LFM2.5-24B-A2B

13 октября Liquid AI представила LFM2.5-24B-A2B как модель для задач, где локальный агент должен рассуждать, обращаться к инструментам и выполнять несколько шагов. В названии зафиксированы два масштаба: около 24 млрд параметров в целом и около 2,45 млрд активных параметров при обработке токена по карточке разработчика. Это архитектура mixture of experts, а не обычная модель размером 2 млрд параметров. Файл весов и требования к размещению всё равно определяются общим объёмом. Обещание «локально» нельзя переводить в «запустится на любом телефоне»: устройство, квантование и выбранный движок имеют решающее значение.

Модель текстовая. Она не принимает изображение как полноценный визуальный вход и не генерирует картинку. Её назначение — текстовый диалог, задачи с инструментами, код и цепочки действий в подходящем агентном окружении. Разработчик сообщает о контексте 131 072 токена, поддержке шестнадцати языков, включая русский, и доступности нескольких форматов для разных движков. Все эти свойства требуют проверки на вашем сценарии. Большое окно контекста не означает, что любой фрагмент длинного документа будет найден без ошибки.

В выпущенной карточке указаны 40 слоёв, из которых 30 используют короткие свёрточные блоки, а 10 — grouped-query attention. В MoE-блоке описаны 64 эксперта и выбор четырёх. Пользователю не обязательно помнить архитектурные числа, но полезно понимать, почему скорость может отличаться от плотной модели схожего общего размера. При этом быстрота декодирования не равна качеству решения. Агент может выдавать токены быстро и всё равно выбрать неверную команду или неправильно истолковать файл.

Заявленные разработчиком бенчмарки на агентных задачах и скорости следует читать как результаты конкретных стендов. Например, опубликованная скорость на Apple M5 Max и NVIDIA B300 относится к указанному железу и настройкам. Она не описывает ваш ноутбук. Откройте карточку весов и зафиксируйте точную версию сборки, используемый формат, устройство, размер контекста и параметры генерации. Если тестируете квантованную GGUF-версию, не приписывайте её результат исходному полноточному файлу. Сравнение по чужой презентации здесь особенно ненадёжно.

Первый контрольный набор для агента можно составить из пяти безопасных задач: извлечь поле из локального текстового файла, сопоставить две записи, предложить план без выполнения, вызвать тестовый инструмент и сообщить, чего не удалось сделать. Рядом храните ожидаемое действие и допустимые границы. Не начинайте с доступа к рабочей базе или реальной почте. Если модель уверенно сообщает «готово», проверьте, появился ли нужный файл и совпадает ли результат с условием. Для такой проверки полезны критерии из [гайда по границам агента](/article/gayd-kak-zadat-granicy-agentu-20260925/): подготовка, действие и подтверждение должны быть разделены.

Отдельно оцените русский язык на своих примерах. Поддержка языка в карточке не означает одинаковую точность при склонении имён, обработке разговорных инструкций и работе с юридическими формулировками. Попросите модель не менять собственные имена и числа, затем сравните выход с контрольным ответом. Если агент использует внешние инструменты, иногда ошибка возникает не в языковой модели, а в переданных параметрах вызова. Журнал должен показывать запрос к инструменту и его ответ, чтобы исправление было воспроизводимым.

Разработчик выпустил также базовый checkpoint, но его не стоит путать с готовой диалоговой версией. Base предназначен прежде всего для дообучения; обычному пользователю для чат-сценариев ближе постобученный вариант. Файлы FP8, GGUF и MLX — форматы представления или оптимизации той же линии, а не автоматически новые семейства моделей. При выборе реализации учитывайте лицензию lfm1.0 и проверяйте её условия для своего использования, вместо предположения, что «открытые веса» равны отсутствию требований.

Если нужна приватность, локальный сервер может сократить передачу содержимого запросов в чужое облако. Но агентное окружение часто само подключает поиск, браузер или плагины. Проследите полный маршрут данных и разрешения каждого инструмента. Советы из [гайда по Llama Windows](/article/gayd-lokalnyy-chat-windows-llama-windows-20261014-b2/) помогают запустить оболочку, но не заменяют политики доступа к файлам. Для многопользовательской системы добавьте журнал версий, контроль внешних вызовов и ручное подтверждение значимых операций.

Редакционный вывод: LFM2.5-24B-A2B интересна сочетанием MoE-архитектуры и ориентации на локальных агентов. Оценивать её следует не только по скорости ответа, но и по проценту правильных действий на ваших задачах, памяти, лицензии и возможности остановить ошибочную операцию. Если работа сводится к поиску фрагмента в архиве, агентная модель может быть избыточной: [сравнение текстового и смыслового поиска](/article/sravnenie-poisk-po-slovam-i-embeddingam-v-arhive-20261014-b2/) показывает более простой маршрут.

Частый вопрос — можно ли использовать модель без оплаты API. Открытые веса доступны, но собственные вычисления и настройка стоят ресурсов. Второй вопрос — работает ли она на русском: язык заявлен, но качество нужно проверить на своём наборе. Третий — заменит ли она человека в агентной цепочке: нет, критические действия и факты должны быть проверяемыми до и после выполнения.