Liquid AI、オンデバイス型エージェントモデル「LFM2.5-2.6B」を公開
本文の状態
日本語全文を表示中
詳細モードで約5分の本文を読めます。
Liquid AI はオンデバイスで動作するエージェントモデル「LFM2.5-2.6B」を公開し、128K のコンテキストとツール呼び出し機能を備えつつ、データが外部に流出しない形でローカル推論を実現した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月7日 13:40
AI深層分析
キーポイント
オンデバイス・エージェントモデルの公開
Liquid AI は 2.69B パラメータを持つ LFM2.5-2.6B をリリースし、スマートフォンやロボットなどあらゆるデバイス上で計画立案とツール呼び出しを完結させる能力を提供する。
プライバシーとコストの最適化
推論がローカル環境で完結するためデータが外部に流出せず、トークンごとの追加コストもほぼゼロとなるため、規制の厳しい分野やオフライン環境での利用に適している。
広範なデプロイメント対応
モデルは Hugging Face で公開され、GGUF や ONNX などの形式に対応しており、llama.cpp や vLLM といった主要推論フレームワークで即日利用可能である。
高度なアーキテクチャとトレーニング
34 トリリオントークンでの事前学習と、128K のコンテキスト長に対応する専用ミッドトレーニングを経て、ドメインごとの専門家モデルを活用した多段階ポストトレーニングが施されている。
ベンチマークでの高性能
LFM2.5-2.6BはToolSandboxやMulti-IFなどのツール使用および指示従事系ベンチで、同等以上のパラメータ数を持つgemma-4-E4B-itやQwen3.5-9Bを上回っている。
重要な引用
Because inference stays local, data never leaves the device and the marginal cost of each run is near zero.
Liquid AI reports tool-use and instruction-following scores competitive with models nearly four times its size.
Regulated and air-gapped settings benefit most, since no prompt reaches a third-party API.
It leads every instruction-following benchmark reported and nearly every tool use benchmark, trailing Qwen3.5-9B only on BFCLv4.
編集コメントを表示
編集コメント
オンデバイスでの高度なエージェント機能実現は、プライバシーとコストの両面で実用性を飛躍的に高める転換点となる。特に規制の厳しい業界やオフライン環境における AI 導入の新たな選択肢として注目される。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Liquid AI は、デバイス上で完結するエージェント型モデル「LFM2.5-2.6B」をリリースしました。このモデルは、スマートフォンやノート PC、デスクトップ PC、さらにはロボット上でも、計画立案からツール呼び出し、そして多段階タスクの遂行までを自律的に行います。
モデルのパラメータ数は 26.9 億（2.69B）、コンテキストウィンドウは 131,072 トークン、語彙サイズは 128,000 トークンです。事前学習には約 34 兆トークンを使用しました。提供されるチェックポイントは 2 つで、微調整用として「LFM2.5-2.6B-Base」と、エージェントワークロード用に事後学習を施した「LFM2.5-2.6B」です。
推論がローカル環境で行われるため、データはデバイス外に流出せず、1 回あたりの実行コストもほぼゼロで済みます。Liquid AI によると、このモデルのツール使用能力や指示従順性は、自身より約 4 倍大きいモデルと競合するレベルです。
導入可能か？
答えはイエスです。両方のチェックポイントは「lfm1.0」ライセンスの下、Hugging Face で一般公開されています。重みデータはネイティブ形式に加え、GGUF、MLX、ONNX の各フォーマットで提供され、llama.cpp、vLLM、SGLang、LM Studio に対応した当日サポートも用意されています。
どの企業が活用できるか？
ソロデベロッパーやスタートアップは、すでに保有するハードウェアでパイロット運用が可能です。例えば M5 Max では、2.5 GB のメモリ使用量で 1 秒あたり 220 トークンのデコード速度を達成できます。中堅企業チームなら、GPU を 1 台用意してセルフホスティングも可能です。NVIDIA H100 SXM5 1 枚で、1 日あたり約 13 億トークンを処理できます。大企業や OEM メーカーは、GGUF や ONNX 形式を通じて、デバイスファームウェアに同じ重みデータを展開できます。LoRA を用いた微調整も、TRL と Unsloth を経由して利用可能です。
Liquid AI が狙う業界は、自動車、家電、産業用ロボット、ヘルスケア、金融サービス、EC、防衛などです。規制が厳しく、外部ネットワークから切り離された環境ほど恩恵が大きく、プロンプトが第三者の API に送信される心配がありません。
活用シーンとしては、エージェントワークロード、ツール利用、データ抽出、RAG（検索拡張生成）、長文コンテキスト処理を推奨しています。具体的な実装例には、オンデバイス型アシスタント、128K 件以上の入力を扱うオフライン文書選別、フォームや請求書の情報抽出、ロボットの命令解析、トークン課金なしで常時稼働するバックグラウンドエージェントなどがあります。Liquid AI は、このモデルを「エージェントによるコーディング」や「知識依存度の高いタスク」には推奨していません。
アーキテクチャとトレーニング予算
LFM2.5-2.6B のパラメータ数は全 30 レイヤーで約 26.9 億。構成は、ダブルゲート付き短距離畳み込みブロックが 22 層、グループクエリアテンションブロックが 8 層です。語彙サイズは 128,000、コンテキスト長は 131,072 トークン。事前学習には約 34 兆トークンを使用しました。
Liquid AI は既存のトークナイザーを拡張して語彙を 128K に倍増させ、ゼロから再訓練するのではなくその場で対応しました。また、専用の中間トレーニングフェーズを経てコンテキスト長を 128K に延長しています。このモデルは 16 か国語に対応し、テキスト専用です。
4 つの段階でポストトレーニングを実施
ベースチェックポイントをエージェントとして機能させるには、以下の 4 ステージを経ます。
まず、LFM2.5-8B-A1B で使用された SFT（教師あり微調整）ミックスの約 7 倍規模を基に、連続して 2 回の SFT ラウンドを実施します。
次に、教師モデルの専門化です。各ドメインに 1 つのエキスパートを配置し、検証可能な報酬を用いた強化学習で訓練します。
3 つ目は、マルチドメインオンポリシー蒸留です。これは学生モデルが自らのポリシーでロールアウトを行い、各プロンプトを対応するドメインの教師へルーティングする手法です。
4 つ目は、Hermes Agent や OpenClaw といった実際の環境（ハネス）内で GRPO を用いたアジェンティック強化学習です。
ベンチマーク結果
Liquid AI は LFM2.5-2.6B を、gemma-4-E2B-it (5.1B)、gemma-4-E4B-it (8B)、Qwen3.5-4B (4.7B)、そして Qwen3.5-9B (9.7B) と比較しました。
- Benchmark：LFM2.5-2.6B / gemma-4-E4B-it / Qwen3.5-9B
- ToolSandbox：77.83 / 65.00 / 76.44
- Multi-IF：80.07 / 77.35 / 62.55
- IFStruct：85.49 / 76.65 / 78.50
- IFBench：59.17 / 39.24 / 56.47
- BFCLv4：56.88 / 46.39 / 60.13
LFM2.5-2.6B は、報告されているすべての指示従属ベンチマークで首位を走り、ツール使用に関するベンチマークのほとんどでも上位に位置しています。唯一 BFCLv4 のみで Qwen3.5-9B に劣っています。コーディング分野では、より大規模なモデルが依然として優位性を持っていますが、LFM2.5-2.6B は LiveCodeBenchv6 で 59.41 を記録し、Qwen3.5-9B の 69.86 に迫る結果を残しています。
インタラクティブな解説
主要ポイント
- パラメータ数は 26 億（2.69B）、層数は 30 層（短畳み込み 22 層＋GQA 8 層）。コンテキスト長は 128K、学習に使用したトークン数は約 34T です。
- ToolSandbox、Multi-IF、IFStruct の各ベンチマークで、gemma-4-E4B-it および Qwen3.5-9B を上回りました。
- M5 Max では秒間 220 トークン、スマートフォンでは秒間 30 トークンの推論速度を達成。メモリ使用量は 2.5 GB 未満です。
- lfm1.0 のライセンスの下でオープンウェイト公開されており、初日から GGUF、MLX、ONNX 形式に対応しています。
原文を表示
Liquid AI released LFM2.5-2.6B, an agentic model that runs entirely on-device. It plans, calls tools, and works through multi-step tasks on phones, laptops, PCs, and robots. The model has 2.69B total parameters, a 131,072-token context window, and a 128,000-token vocabulary. Pre-training used approximately 34 trillion tokens. Two checkpoints shipped: LFM2.5-2.6B-Base for fine-tuning, and LFM2.5-2.6B post-trained for agentic workloads. Because inference stays local, data never leaves the device and the marginal cost of each run is near zero. Liquid AI reports tool-use and instruction-following scores competitive with models nearly four times its size.
Is it deployable
The answer is Yes. Both checkpoints are public on Hugging Face under the lfm1.0 license. Weights ship in native, GGUF, MLX, and ONNX formats, with day-one support in llama.cpp, vLLM, SGLang, and LM Studio.
Which companies: Solo developers and startups can pilot on hardware they already own. The model decodes at 220 tokens/s on an M5 Max in under 2.5 GB. Mid-market teams can self-host on one GPU: a single NVIDIA H100 SXM5 serves roughly 1.3B tokens per day. Enterprises and OEMs can push the same weights to device fleets through GGUF and ONNX. Fine-tuning is available via LoRA with TRL and Unsloth.
Which industries: Liquid AI targets automotive, consumer electronics, industrial robotics, healthcare, financial services, e-commerce, and defense. Regulated and air-gapped settings benefit most, since no prompt reaches a third-party API.
Applications: Liquid AI recommends agentic workloads, tool use, data extraction, RAG, and long-context workflows. Practical builds include on-device assistants, offline document triage over 128K inputs, form and invoice extraction, robotics command parsing, and background agents that run continuously without per-token cost. Liquid AI explicitly does not recommend the model for agentic coding or knowledge-heavy tasks.
Architecture and training budget
LFM2.5-2.6B has 2.69B total parameters across 30 layers. The stack is 22 double-gated short convolution blocks plus 8 grouped-query attention blocks. Vocabulary size is 128,000 and context length is 131,072 tokens. Pre-training used approximately 34 trillion tokens.
Liquid AI doubled the vocabulary to 128K by extending the existing tokenizer in place rather than retraining from scratch. A dedicated mid-training phase extends context to 128K. The model covers 16 languages and is text-only.
Four-stage post-training
The base checkpoint becomes an agent through four stages.
First, two consecutive supervised fine-tuning rounds, with an SFT mix roughly seven times the size used for LFM2.5-8B-A1B.
Second, teacher specialization: one expert per domain, trained with reinforcement learning with verifiable rewards.
Third, multi-domain on-policy distillation, where the student rolls out under its own policy and each prompt routes to its domain teacher.
Fourth, agentic reinforcement learning with GRPO inside real harnesses, including Hermes Agent and OpenClaw.
Benchmarks
Liquid AI compared LFM2.5-2.6B against gemma-4-E2B-it (5.1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) and Qwen3.5-9B (9.7B).
BenchmarkLFM2.5-2.6Bgemma-4-E4B-itQwen3.5-9B
ToolSandbox77.8365.0076.44
Multi-IF80.0777.3562.55
IFStruct85.4976.6578.50
IFBench59.1739.2456.47
BFCLv456.8846.3960.13
It leads every instruction-following benchmark reported and nearly every tool use benchmark, trailing Qwen3.5-9B only on BFCLv4. Coding is where larger models keep an edge: LiveCodeBenchv6 is 59.41 versus 69.86 for Qwen3.5-9B.
Interactive explainer
Key Takeaways
2.69B params, 30 layers (22 short-conv + 8 GQA), 128K context, ~34T training tokens.
Beats gemma-4-E4B-it and Qwen3.5-9B on ToolSandbox, Multi-IF and IFStruct.
220 tok/s on M5 Max, 30 tok/s on phone, under 2.5 GB memory.
Open weights under lfm1.0, with GGUF, MLX and ONNX from day one.
Check out the Technical details, LFM2.5-2.6B, and LFM2.5-2.6B-Base. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
Need to partner with us for promoting your GitHub Repo OR Hugging Face Page OR Product Release OR Webinar etc.? Connect with us
The post Liquid AI Releases LFM2.5-2.6B: An On-Device Agentic Model With 128K Context, Tool Calling, And Open Weights appeared first on MarkTechPost.
同じ出来事を4媒体で確認
同じ出来事を扱う別媒体の記事です。見出しと公開時刻を比較できます。
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み