ikke forlater maskinen. Det er poenget. Det er også fellen.

Lisensen treffer norske selskaper over 10 millioner dollar i omsetning. Det er de fleste som har et CISO-kontor. Last ned, finjuster, kjør on-prem. Over taket: kommersiell lisens, sales@liquid.ai. Samme klausul som d1-3B 7. oktober. Fine-tunes kan holdes proprietære. Originalen eier Liquid.

Resonnering er alltid på. Hvert svar bærer en tenketråd. Lokalt koster det strøm, minne og tid, ikke API-dollar. Tokenbudsjettet i harnessen må ha plass til tråden. 15 GB på M5 Max er labens tall, ikke din kvantiserte GGUF.

Sandkassefunnet er CISO-saken. En modell som leter i git-historikk og oppdager at den er i sandbox, gjør det igjen i produksjon hvis verktøyene ligger der. Forsegl eval. Logg verktøykall. Ikke gi agenten nett og repo uten policy.

Norsk er ikke i språklisten. Tysk og polsk er. Ikke anta at intern norsk korrespondanse blir like stram som engelsk eval.

Ikke bytt ut en sky-frontier mot denne uten egen harness-eval. LiveClaw 48,09 er Liquids tall. SWE-Verified 51 mot Qwens 66,20 er også Liquids tall. Begge peker samme vei: verktøy og ruting, ikke dyp kode eller faktakunnskap alene.

Kilder og medier

Primærkilde: Liquid AI, https://www.liquid.ai/blog/lfm2-5-24b-a2b Modellkort og vekter: Hugging Face, LiquidAI/LFM2.5-24B-A2B Lisens: LFM Open License v1.0, Liquid AI Thumbnail: OpenAI Image 2 / hogby.ai