أعلنت Liquid AI إتاحة نموذجَي LFM2.5-2.6B وLFM2.5-2.6B-Base على Hugging Face، لتشغيل وكلاء ذكاء اصطناعي محلياً على الأجهزة بدلاً من الاعتماد الكامل على الاستدلال السحابي. ويقدم النموذج، وفق الشركة، دعماً لاستدعاء الأدوات وسير العمل متعدد الخطوات، مع حجم وسرعة مناسبتين للاستخدام على الحواسيب المحمولة والهواتف.
يستهدف الإصدار المطورين الذين يحتاجون إلى نشر وكلاء على نطاق واسع، مع إبقاء البيانات على الجهاز وتقليل الاعتماد على فاتورة استدلال سحابية. وتقول Liquid AI إن النموذج ينافس نماذج أكبر منه بأربع مرات تقريباً في استخدام الأدوات، واتباع التعليمات، والمهام الوكيلة متعددة الخطوات.
تدريب مخصص للمهام الوكيلة
دُرّب LFM2.5-2.6B مسبقاً على نحو 34 تريليون رمز، وتضمنت مرحلة التدريب الوسيط توسيع نافذة السياق إلى 128 ألف رمز. وبعد ذلك، مر النموذج بأربع مراحل لتحويله من نموذج أساسي إلى وكيل قادر على التعامل مع الأدوات والمهام المتتابعة.
- الضبط الدقيق الخاضع للإشراف: جولتان من التدريب ركزتا بدرجة كبيرة على بيانات استخدام الأدوات، والبحث على الويب، ومسارات عمل الوكلاء.
- تخصص المعلمين: تدريب نموذج معلم متخصص لكل مجال، مثل الرياضيات والبرمجة واستخدام الأدوات.
- التقطير متعدد المجالات: نقل قدرات النماذج المتخصصة إلى نموذج واحد.
- التعزيز الوكيلي: تشغيل تدريب متعدد الجولات داخل أطر عمل وكلاء فعلية، ليتعلم النموذج التعامل مع أدوات مختلفة، وتوجيهات النظام، وبيئات المهام متعددة الخطوات.
وتفصل منظومة التعزيز الوكيلي بين تحسين النموذج والاستدلال وتنفيذ البيئات. ويستخدم النظام محرك التدريب لتحسين النموذج، ومحرك الترحيل لتوليد الأفعال بالسياسة الأحدث، بينما ينسق إطار التعزيز عمليات التدريب وجمع المسارات والمكافآت. وتُنفذ الأفعال داخل خدمة Sandbox، حيث يستضيف Blackbox Harness الوكيل وينسق تفاعله مع بيئة المهمة، من دون الحاجة إلى تعديل أطر العمل المدعومة.
نتائج الاختبارات والأداء
قارنت Liquid AI النموذج بنماذج يصل حجمها إلى أربعة أضعاف حجمه تقريباً، من بينها gemma-4-E2B-it وgemma-4-E4B-it وQwen3.5-4B وQwen3.5-9B. وكان LFM2.5-2.6B أصغر نموذج في المجموعة، لكنه تصدر جميع اختبارات اتباع التعليمات الواردة في المقارنة، كما تصدر اختبارات استخدام الأدوات باستثناء BFCLv4، الذي تفوق فيه Qwen3.5-9B عليه.
حقق النموذج 80.07 في اختبار Multi-IF، و85.49 في IFStruct، و77.83 في ToolSandbox، و62.85 في متوسط Claw-Eval باللغة الإنجليزية. وعلى مهام الوكلاء، تفوق على نموذجي Gemma وحافظ على أداء مماثل لنماذج Qwen، بينما ظلت النماذج الأكبر متقدمة بوضوح في البرمجة.
سرعة التشغيل والتوفر
يتوافق النموذج منذ اليوم الأول مع عدة أدوات للاستدلال، تشمل llama.cpp وMLX وvLLM وSGLang وONNX. وتقول الشركة إن سرعة التوليد على وحدة Apple M5 Max تبلغ 220 رمزاً في الثانية، وتصل إلى 113 رمزاً في الثانية على معالج AMD Ryzen AI Max+ 395، مع تشغيل النموذج في أقل من 2.5 غيغابايت من الذاكرة. كما تشير إلى إمكانية تشغيل وكلاء قادرين على الهاتف عند سرعة تبلغ 30 رمزاً في الثانية.
وعلى وحدات معالجة الرسومات، يصل النموذج إلى نحو 15 ألف رمز مخرَج في الثانية عند التزامن العالي، بما يعادل تقريباً 1.3 مليار رمز يومياً على وحدة H100 واحدة. ويمكن للمطورين تجربة عرض WebGPU في المتصفح، أو استخدام النموذج مع أطر عمل وكلاء محلية مثل OpenClaw وHermes Agent وPi، كما يتوفر عرض تجريبي لوكيل بحث يعمل على الجهاز.