Liquid AI宣布在Hugging Face上提供LFM2.5-2.6B和LFM2.5-2.6B-Base模型，用于在设备本地运行人工智能智能体，而不是完全依赖云端推理。据该公司介绍，该模型支持工具调用和多步骤工作流，同时具备适合在笔记本电脑和手机上使用的规模与速度。
该版本面向需要大规模部署智能体的开发者，同时让数据保留在设备上，减少对云端推理费用的依赖。Liquid AI表示，该模型在工具使用、指令遵循和多步骤智能体任务方面，可与规模约为其四倍的模型竞争。
针对智能体任务的定制训练
LFM2.5-2.6B预训练使用了约34万亿个令牌，中间训练阶段将上下文窗口扩展至12.8万个令牌。随后，该模型经历了四个阶段，从基础模型转变为能够处理工具和连续任务的智能体。
- 有监督微调：进行了两轮训练，重点关注工具使用数据、网页搜索和智能体工作流。
- 教师模型专业化：针对数学、编程和工具使用等不同领域分别训练专业教师模型。
- 多领域蒸馏：将专业模型的能力迁移到一个模型中。
- 智能体强化训练：在实际智能体框架内进行多轮训练，使模型学会处理不同工具、系统提示和多步骤任务环境。
智能体强化训练系统将模型优化、推理和环境执行分开。该系统使用训练引擎优化模型，使用Rollout引擎通过最新策略生成动作，而强化框架则协调训练、轨迹收集和奖励流程。动作在Sandbox服务中执行，其中Blackbox Harness承载智能体并协调其与任务环境的交互，无需修改受支持的框架。
测试结果与性能
Liquid AI将该模型与规模约为其四倍的模型进行了比较，其中包括gemma-4-E2B-it、gemma-4-E4B-it、Qwen3.5-4B和Qwen3.5-9B。LFM2.5-2.6B是组内最小的模型，但在比较中列出的所有指令遵循测试中均排名第一；在工具使用测试中也全部领先，BFCLv4除外，在该测试中Qwen3.5-9B超过了它。
该模型在Multi-IF测试中获得80.07分，在IFStruct中获得85.49分，在ToolSandbox中获得77.83分，在英文Claw-Eval平均分中获得62.85分。在智能体任务上，它超过了两款Gemma模型，并保持了与Qwen模型相近的性能；而在编程方面，更大的模型仍明显领先。
运行速度与可用性
该模型从第一天起便兼容多种推理工具，包括llama.cpp、MLX、vLLM、SGLang和ONNX。公司表示，在Apple M5 Max上，其生成速度达到每秒220个令牌，在AMD Ryzen AI Max+ 395处理器上达到每秒113个令牌，同时模型运行所需内存低于2.5 GB。公司还指出，能够在手机上运行的智能体可达到每秒30个令牌的速度。
在图形处理器上，该模型在高并发条件下可达到约每秒1.5万个输出令牌，相当于单个H100每天约13亿个令牌。开发者可以在浏览器中试用WebGPU演示，也可以将该模型与OpenClaw、Hermes Agent和Pi等本地智能体框架结合使用；此外，还提供了一个在设备上运行的研究智能体演示。