Liquid AI lança LFM2.5-24B-A2B, modelo de peso aberto para agentes rápidos no dispositivo

A última peça de uma família que cobre duas ordens de grandeza

A Liquid AI fechou hoje sua família LFM2.5 com o LFM2.5-24B-A2B, um modelo de mistura de especialistas com 24 bilhões de parâmetros totais, mas apenas 2 bilhões ativos por token. É o maior integrante de uma família que vai de uma versão de 230 milhões de parâmetros pensada para wearables até esse topo de linha de 24B, todos de peso aberto e publicados direto no Hugging Face e no próprio Playground da empresa no mesmo dia.

Por que parâmetros ativos importam mais que o tamanho total

A proposta central da família LFM2.5 é que a maior parte dos 24 bilhões de parâmetros fica inativa para qualquer token específico, então o modelo roda com a velocidade e o consumo de memória próximos de um modelo de 2B enquanto aproveita o conhecimento de um bem maior. A Liquid AI construiu o modelo especificamente para cargas de trabalho agenticas que rodam localmente: chamadas de ferramenta, tarefas em várias etapas e raciocínio privado no próprio dispositivo, com janela de contexto de 131 mil tokens e raciocínio ativado por padrão, ou seja, ele pensa os passos antes de responder em vez de contestar de imediato.

O que muda para quem desenvolve

Tanto o modelo pós-treinado quanto seu checkpoint base, o LFM2.5-24B-A2B-Base, já estão disponíveis em formato Transformers padrão e em versões quantizadas GGUF, ONNX e MLX, o que significa que ele já roda em llama.cpp, vLLM, SGLang e na pilha MLX da Apple desde o primeiro dia. Segundo os próprios benchmarks da Liquid AI, o modelo empata em desempenho com o Qwen3.6-35B-A3B, um modelo consideravelmente maior, uma alegação de eficiência que vale a pena testar diretamente antes de confiar nela para um pipeline de agentes em produção.

Os limites que valem a pena lembrar

Esses são números de benchmark da própria Liquid AI; ainda não existe avaliação independente de terceiros comparando o LFM2.5-24B-A2B com o Qwen3.6-35B-A3B ou outros agentes de peso aberto sob o mesmo critério de teste. A Liquid AI é um laboratório bem menor que os grandes nomes de fronteira, então testes da comunidade, estabilidade de longo prazo e precisão real de chamadas de ferramenta ainda vão levar tempo para aparecer. Rodar um MoE de 24B localmente ainda exige uma GPU razoavelmente capaz ou uma máquina com chip Apple Silicon, mesmo com versões quantizadas, então o uso no próprio dispositivo não é automático para qualquer classe de aparelho.

A leitura do MaxAssistant

Esse é um lançamento CONFIRMADO: o próprio blog da Liquid AI afirma isso sem rodeios, e os pesos já estão no ar no Hugging Face agora mesmo, o que é tão primário quanto uma fonte pode ser. A pergunta em aberto não é se o modelo saiu, é se ele se sustenta fora da própria suíte de benchmarks da Liquid AI. Para quem busca agentes privados e locais sem fatura de API de fronteira, vale um teste de verdade; para quem precisa de raciocínio de ponta garantido hoje, ele é candidato a acompanhar, ainda não escolha padrão.