Im Jahr 2026 präsentiert Liquid AI eine bahnbrechende Innovation in der Welt der Künstlichen Intelligenz: Das LFM2.5-2.6B, ein agentisches Modell, das vollständig auf Geräten betrieben wird. Dieses Modell ist in der Lage, Werkzeuge zu verwenden, Aufgaben zu planen und auf unterschiedliche multistufige Herausforderungen auf Smartphones, Laptops, PCs und sogar Robotern zu reagieren. Mit beeindruckenden 2,69 Milliarden Gesamtparametern, einem Kontextfenster von 131.072 Tokens und einem Wortschatz von 128.000 Tokens bietet LFM2.5-2.6B eine Fülle von Möglichkeiten für Entwickler, die von der Echtzeitverarbeitung und den enormen Datenmengen ihrer Geräte profitieren möchten.
Das Potenzial von LFM2.5-2.6B
Liquid AI hat dieses Modell mit etwa 34 Billionen Tokens vorab trainiert, was eine tiefe und umfassende Sprachverarbeitung ermöglicht. Die Verfügbarkeit dieses Modells als lokale Lösung gewährleistet nicht nur Sicherheit, da keine Daten das Gerät verlassen, sondern reduziert auch die marginalen Kosten für jeden Lauf auf nahezu Null. Liquid AI hebt hervor, dass die Leistungswerte in Bezug auf Werkzeugnutzung und Befehlsverarbeitung mit Modellen konkurrieren, die fast viermal so groß sind.
Einsatzmöglichkeiten und Anwendungsfälle
Ist LFM2.5-2.6B einsetzbar?
Ja, das Modell ist sowohl für Solo-Entwickler als auch für Startups zugänglich. Beide Checkpoints sind öffentlich auf Hugging Face unter der lfm1.0 Lizenz verfügbar. Die Gewichte werden in mehreren nativen Formaten wie GGUF, MLX und ONNX angeboten, wodurch die Integration in bestehende Systeme erheblich erleichtert wird.
Zielgruppen
Liquid AI richtet sich an verschiedene Branchen wie:
- Automotive
- Verbraucherelektronik
- Industrielle Robotik
- Gesundheitswesen
- Finanzdienstleistungen
- E-Commerce
- Verteidigung
Diese Sektoren profitieren besonders von den Vorteilen des Modells, da die Verarbeitung lokal erfolgt und keine Anfragen an Dritte gesendet werden müssen.
Typische Anwendungen
Das Modell ist ideal für agentische Arbeitslasten und kann in verschiedenen Anwendungen eingesetzt werden, darunter:
- On-Device-Assistenten, die unabhängig vom Internet agieren können.
- Offline-Dokumentenbearbeitung mit mehr als 128.000 Eingaben.
- Extraktion von Formularen und Rechnungen sowie das Parsen von Roboterbefehlen.
Da Liquid AI sorgfältig auf die Nichteignung des Modells für agentisches Codieren oder wissensintensive Aufgaben hinweist, sind Entwickler gut beraten, sich auf die umfassenden Möglichkeiten der Datenverarbeitung und der Toolnutzung zu konzentrieren.
Architektur und Trainingsbudget
Das LFM2.5-2.6B Modell umfasst 30 Schichten, die sich aus 22 doppelt-gated Short Convolution Blocks und 8 Gruppenabfragen (GQA) zusammensetzen. Die Verdopplung des Wortschatzes auf 128.000 Tokens erfolgte nicht durch komplettes Retraining, sondern durch die Erweiterung des bestehenden Tokenizers. Um die Kontextlänge auf 128K zu erhöhen, hat Liquid AI eine spezialisierte Mid-Training-Phase implementiert, die sicherstellt, dass das Modell effizient in der Verarbeitung von mehrsprachigen Daten ist.
Post-Training-Phasen
Um das Basismodell zu einem vollwertigen Agenten zu entwickeln, durchläuft das LFM2.5-2.6B vier Post-Training-Stufen:
- Supervised Fine-Tuning: Zunächst finden zwei aufeinanderfolgende Runden des überwachten Fine-Tunings statt. Diese Trainingsdaten sind ungefähr siebenmal umfangreicher als die für die vorherige Modellreihe LFM2.5-8B-A1B.
- Lehrer-Spezialisierung: Jede Domäne wird von einem spezialisierten Experten mit Verstärkungslernen trainiert, um nachvollziehbare Belohnungen zu fördern.
- Multi-Domain On-Policy Distillation: Hierbei führt der Student Ausgaben unter seiner eigenen Politik durch, wobei jede Anfrage an den jeweiligen Domänenlehrer weitergeleitet wird.
- Agentic Reinforcement Learning: In dieser Stufe wird das Lernen des Agenten in realen Umgebungen durch die Verwendung von Modellen wie dem Hermes Agent und OpenClaw verbessert.
Benchmarks und Leistung
Liquid AI hat LFM2.5-2.6B im Vergleich zu anderen hochkarätigen Modellen wie gemma-4-E2B-it und Qwen3.5-9B getestet. Die Ergebnisse zeigen, dass LFM2.5-2.6B in den meisten Instruktionsfolgebewertungen und fast allen Werkzeugbenutzungsbenchmarks überlegen ist.
| 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 |
Schlussfolgerungen
Die Einführung des LFM2.5-2.6B Modells durch Liquid AI markiert einen bedeutenden Schritt in der Entwicklung von agentischen Modellen, die sowohl sicher als auch leistungsstark sind. Mit seinen 2,69 Milliarden Parametern, einer Kontextlänge von 128K und einer schnellen Dekodierungsrate von 220 Tokens pro Sekunde auf einem M5 Max zeigt dieses Modell großes Potenzial für eine Vielzahl von Anwendungen und Branchen.
Liquid AI hat von Anfang an für Offenheit gesorgt, indem es die Gewichte unter der lfm1.0-Lizenz zur Verfügung stellt.
Für weitere technische Informationen und Details zu den genauen Spezifikationen kannst du die Technischen Details, das LFM2.5-2.6B und LFM2.5-2.6B-Base besuchen.
Quelle: MarkTechPost
