Liquid AI ha presentato LFM2.5-2.6B, un nuovo modello linguistico open-weight da 2,6 miliardi di parametri progettato specificamente per carichi di lavoro agentici e per l’esecuzione direttamente sui dispositivi. Il modello può funzionare localmente su smartphone, laptop, sistemi embedded e dispositivi come Raspberry Pi, senza dipendere necessariamente da API cloud o da GPU dedicate, ed è stato sviluppato per applicazioni nelle quali latenza, privacy, costi di inferenza e possibilità di funzionare senza una connessione permanente rappresentano requisiti centrali. La sua destinazione principale comprende attività agentiche definite e ripetitive, chiamate a strumenti, gestione di documenti, automazione di calendari e workflow, elaborazioni in background e applicazioni installate su veicoli o sistemi robotici; per compiti particolarmente complessi e per lavori di programmazione intensiva, Liquid AI continua invece a indicare i modelli di maggiori dimensioni come soluzione più adatta.
LFM2.5-2.6B dispone di una finestra di contesto di 128.000 token e integra il supporto nativo per il tool calling. La sigla combina il numero della generazione, LFM 2.5, con la dimensione del modello, pari a 2,6 miliardi di parametri; insieme alla versione sottoposta a post-training è disponibile anche LFM2.5-2.6B-Base, checkpoint destinato agli sviluppatori che vogliono effettuare ulteriori personalizzazioni e fine-tuning. Entrambe le versioni sono distribuite attraverso Hugging Face e possono essere utilizzate con gli stack di inferenza più diffusi per deployment locale e di produzione, tra cui llama.cpp, MLX, vLLM, SGLang e ONNX. Il modello può inoltre essere pubblicato dietro un endpoint compatibile con le API OpenAI e collegato ai principali agent harness senza modificare l’interfaccia applicativa utilizzata dal software.
La progettazione dell’architettura LFM2 è stata orientata in maniera specifica all’esecuzione efficiente sulle CPU, una scelta che consente al nuovo modello di lavorare anche su hardware privo di acceleratori grafici dedicati. Nei benchmark pubblicati da Liquid AI, LFM2.5-2.6B raggiunge una velocità di decodifica di circa 220 token al secondo su Apple M5 Max e 113 token al secondo su AMD Ryzen AI Max+ 395, mantenendo l’occupazione di memoria sotto i 2,5 GB; su smartphone la velocità dichiarata è di circa 30 token al secondo. L’azienda utilizza Raspberry Pi come uno degli esempi di deployment a basso consumo e rende disponibile anche Apollo, applicazione mobile con la quale il modello può essere provato direttamente su telefono. Sul fronte GPU, utilizzando una singola NVIDIA H100 SXM5 e SGLang 0.5.16 sotto carico simultaneo sostenuto, Liquid AI dichiara un throughput vicino a 15.000 token di output al secondo, equivalente a circa 1,3 miliardi di token al giorno su una sola scheda. Si tratta di benchmark prodotti dall’azienda, eseguiti con 1.024 token in input, fino a 256 token in output e precisione BF16.
Il modello è stato pre-addestrato su circa 34 trilioni di token e utilizza un vocabolario da 128.000 elementi, raddoppiato rispetto alla generazione precedente per migliorare la gestione degli alfabeti non latini. Una fase intermedia specifica dell’addestramento ha esteso il contesto a 128.000 token, capacità pensata soprattutto per agenti che devono mantenere sequenze operative lunghe, consultare documenti estesi e lavorare attraverso numerosi passaggi prima di completare un’attività. Liquid AI ha costruito il post-training attorno a quattro componenti principali: Supervised Fine-Tuning, Teacher Specialization, Multi-Domain On-Policy Distillation e Agentic Reinforcement Learning. Il Supervised Fine-Tuning viene eseguito in due fasi successive, partendo da una copertura generale e aumentando poi il peso di attività come uso degli strumenti, ricerca sul web, software engineering, ragionamento e sequenze generate da agenti; secondo Liquid AI, il mix di addestramento SFT utilizzato complessivamente è circa sette volte più grande di quello impiegato per LFM2.5-8B-A1B.
Dallo stesso checkpoint SFT vengono poi derivati diversi modelli insegnanti specializzati, ciascuno ottimizzato per una capacità specifica attraverso ulteriore fine-tuning e reinforcement learning con ricompense verificabili. Gli specialisti coprono aree come rispetto delle istruzioni, matematica, conoscenza e controllo delle allucinazioni, programmazione, uso degli strumenti e gestione di contesti lunghi. Le loro capacità vengono successivamente riunite nel modello finale mediante Multi-Domain On-Policy Distillation, tecnica nella quale è il modello studente a generare le proprie traiettorie e a ricevere supervisione token per token dall’esperto associato al dominio della richiesta. La vicinanza tra la distribuzione dello studente e quella degli insegnanti, derivati dallo stesso checkpoint iniziale, viene utilizzata per fornire una supervisione più stabile e integrare differenti specializzazioni senza dover mantenere più modelli durante l’inferenza.
L’ultima fase utilizza reinforcement learning direttamente all’interno di ambienti agentici reali. LFM2.5-2.6B viene esposto a compiti multi-turn che comprendono ricerca, scrittura, programmazione, analisi dei dati, gestione dei documenti, utilizzo di strumenti esterni e automazione di workflow composti da più passaggi. Il training viene eseguito anche attraverso harness come Hermes Agent e OpenClaw, permettendo al modello di interagire con gli stessi strumenti, system prompt e schemi operativi utilizzati durante il deployment. Ogni rollout viene eseguito in una sandbox dedicata e l’ottimizzazione utilizza GRPO con una ricompensa basata sul risultato che combina valutazioni LLM-as-a-judge, controlli programmatici e un safety gate; Liquid separa inoltre il motore di training FSDP, quello di rollout basato su SGLang e il framework RL verl dall’ambiente nel quale vengono realmente eseguite le azioni dell’agente.
La specializzazione agentica riguarda anche il software che circonda il modello. Liquid AI ha sviluppato un proprio agent harness capace di funzionare su smartphone, nel quale LFM2.5-2.6B può pianificare attività e chiamare strumenti interamente sul dispositivo. L’obiettivo è consentire la costruzione di agenti che non dipendano esclusivamente da un comando esplicito dell’utente, ma possano lavorare in background sfruttando il contesto disponibile localmente, per esempio consultando un calendario, elaborando documenti o svolgendo attività ricorrenti. L’harness ha inoltre il compito di compensare le limitazioni del modello attraverso strumenti e logica applicativa, facendo dipendere il risultato finale dall’insieme costituito da modello, strumenti e ambiente di esecuzione. LFM2.5-2.6B rimane comunque utilizzabile con infrastrutture agentiche esterne come Hermes Agent, OpenClaw e Pi tramite endpoint compatibili con OpenAI.
Questo approccio permette di utilizzare lo stesso modello per applicazioni differenti intervenendo prevalentemente sugli strumenti collegati all’agente. Un assistente dedicato alla gestione del calendario può quindi condividere lo stesso LFM con un assistente per le riunioni, modificando l’harness, le API disponibili e le operazioni che il sistema può eseguire senza dover necessariamente addestrare un modello completamente diverso. Il fine-tuning resta comunque previsto per i deployment nei quali è richiesta la massima qualità su un insieme ristretto di attività, anche perché Liquid AI distribuisce un checkpoint Base proprio per facilitare questa personalizzazione e mette a disposizione strumenti dedicati per l’adattamento dei propri modelli.
I benchmark pubblicati da Liquid AI confrontano LFM2.5-2.6B con Gemma 4 E2B ed E4B di Google e con Qwen3.5-4B e Qwen3.5-9B di Alibaba. Pur essendo il modello più piccolo del gruppo, con 2,6 miliardi di parametri contro i 5,1 e 8 miliardi complessivi dei due Gemma e i 4,7 e 9,7 miliardi dei Qwen, LFM2.5-2.6B ottiene il punteggio migliore in tutti i benchmark selezionati per l’instruction following: 59,17 su IFBench, 80,07 su Multi-IF e 85,49 su IFStruct. Nei test dedicati all’utilizzo degli strumenti raggiunge 77,83 su ToolSandbox, davanti al 76,44 di Qwen3.5-9B, e viene superato dal modello Alibaba da 9,7 miliardi di parametri soltanto su BFCLv4, dove ottiene 56,88 contro 60,13.
Le valutazioni dedicate ai workflow agentici mostrano un andamento simile. LFM2.5-2.6B raggiunge 62,85 nella media inglese di Claw-Eval, 68,22 su PinchBench e 26,89 su BrowseComp+ utilizzando OpenClaw; su quest’ultimo test Qwen3.5-9B registra 27,23, mentre Gemma 4 E2B ed E4B si fermano rispettivamente a 8,31 e 15,90. Sul benchmark AA-Omniscience-Public, progettato anche per penalizzare le risposte allucinate, LFM2.5-2.6B ottiene -29,50, il risultato migliore del gruppo confrontato da Liquid AI. Qwen3.5-9B mantiene invece il vantaggio su AIME25 per la matematica, con 56,07 contro 51,87 del modello Liquid, e su LiveCodeBench v6 per il coding, con 69,86 contro 59,41. Liquid AI presenta quindi LFM2.5-2.6B soprattutto come modello destinato a instruction following, tool use e flussi agentici locali, lasciando ai modelli maggiori un vantaggio nei workload di programmazione più impegnativi.
Un test esterno realizzato da Atomic Chat ha inoltre confrontato LFM2.5-2.6B con DeepSeek-V4-Flash nell’esecuzione di una sequenza di attività basate su tool calling, comprendente controlli di meteo e ora locale in sei città, conversioni di un budget in sei valute, ricerca di quattro hotel e prenotazione di un appuntamento. Secondo i risultati pubblicati dalla piattaforma, il modello Liquid ha completato 35 chiamate agli strumenti 3,7 volte più rapidamente di DeepSeek-V4-Flash, pur presentando un numero di parametri enormemente inferiore. Il dato riguarda un test specifico e non sostituisce una valutazione generale della qualità dei due modelli, ma è coerente con l’obiettivo dichiarato di LFM2.5-2.6B: massimizzare velocità e tool use in workflow agentici circoscritti.
La strategia differisce anche da quella adottata dai modelli small multimodali di Google e Alibaba. Gemma 4 utilizza un’architettura multimodale e può elaborare contenuti diversi dal solo testo, mentre Qwen3.5 combina capacità multimodali e un forte investimento nel reinforcement learning orientato al ragionamento. LFM2.5-2.6B è invece un modello denso e text-only, con versioni separate della famiglia LFM dedicate a visione e audio, e concentra una parte rilevante del post-training sull’esecuzione di strumenti all’interno di sistemi agentici reali. La scelta riduce la dimensione del checkpoint principale e mantiene il modello orientato a workload locali nei quali la capacità di pianificare, richiamare strumenti e completare procedure conta più della gestione multimodale integrata.
Un aspetto particolarmente rilevante per l’adozione aziendale riguarda la licenza. LFM2.5-2.6B è distribuito con LFM Open License v1.0, che concede diritti di utilizzo, modifica, creazione di opere derivate e redistribuzione, ma introduce una limitazione specifica sull’uso commerciale. La soglia prevista dalla licenza è pari a 10 milioni di dollari di fatturato annuo: un’entità giuridica che raggiunge o supera questa cifra non dispone, attraverso la licenza standard, dei diritti necessari per l’uso commerciale del modello o delle sue opere derivate e deve quindi ottenere condizioni separate da Liquid AI. La soglia non si applica alle organizzazioni non profit qualificate quando utilizzano il modello per finalità non commerciali o di ricerca. La licenza richiede inoltre che nelle redistribuzioni venga mantenuta una copia dei termini, che i file modificati indichino le modifiche effettuate e che vengano conservate le informazioni di copyright, brevetto, marchio e attribuzione applicabili.
Questa struttura colloca LFM2.5-2.6B in una posizione diversa rispetto a modelli distribuiti con licenze permissive prive di una soglia di fatturato per l’utilizzo commerciale. Per startup, sviluppatori indipendenti e aziende al di sotto dei 10 milioni di dollari di ricavi annui, il modello può essere impiegato commercialmente entro i termini della LFM Open License; le imprese di dimensioni maggiori devono invece includere la licenza commerciale nella valutazione del deployment, soprattutto quando il modello viene integrato in prodotti, servizi o processi interni utilizzati per finalità economiche.
Il lancio è stato seguito dall’annuncio di una partnership strategica di lungo periodo tra Liquid AI e MacPaw per sviluppare uno stack di intelligenza artificiale locale destinato ai Mac. La collaborazione coinvolge Eney, assistente macOS di MacPaw, che utilizzerà Liquid Foundation Models progettati e perfezionati per i suoi task e sarà eseguito localmente su Apple Silicon attraverso Elix, il motore di inferenza on-device di MacPaw; Mnemos costituirà invece il livello di memoria persistente incaricato di conservare contesto tra differenti interazioni. I modelli cloud resteranno disponibili quando il tipo di attività lo renderà più opportuno, mentre i risultati della prima fase della collaborazione sono attesi entro la fine del 2026.
L’integrazione in Eney rappresenta un esempio concreto del tipo di implementazione per il quale Liquid AI sta sviluppando i propri modelli compatti: un assistente capace di lavorare sul dispositivo, accedere alle risorse locali e continuare a fornire alcune funzioni anche in assenza di una connessione Internet, mantenendo i dati personali sul Mac per le operazioni che possono essere eseguite localmente. L’architettura formata dai modelli Liquid, da Elix e da Mnemos viene inoltre progettata come infrastruttura condivisa per altri prodotti dell’ecosistema MacPaw e potrebbe successivamente essere resa disponibile anche agli sviluppatori attraverso Setapp.
LFM2.5-2.6B definisce quindi una proposta precisa all’interno della famiglia dei modelli compatti: 2,6 miliardi di parametri, contesto da 128.000 token, tool calling nativo, esecuzione CPU con meno di 2,5 GB di memoria nei sistemi utilizzati nei benchmark e un post-training costruito direttamente attorno al funzionamento degli agenti. La possibilità di eseguire inferenza e intere sequenze operative sul dispositivo permette di utilizzare agenti continuativi senza sostenere un costo per token verso un provider cloud, lasciando come costi operativi principali quelli dell’hardware e dell’energia impiegata; allo stesso tempo, la licenza commerciale basata sul fatturato rende necessario distinguere chiaramente tra disponibilità dei pesi e libertà d’impiego senza condizioni per qualsiasi organizzazione. È proprio l’unione tra dimensioni ridotte, tool use, implementazione locale e adattabilità dell’harness a definire il ruolo che Liquid AI assegna al modello: un motore per agenti specializzati da collocare direttamente dove vengono eseguiti i workflow.