Liquid AI 发布 LFM2.5-24B-A2B：240 亿参数仅激活 20 亿，把智能体放到本地

Liquid AI 于 10 月 13 日在 Hugging Face 博客发布 LFM2.5-24B-A2B，一款总参数 240 亿、每 token 仅激活 20 亿参数的推理模型，定位是在本地设备上运行快速、私密的智能体。官方称它会在给出答案前先思考，能够调用工具，并在主流智能体框架中完成多步任务。

因为每个 token 只激活 2B 参数，每一个推理 token 的算力成本都很低，用户可以长期在自己的硬件上持续运行智能体，而不必把请求发往云端。隐私与成本这两个问题因此同时得到缓解。

在智能体与工具调用任务上，Liquid AI 称该模型与总参数、激活参数都高出约 50% 的 Qwen3.6-35B-A3B 处于同一水平，并在 LiveClaw 上取得 48.09 分，对手为 38.19 分。推理效率方面，官方给出的数据是：在 Apple M5 Max 上达到 184 tok/s，在单张 NVIDIA B300 GPU 上输出速度最高可达 21K tok/s。

架构上，LFM2.5-24B-A2B 沿用了前代 LFM2-24B-A2B 的设计：40 层、每个 MoE 区块 64 个专家、top-4 路由，并采用门控短卷积与 GQA 的混合结构。主要变化是上下文窗口从 32K 扩展到 131K，并通过原地词表扩展把词表从 65K 翻倍到 128K，改善非拉丁语系的切词效果。

与前代不同，这一版是纯推理模型，会先输出显式的思维链再给出最终答案。预训练规模从约 17T token 提升到约 33T；中期训练在 32K 上下文上追加 2T token，侧重推理、数学、代码、指令跟随和多语言，再在 131K 上下文上追加 300B token，侧重长上下文数据。

后训练分五个阶段把基座模型变成智能体：监督微调、教师专门化、非智能体的多领域在线策略蒸馏（MOPD）、面向智能体任务的第二阶段 MOPD，以及直接在 OpenClaw、Hermes Agent、Pi、OpenCode 等智能体框架内进行的智能体强化学习。

值得关注的是，Liquid AI 把智能体强化学习放进真实 harness 里训练，这与业界把模型能力与工具环境一起打磨的趋势一致。模型权重已在 Hugging Face 开放，本地部署与隐私敏感场景的团队可以自行测试其在长上下文、多步工具调用上的表现。