Liquid AI lance LFM2.5-24B-A2B : un agent à 2B paramètres actifs

Liquid AI a publié LFM2.5-24B-A2B : un modèle de raisonnement ouvert de 24 milliards de paramètres, dont seulement 2 milliards travaillent à chaque token. L'entreprise parie sur des agents qui tournent sur leur propre matériel en continu, et non à la demande. Le modèle surpasse des concurrents plus gros sur les tâches de tool use, atteint 184 tok/s sur Apple M5 Max et plus de 21 000 tokens de sortie par seconde sur une seule NVIDIA B300. Les poids, y compris ceux de la version de base, sont déjà disponibles sur Hugging Face.

Pourquoi 2B paramètres actifs changent l'économie d'un agent

Un agent ne répond pas en une seule réplique. Il réfléchit, appelle un outil, lit le résultat, puis réfléchit de nouveau. Une seule tâche consomme des milliers de tokens de raisonnement, et c'est leur coût qui détermine s'il est envisageable de garder l'agent allumé en permanence. Avec un MoE à 2B paramètres actifs, chaque token coûte autant qu'avec un petit modèle dense, tandis que la capacité de connaissances reste celle d'un modèle de 24B.

L'architecture est héritée de LFM2-24B-A2B : 40 couches, 64 experts par bloc MoE avec routage top-4, et un hybride de convolutions courtes à porte et de GQA. Ce sont d'autres éléments qui ont changé. Le contexte passe de 32K à 131K tokens, et le vocabulaire double, de 65K à 128K, pour mieux tokeniser les langues non latines. Le modèle est désormais reasoning-only : contrairement à son prédécesseur, il produit toujours une chaîne de raisonnement explicite avant sa réponse.

Comment elle a été entraînée : 33T tokens et cinq étapes

Le préentraînement passe de ~17T à ~33T tokens. Vient ensuite le mid-training : 2T tokens sur un contexte de 32K, axés sur le raisonnement, les mathématiques, le code, le suivi d'instructions et les données multilingues, puis 300B tokens sur 131K, axés sur le contexte long. Les appels d'outils et les trajectoires multi-tours sont présents dans les deux phases.

Le post-entraînement transforme le modèle de base en agent en cinq étapes :

• supervised fine-tuning (SFT) ;
• spécialisation des modèles enseignants ;
• multi-domain on-policy distillation (MOPD) sur des tâches non agentiques ;
• MOPD sur des tâches agentiques ;
• agentic RL au sein de vrais harnais : OpenClaw, Hermes Agent, Pi et OpenCode.

Entraîner le modèle directement dans les harnais où il fonctionnera ensuite supprime l'écart habituel entre benchmark et usage réel.

Où le modèle gagne, où il perd

Liquid AI a comparé son modèle à Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it et Nemotron-3.5-Lightning (30B-A3B) sur 16 benchmarks, tous les tests étant exécutés via vLLM. Principaux résultats de LFM2.5-24B-A2B (entre parenthèses, Qwen3.6-35B-A3B) :

• AutomationBench : 27,69 (8,72), soit plus de trois fois le score du concurrent le plus proche ;
• 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).

Les concurrents sont meilleurs sur les connaissances et le code. GPQA Diamond : 74,42 contre 83,69 pour Qwen. SWE-Bench Verified (OpenCode) : 51,00 contre 66,20 pour Qwen et 53,40 pour Nemotron. PinchBench : 83,18 contre 89,93. WebArena Verified : 26,75 contre 37,62. SciCode : 32,71 contre 37,35. Sur HLE, le modèle obtient 7,40, et sur AA-Omniscience moins 24,90. Liquid AI recommande elle-même de brancher du retrieval ou une recherche web pour les tâches qui exigent des connaissances.

Vitesse et déploiement en local

Sur Apple M5 Max, le modèle décode 184 tok/s ; sur Ryzen AI Max+ 395, 114 tok/s. C'est jusqu'à 1,7 fois plus vite que le MoE comparé le plus proche, avec une consommation mémoire minimale. Sur GPU à forte concurrence, une seule B300 produit plus de 21 000 tokens de sortie par seconde, le meilleur résultat de sa catégorie.

La prise en charge est assurée dès le premier jour dans llama.cpp, MLX, vLLM, SGLang et ONNX. Pour transformers, il faut la version 5.0.0 ou une version ultérieure. Le scénario pratique : déployer le modèle derrière n'importe quel backend compatible OpenAI et y connecter le harnais. Les ports dépendent du serveur : 8080 pour llama.cpp et MLX, 8000 pour vLLM, 30000 pour SGLang, 1234 pour LM Studio. Pour Hermes Agent, quelques commandes hermes config set suffisent, avec base_url, context_length 131072 et tool_use_enforcement activé.

Ce qu'il faut retenir pour un développeur : si la tâche se résume à des appels d'outils, de l'automatisation et un suivi strict des instructions, un modèle local à 2B paramètres actifs rivalise déjà avec des MoE plus gros, sans envoyer de données dans le cloud. Pour le codage complexe et les questions encyclopédiques, mieux vaut pour l'instant choisir un modèle plus grand ou ajouter une recherche externe. Les deux versions, la standard et Base, sont ouvertes au fine-tuning pour des besoins spécifiques.