Liquid AI 發布 LFM2.5-2.6B 邊緣代理模型，2.5 GB 記憶體即可在裝置端執行，指令遵循與工具呼叫勝過多數 4 倍大模型

Liquid AI 發布 LFM2.5-2.6B，一款專為邊緣裝置設計的 2.6B 參數代理模型，目標是在記憶體不到 2.5 GB 的環境中執行多步驟代理任務。模型以約 34T token 預訓練，中期訓練階段將上下文視窗擴展至 128K。 後訓練分為四個階段：兩輪以代理資料（工具呼叫、網路搜尋、harness 軌跡）為重點的監督式微調（SFT）；針對數學、程式、工具呼叫等領域各訓練一個專家教師模型；透過多領域策略蒸餾（MOPD）將專家教師合併為單一學生模型；最後在 OpenClaw、Hermes Agent 等真實代理 harness 中執行多輪強化學習（Agentic RL），讓模型在不同工具、系統提示與多輪任務環境中學習。Agentic RL 管線將模型最佳化、推論與環境執行拆為獨立元件，透過 Harness Proxy 將代理 harness 視為黑盒，無須修改即可透明擷取 token 級軌跡供訓練使用。 基準測試將 LFM2.5-2.6B 與最大達約 4 倍參數的模型比較。在指令遵循方面，LFM2.5-2.6B 在 IFBench（59.17）、Multi-IF（80.07）、IFStruct（85.49）三項均為最高，分別超越 Qwen3.5-9B（9.7B）的 56.47、62.55、78.50。工具呼叫方面，ToolSandbox 得分 77.83 領先所有對手，BFCLv4 得分 56.88 僅落後 Qwen3.5-9B 的 60.13。代理任務上，τ³-Bench Banking（5.67）與 BrowseComp+（26.89）均為最高或接近最高，Claw-Eval 英文平均 62.85 略低於 Qwen3.5-9B 的 66.53。AIME25 數學得分 51.87，僅次於 Qwen3.5-9B 的 56.07。程式碼（LiveCodeBenchv6 為 59.41）是較明顯落後大模型的領域，gemma-4-E4B-it（8B）達 63.77，Qwen3.5-9B 達 69.86。 推論效能方面，LFM2.5-2.6B 在 Apple M5 Max CPU 上解碼速度達 220 tok/s，AMD Ryzen AI Max+ 395 上為 113 tok/s，手機端約 30 tok/s。GPU 端在高併發下達近 15K 輸出 token/s，單張 H100 約可日產 13 億 token。模型首日即支援 llama.cpp、MLX、vLLM、SGLang 與 ONNX，相容 transformers>=5.0.0。LFM2.5-2.6B 與 LFM2.5-2.6B-Base 均已在 Hugging Face 開放下載，並提供 WebGPU 瀏覽器示範。