Релиз LFM 2.5-2.6B от Liquid AI — это не просто очередное минорное обновление, а прямая атака на раздутую экономику облачного искусственного интеллекта. Упаковав продвинутые агентские возможности в архитектуру объемом 2,6 миллиарда параметров (что в четыре раза меньше ближайших жизнеспособных конкурентов), Liquid доказывает: гигантские GPU-кластеры часто являются лишь налогом на неэффективную архитектуру. Модель была обучена на 34 триллионах токенов с использованием многодоменной дистилляции и специализированного конвейера «Agentic RL». Это позволило ей занять доминирующие позиции в бенчмарках на следование инструкциям (например, IFBench), сохраняя при этом минимальные требования к оборудованию.
Главное
Архитектура объемом 2,6 млрд параметров заменяет модели в диапазоне 8–9 млрд без потери качества. Скорость работы на Apple M4 Max достигает 220 токенов в секунду, на чипах AMD Ryzen — 113 токенов. Потребление оперативной памяти составляет менее 2,5 ГБ, что позволяет запускать модель на стандартных ноутбуках. Превосходство над Gemma-2-2B-it и Qwen2.5-7B в тестах на вызов инструментов и многошаговую логику.
Перенос сложных агентов с дорогостоящих облачных инстансов на локальные смартфоны и ноутбуки перестал быть теоретической мечтой. На Apple M4 Max эта модель буквально летает, выдавая 220 токенов в секунду; даже стандартный процессор AMD Ryzen справляется со скоростью 113 токенов в секунду, потребляя менее 2,5 ГБ ОЗУ. Речь идет не только о скорости — это сигнал о скором отказе от ежемесячных счетов за API. В прямых сравнениях по вызову инструментов и логическим тестам LFM 2.5-2.6B стабильно прыгает выше головы, опережая модели весом 8–9 млрд параметров.
Стратегический контекст
«Мы наблюдаем решительный сдвиг в сторону децентрализованного интеллекта, где плотность вычислений на периферии решает парадокс конфиденциальности и масштабируемости без линейного раздувания инфраструктуры, характерного для нынешней облачной эры».
Бизнес-кейс этого перехода предельно прост: он обнуляет совокупную стоимость владения (TCO). Перенося инференс на существующий парк оборудования, компании превращают расходы на ИИ из операционного кошмара в фиксированные капитальные вложения. Модель бесшовно интегрируется в агентские фреймворки (например, OpenCanvas), обеспечивая точную навигацию и поиск без утечки конфиденциальных корпоративных данных на сторонние сервера.
Итог
LFM 2.5-2.6B демонстрирует, что для создания мощных ИИ-агентов не требуются серверные стойки размером с комнату. Оптимизация архитектуры позволяет компаниям вернуть контроль над своими данными и бюджетами, разворачивая полноценный интеллект локально.