Liquid AI выпустила LFM2.5-350M: эффективная модель на 350M параметров с масштабным RL

31 марта 2026 года компания Liquid AI выпустила модель LFM2.5-350M — компактную языковую модель на 350 млн параметров, дополнительно обученную на расширенном корпусе данных и большом объёме обучения с подкреплением (reinforcement learning). Как рассказало издание MarkTechPost, релиз бросает вызов устоявшемуся в генеративном ИИ правилу scaling laws — представлению о том, что больше параметров почти всегда означает больше «интеллекта» модели.

Зачем бросать вызов scaling laws

Последние несколько лет индустрия больших языковых моделей развивалась в основном по одному и тому же сценарию: чтобы получить более способную модель, нужно увеличить количество параметров, объём обучающих данных и вычислительные ресурсы. Эта логика — так называемые scaling laws — легла в основу гонки за созданием всё более крупных флагманских моделей у ведущих лабораторий. Проблема в том, что модели с сотнями миллиардов параметров дороги в обучении и в эксплуатации: их сложно запускать локально, на устройствах с ограниченными ресурсами или там, где важна низкая задержка ответа.

Liquid AI позиционирует LFM2.5-350M не как попытку конкурировать с флагманскими моделями по абсолютному размеру, а как технический кейс-стади по «плотности интеллекта» (intelligence density) — то есть по тому, сколько полезных способностей можно упаковать в модель фиксированного, сравнительно небольшого размера параметров, если вложиться не в масштаб, а в качество и объём последующего обучения.

Что изменилось в обучении модели

Главные технические рычаги, за счёт которых Liquid AI добивается роста возможностей модели без увеличения числа параметров, — это дополнительное предобучение и масштабное обучение с подкреплением. Объём данных для предобучения вырос почти втрое: с 10 трлн до 28 трлн токенов. Такое увеличение обучающего корпуса при неизменном размере модели — это прямая ставка на то, что модель фиксированной ёмкости можно «дообучить» плотнее, извлекая из большего объёма текста больше полезных закономерностей, чем удавалось раньше при меньшем количестве данных.

Ключевые параметры релиза:

• Название модели — LFM2.5-350M
• Размер — 350 млн параметров
• Объём предобучающих данных — вырос с 10 трлн до 28 трлн токенов
• Дополнительный этап — масштабное обучение с подкреплением (large-scale reinforcement learning)
• Позиционирование — технический кейс-стади по «плотности интеллекта», а не попытка побить рекорд по размеру модели

Само название модели — LFM2.5-350M — сразу фиксирует её ключевую характеристику: 350 миллионов параметров на несколько порядков меньше, чем у современных флагманских моделей с десятками и сотнями миллиардов параметров. Именно этот контраст и делает релиз интересным технически: Liquid AI не пытается скрыть скромный размер модели, а, наоборот, выносит его в название как отправную точку эксперимента — сколько возможностей можно извлечь из фиксированно малого количества параметров за счёт более длительного и качественного обучения.

Второй рычаг — масштабное reinforcement learning, применённое поверх расширенного предобучения. Если предобучение в первую очередь насыщает модель широкими знаниями о языке и мире, то RL-этап обычно используется для того, чтобы направить поведение модели к более полезным, точным и управляемым ответам — именно этот этап в последние годы стал ключевым способом повышать качество моделей без увеличения их размера.

Почему компактные модели снова в центре внимания

Релиз LFM2.5-350M вписывается в более широкий тренд 2026 года: параллельно с гонкой за самыми крупными флагманскими моделями идёт отдельная гонка за максимально способными компактными моделями, которые можно запускать на телефонах, ноутбуках, встроенных устройствах и в средах с ограниченными вычислительными ресурсами — без обращения к облачному API. Для разработчиков это означает более низкую стоимость инференса, работу офлайн и меньшую задержку ответа, что критично для приложений реального времени.

Если подход Liquid AI подтвердится на практике — то есть если модель на 350 млн параметров действительно будет демонстрировать возможности, ранее доступные только куда более крупным моделям, — это станет аргументом в пользу того, что дальнейший прогресс в ИИ не обязательно требует бесконечного роста числа параметров, а может достигаться за счёт более качественного и продолжительного обучения уже существующих архитектур.