Liquid AI تطلق LFM2.5-24B-A2B: وكيل ذكي بمعاملات نشطة لا تتجاوز 2B

أطلقت Liquid AI نموذج LFM2.5-24B-A2B، وهو نموذج استدلال (reasoning) مفتوح بحجم 24 مليار معامل، يعمل منها 2 مليار فقط لكل توكن. تراهن الشركة على وكلاء يعملون على عتادهم الخاص على مدار الساعة، لا عند الطلب فحسب. يتفوّق النموذج على منافسين أكبر منه في مهام tool use، ويولّد 184 توكن/ثانية على Apple M5 Max، وأكثر من 21 ألف توكن إخراج في الثانية على وحدة NVIDIA B300 واحدة. الأوزان، بما فيها النسخة الأساسية، متاحة بالفعل على Hugging Face.

لماذا تغيّر 2B معامل نشط اقتصاديات الوكيل

الوكيل لا يجيب بردّ واحد. إنه يفكّر، ويستدعي أداة، ويقرأ النتيجة، ثم يفكّر من جديد. تستهلك المهمة الواحدة آلاف التوكنات من الاستدلال، وتكلفتها هي التي تحدد إن كان بالإمكان إبقاء الوكيل قيد التشغيل باستمرار. في نموذج MoE بـ 2B معامل نشط، تكلفة كل توكن كتكلفة نموذج كثيف صغير، بينما تعادل سعة المعرفة سعة نموذج بحجم 24B.

البنية موروثة من LFM2-24B-A2B: 40 طبقة، و64 خبيرًا في كل كتلة MoE مع توجيه top-4، وتركيبة هجينة من الالتفافات القصيرة المبوَّبة (gated short convolutions) وGQA. أما ما تغيّر فهو أمر آخر. فقد ارتفع السياق من 32K إلى 131K توكن، وتضاعف المعجم من 65K إلى 128K لتحسين تقطيع اللغات غير اللاتينية. وأصبح النموذج reasoning-only، أي أنه يُخرج دائمًا سلسلة استدلال صريحة قبل الإجابة، بخلاف سلفه.

كيف جرى تدريبه: 33T توكن وخمس مراحل

ارتفع حجم التدريب المسبق من ~17T إلى ~33T توكن. تلي ذلك مرحلة mid-training: 2T توكن على سياق 32K مع تركيز على الاستدلال والرياضيات والبرمجة واتباع التعليمات والبيانات متعددة اللغات، و300B توكن على سياق 131K مع تركيز على السياق الطويل. ويحضر استدعاء الأدوات والمسارات متعددة الجولات في المرحلتين معًا.

يحوّل التدريب اللاحق النموذج الأساسي إلى وكيل عبر خمس مراحل:

• supervised fine-tuning (SFT)؛
• تخصيص المعلّمين؛
• multi-domain on-policy distillation (MOPD) على المهام غير الوكيلية؛
• MOPD على المهام الوكيلية؛
• agentic RL داخل بيئات حقيقية: OpenClaw وHermes Agent وPi وOpenCode.

التدريب مباشرةً داخل بيئات التشغيل (harnesses) نفسها التي سيعمل فيها النموذج لاحقًا يزيل الفجوة المعتادة بين نتائج الاختبارات المعيارية والاستخدام العملي.

أين يتفوّق النموذج وأين يتراجع

قارنت Liquid AI النموذج بكل من Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning (30B-A3B) على 16 اختبارًا معياريًا، وجرت جميع التشغيلات عبر vLLM. أبرز نتائج LFM2.5-24B-A2B (وبين القوسين نتيجة Qwen3.6-35B-A3B):

• AutomationBench: 27.69 (8.72)، أي أكثر من ثلاثة أضعاف أقرب منافس؛
• BFCLv4: 65.01 (65.00)؛
• ToolSandbox: 80.71 (75.02)؛
• LiveClaw: 48.09 (38.19)؛
• τ³-Bench Banking: 8.04 (7.63)؛
• IFEval: 96.75 (93.06)؛ IFBench: 74.69 (64.21)؛ Multi-IF: 84.38 (81.53)؛
• MATH-500: 96.04 (96.73).

يتقدّم المنافسون في المعرفة والبرمجة. في GPQA Diamond حقق النموذج 74.42 مقابل 83.69 لدى Qwen. وفي SWE-Bench Verified (OpenCode): 51.00 مقابل 66.20 لدى Qwen و53.40 لدى Nemotron. وفي PinchBench: 83.18 مقابل 89.93. وفي WebArena Verified: 26.75 مقابل 37.62. وفي SciCode: 32.71 مقابل 37.35. أما في HLE فنتيجة النموذج 7.40، وفي AA-Omniscience ناقص 24.90. وتنصح Liquid AI نفسها بربط النموذج بـ retrieval أو بحث الويب في المهام التي تتطلب معرفة.

السرعة وكيفية التشغيل محليًا

على Apple M5 Max يفكّ النموذج الترميز بسرعة 184 توكن/ثانية، وعلى Ryzen AI Max+ 395 بسرعة 114 توكن/ثانية. وهذا أسرع بما يصل إلى 1.7 مرة من أقرب نموذج MoE في المقارنة، مع الحد الأدنى من استهلاك الذاكرة. وعلى وحدات GPU عند التزامن العالي، تولّد وحدة B300 واحدة أكثر من 21 ألف توكن إخراج في الثانية، وهي أفضل نتيجة في فئتها.

الدعم متوفر منذ اليوم الأول في llama.cpp وMLX وvLLM وSGLang وONNX. أما transformers فتتطلب الإصدار 5.0.0 أو أحدث. السيناريو العملي هو تشغيل النموذج خلف أي خادم خلفي متوافق مع OpenAI، ثم توجيه بيئة الوكيل (harness) إليه. تختلف المنافذ بحسب الخادم: 8080 في llama.cpp وMLX، و8000 في vLLM، و30000 في SGLang، و1234 في LM Studio. ويكفي لإعداد Hermes Agent بضعة أوامر hermes config set مع base_url وcontext_length 131072 مع تفعيل tool_use_enforcement.

الخلاصة للمطوّر: إذا كانت المهمة تقتصر على استدعاء الأدوات والأتمتة والالتزام الصارم بالتعليمات، فإن نموذجًا محليًا بـ 2B معامل نشط ينافس اليوم نماذج MoE أكبر منه، دون إرسال البيانات إلى السحابة. أما للبرمجة المعقدة والأسئلة الموسوعية فالأفضل حاليًا اختيار نموذج أكبر أو إضافة بحث خارجي. النسختان، العادية وBase، مفتوحتان للتدريب الإضافي (fine-tuning) وفق احتياجاتك.