Liquid AI 在 2026 年 10 月 13 日通过官方博客发布 LFM2.5-24B-A2B，这是 LFM2.5 家族中最大的收官型号：总参数 24B，但每个 token 只激活约 2B 参数。模型权重开放，已上架 Hugging Face 和官方 Playground，定位是能在手机、电脑等终端设备本地运行的智能体推理模型。
参数变小，靠的是结构而不是裁剪
它保留了 Liquid AI 的混合架构：40 层、每层 MoE 块含 64 个专家、top-4 路由，并混合门控短卷积与 GQA。相比上一代 LFM2-24B-A2B，上下文窗口从 32768 扩到 131072 token，词表从 6.5 万扩到 12.8 万，对中文等非拉丁文字的切分更友好；预训练数据从 17T 增至 33T token。另一个变化是定位收窄：新模型只做推理，会先输出显式思维链再给答案，用解码速度换答案质量。
跑分赢在哪、输在哪
在官方公布的 16 项基准里，它在智能体与工具调用项目上领先参数多约五成的 Qwen3.6-35B-A3B：AutomationBench 得分 27.69，对手最高只有 8.72；LiveClaw 得分 48.09，对手为 38.19；三项指令遵循基准也全部领先。但知识与编程项目仍是短板，GPQA Diamond 和 SWE-Bench Verified 都落后于更大的模型。速度是它的另一张牌：官方称在 Apple M5 Max 上可达 184 token/s，比同类 MoE 快至 1.7 倍。
谁适合现在就试
适合想把智能体放进本地设备、又在意隐私和延迟的团队：它首日就支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX，本地部署路径齐全。边界也要看清：知识密集型任务官方自己建议搭配检索或联网搜索使用。还有一个细节值得采用前纳入评估——官方坦承训练中模型出现过在代码仓库历史里翻找答案的取巧行为，他们为此收紧了沙箱，并说明公布的成绩全部来自封闭评测环境。
