Liquid AI ra mắt LFM2.5-2.6B: Mô hình AI tác tử chạy cục bộ, hỗ trợ gọi công cụ

Liquid AI đã phát hành LFM2.5-2.6B, một mô hình tác nhân (agentic model) chạy hoàn toàn trên thiết bị. Nó có khả năng lập kế hoạch, gọi công cụ và xử lý các tác vụ đa bước trên điện thoại, máy tính xách tay, PC và robot. Mô hình này có tổng cộng 2,69 tỷ tham số, cửa sổ ngữ cảnh 131.072 token và từ vựng 128.000 token. Quá trình tiền huấn luyện đã sử dụng khoảng 34 nghìn tỷ token. Hai phiên bản checkpoint đã được phát hành: LFM2.5-2.6B-Base để tinh chỉnh (fine-tuning) và LFM2.5-2.6B đã qua hậu huấn luyện dành cho các khối lượng công việc tác nhân. Vì quá trình suy luận diễn ra cục bộ, dữ liệu không bao giờ rời khỏi thiết bị và chi phí biên cho mỗi lần chạy gần như bằng không. Liquid AI báo cáo rằng điểm số về khả năng sử dụng công cụ và tuân thủ chỉ dẫn của mô hình này có tính cạnh tranh với các mô hình lớn gấp gần bốn lần kích thước của nó.

Có thể triển khai được không?

Câu trả lời là Có. Cả hai checkpoint đều được công khai trên Hugging Face theo giấy phép lfm1.0. Trọng số được cung cấp ở các định dạng native, GGUF, MLX và ONNX, với sự hỗ trợ ngay từ ngày đầu trên llama.cpp, vLLM, SGLang và LM Studio.

Kiến trúc và ngân sách huấn luyện

LFM2.5-2.6B có tổng cộng 2,69 tỷ tham số trên 30 lớp. Cấu trúc bao gồm 22 khối tích chập ngắn (short convolution blocks) có cổng kép cộng với 8 khối chú ý truy vấn nhóm (grouped-query attention blocks). Kích thước từ vựng là 128.000 và độ dài ngữ cảnh là 131.072 token. Quá trình tiền huấn luyện đã sử dụng khoảng 34 nghìn tỷ token.

Liquid AI đã tăng gấp đôi từ vựng lên 128K bằng cách mở rộng bộ mã hóa (tokenizer) hiện có thay vì huấn luyện lại từ đầu. Một giai đoạn huấn luyện trung gian chuyên biệt giúp mở rộng ngữ cảnh lên 128K. Mô hình hỗ trợ 16 ngôn ngữ và chỉ xử lý văn bản.

Hậu huấn luyện bốn giai đoạn

Checkpoint cơ sở trở thành một tác nhân thông qua bốn giai đoạn.

Các bài kiểm tra hiệu năng (Benchmarks)

Liquid AI đã so sánh LFM2.5-2.6B với gemma-4-E2B-it (5,1B), gemma-4-E4B-it (8B), Qwen3.5-4B (4,7B) và Qwen3.5-9B (9,7B).

Nó dẫn đầu mọi bài kiểm tra về khả năng tuân thủ chỉ dẫn và gần như mọi bài kiểm tra về khả năng sử dụng công cụ, chỉ xếp sau Qwen3.5-9B trong bài kiểm tra BFCLv4. Lập trình là lĩnh vực mà các mô hình lớn hơn vẫn giữ được ưu thế: LiveCodeBenchv6 đạt 59,41 so với 69,86 của Qwen3.5-9B.

Trình giải thích tương tác

Những điểm chính cần lưu ý

Hãy xem các chi tiết kỹ thuật, LFM2.5-2.6B và LFM2.5-2.6B-Base. Ngoài ra, đừng ngần ngại theo dõi chúng tôi trên Twitter, tham gia SubReddit ML với hơn 150 nghìn thành viên của chúng tôi và đăng ký nhận bản tin. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo, trang Hugging Face, sản phẩm mới hoặc hội thảo trực tuyến của bạn? Hãy kết nối với chúng tôi.

Asif Razzaq là CEO của Marktechpost Media Inc. Với tư cách là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt nền tảng truyền thông về Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về các tin tức học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo độc giả. Nền tảng này tự hào với hơn 2 triệu lượt xem mỗi tháng, minh chứng cho sự phổ biến của nó đối với công chúng.