Liquid AI ปล่อย LFM2.5-2.6B โมเดล 2.6B ที่เทรนด้วย RL ใน agent harness จริง — เคลมสู้โมเดลใหญ่กว่า 4 เท่าได้เรื่อง tool use แต่ license มีเพดานรายได้ 10 ล้านดอลลาร์

โมเดลเล็กที่ “คุยเก่ง” มีเยอะแล้ว โมเดลเล็กที่ เรียกเครื่องมือถูกและทำงานหลายขั้นจบ ยังหายาก — เพราะงาน agentic ลงโทษความผิดพลาดแบบทบต้น พลาด schema ของ tool call ครั้งเดียว ทั้งลูปก็พัง วันที่ 4 สิงหาคม 2026 Liquid AI ปล่อย LFM2.5-2.6B ซึ่งเล็งไปที่ช่องว่างนั้นโดยตรง ภายใต้พาดหัวของตัวเองว่า “Deploy Agents Everywhere”

ขนาดจริงคือ 2.69B พารามิเตอร์ เทรนบนข้อมูลราว 34 ล้านล้านโทเคน คอนเท็กซ์ 131,072 โทเคน และกินหน่วยความจำ ต่ำกว่า 2.5GB — เล็กพอจะอยู่ในแอปบนมือถือได้จริง นี่เป็นรุ่นที่สามในตระกูล LFM2.5 ที่เราตามมา ต่อจากรุ่น 230M (29 มิถุนายน) และชุด encoder สำหรับ CPU (29 กรกฎาคม) แต่ต่างออกไปตรงที่รุ่นนี้เป็นตัวหลักที่ตั้งใจให้ เป็นสมองของ agent ไม่ใช่ตัวช่วยงานเฉพาะทาง

เทรนใน harness จริง ไม่ใช่แค่ชุดข้อมูล tool call

จุดที่น่าสนใจที่สุดอยู่ที่สูตร post-training สี่ขั้น: SFT → Teacher Specialization → Multi-Domain On-Policy Distillation (MOPD) → Agentic RL

ขั้นสุดท้ายคือของจริง — Liquid AI ระบุว่ารัน reinforcement learning ภายใน agent harness ที่ใช้งานจริง อย่าง OpenClaw และ Hermes Agent ไม่ใช่เทรนบนชุดข้อมูล function-call ที่ประกอบขึ้นมา ความต่างนี้สำคัญกว่าที่ฟังดู: การเทรนในลูปจริงหมายความว่าโมเดลได้เห็น ผลลัพธ์ที่ผิดพลาดของเครื่องมือ, สถานะที่ค้างอยู่กลางทาง และการต้องกู้ตัวเองกลับมา ซึ่งเป็นสิ่งที่ชุดข้อมูล tool call สังเคราะห์แทบไม่มีทางจำลองได้ครบ

ตัวเลข benchmark ที่ Liquid AI เผยเทียบกับ Gemma-4-E2B-it (5.1B), Gemma-4-E4B-it (8B), Qwen3.5-4B (4.7B) และ Qwen3.5-9B (9.7B) ครอบคลุม 11 ชุด โดยที่จุดแข็งกระจุกอยู่ฝั่ง instruction following และ tool use อย่างชัดเจน:

ด้าน	ชุดวัด	คะแนน
ทำตามคำสั่ง	IFBench	59.17
ทำตามคำสั่ง	Multi-IF	80.07
ทำตามคำสั่ง	IFStruct	85.49
ใช้เครื่องมือ	ToolSandbox	77.83
ใช้เครื่องมือ	BrowseComp+	26.89
คณิตศาสตร์	AIME25	51.87
เขียนโค้ด	LiveCodeBench v6	59.41

Liquid AI เคลมว่าโมเดลนี้ “สู้ได้กับโมเดลที่ใหญ่กว่า 4 เท่า” ในด้าน tool use, การทำตามคำสั่ง และงานหลายขั้น — ซึ่งถ้าดูจากรายการคู่เทียบก็คือกำลังเทียบกับ Qwen3.5-9B โดยตรง ข้อสังเกตที่ควรมีคือ ตัวเลขทั้งหมดนี้มาจากผู้ผลิตเอง และชุดวัดที่เลือกมาเอียงไปทางที่โมเดลถูกเทรนมาโดยเฉพาะ ยังไม่มีการวัดอิสระออกมา ณ ตอนเขียน

ความเร็วบนเครื่องจริง และช่องทางที่รันได้

ตัวเลขที่ Liquid AI ให้ครอบคลุมทั้งฝั่ง edge และฝั่งเซิร์ฟเวอร์:

• M5 Max: 220 tok/s
• AMD Ryzen AI Max+ 395: 113 tok/s
• มือถือ: 30 tok/s
• H100 SXM5 ใบเดียว: เกือบ 15,000 output tok/s ที่ concurrency สูง (ราว 1.3 พันล้านโทเคนต่อวัน)

และต่างจากกรณี Maple-Preview ที่เราเขียนถึงในวันเดียวกัน — LFM2.5-2.6B ปล่อยช่องทางรันมาครบตั้งแต่วันแรก: GGUF สำหรับ llama.cpp, MLX สำหรับ Apple Silicon, ONNX, พร้อม vLLM และ SGLang สำหรับฝั่งเซิร์ฟเวอร์ ยอดดาวน์โหลดบน Hugging Face ทะลุ 47,000 ครั้ง แล้วภายในวันเศษ ซึ่งบอกได้อย่างหนึ่งว่ามีคนเอาไปรันจริง ไม่ใช่แค่กดไลก์

มีรุ่น base (LFM2.5-2.6B-Base) ให้แยกต่างหากสำหรับคนที่จะ fine-tune เอง และรองรับ 16 ภาษารวมถึง ภาษาไทย เวียดนาม และอินโดนีเซีย

license ที่ต้องอ่านให้จบ — เพดาน 10 ล้านดอลลาร์

บล็อกของ Liquid AI พูดถึงโมเดลในโทน “โหลดไปใช้ได้เลย” แต่ไฟล์ LICENSE ในรีโปไม่ใช่ Apache 2.0 หรือ MIT — เป็น LFM Open License v1.0 ซึ่งเป็น license เฉพาะของบริษัท เราอ่านตัวบทแล้วพบข้อกำหนดที่นักพัฒนาต้องรู้:

• มาตรา 1 นิยาม “Threshold” ว่า รายได้ต่อปีตั้งแต่ 10 ล้านดอลลาร์สหรัฐขึ้นไป
• มาตรา 5(a) ระบุว่าสิทธิ์สำหรับ Commercial Use มีเงื่อนไขว่าคุณหรือนิติบุคคลของคุณต้อง ไม่เกิน Threshold
• มาตรา 5(b) ระบุตรง ๆ ว่า การใช้เชิงพาณิชย์โดยนิติบุคคลที่เกิน Threshold ไม่ได้รับอนุญาตภายใต้สัญญานี้
• มาตรา 5(c) ยกเว้นให้องค์กรไม่แสวงหากำไรที่เข้าเกณฑ์ เฉพาะการใช้เพื่อการวิจัย/ไม่แสวงหากำไร

โครงสร้างที่เหลือของ license ลอกแบบ Apache 2.0 มาเกือบทั้งหมด (มีข้อ patent retaliation, ข้อ NOTICE, ข้อ trademark) แต่เพดานรายได้ทำให้มันไม่เข้านิยาม open source ตาม OSI และไม่เท่ากับ Apache 2.0 อย่างที่หลายคนอาจอนุมานจากคำว่า “open weights”

สำหรับสตาร์ทอัพและทีมเล็กในไทยส่วนใหญ่ เพดาน 10 ล้านดอลลาร์ (ราว 350 ล้านบาท) กว้างพอที่จะไม่แตะเลย แต่ถ้าคุณอยู่ในองค์กรใหญ่ ธนาคาร หรือบริษัทจดทะเบียน — นี่คือบรรทัดที่ฝ่ายกฎหมายต้องเห็นก่อนจะเริ่มเขียนโค้ด

มุมมอง AI Curator

สิ่งที่ทำให้ LFM2.5-2.6B น่าสนใจไม่ใช่คะแนน benchmark แต่คือ ที่มาของคะแนนนั้น

การทำ RL ใน harness จริงอย่าง OpenClaw คือการยอมรับความจริงที่วงการเพิ่งเรียนรู้กันในไม่กี่เดือนนี้ — เราเห็นจากงาน long-horizon harness ของ Alibaba เมื่อวาน และจากผลของ Skill-Alpha ที่พบว่าเครื่องมือสร้าง skill อัตโนมัติทุกตัวแพ้ “ไม่ใส่ skill เลย” — ว่า ความสามารถ agentic ไม่ได้อยู่ในโมเดลอย่างเดียว แต่อยู่ในความเข้ากันระหว่างโมเดลกับ harness โมเดลที่ไม่เคยเห็น error message จากเครื่องมือจริง จะเดาไม่ถูกว่าต้องทำอะไรต่อเมื่อมันมา

นี่ตั้งคำถามที่แหลมคมกับตลาดโมเดลเล็กทั้งตลาด: ถ้าประสิทธิภาพ agentic ผูกกับ harness ที่ใช้เทรน แล้วเมื่อคุณเอา LFM2.5 ไปวางใน harness ของคุณเอง — ที่มี tool schema, prompt และรูปแบบ error ต่างออกไป — ตัวเลข ToolSandbox 77.83 จะเหลือเท่าไร คำตอบที่ซื่อสัตย์คือ ยังไม่มีใครรู้ และมันแปลว่าการวัดเองในงานของตัวเองสำคัญกว่าตารางเปรียบเทียบมากขึ้นเรื่อย ๆ

ในบริบทไทย โมเดลตัวนี้ตรงกับโจทย์ที่เจอบ่อยมาก: งานที่ ข้อมูลออกจากเครื่องไม่ได้ — เวชระเบียน, เอกสารสัญญา, ข้อมูลลูกค้าภายใต้ PDPA — แต่ยังต้องการ agent ที่เรียก API ภายในองค์กรได้ ก่อนหน้านี้ตัวเลือกคือโมเดลเล็กที่เรียกเครื่องมือไม่ค่อยแม่น หรือโมเดลใหญ่ที่ต้องส่งข้อมูลออกคลาวด์ การมีตัวที่กินแรมต่ำกว่า 2.5GB, รองรับภาษาไทย และ post-train มาเพื่อ tool use โดยเฉพาะ ทำให้ทางเลือกที่สามเป็นไปได้จริงขึ้นเยอะ — เพียงแต่ต้องพก license ไปคุยกับฝ่ายกฎหมายด้วย

แหล่งข่าว

• LFM2.5-2.6B: Deploy Agents Everywhere — Liquid AI
• LiquidAI/LFM2.5-2.6B — Hugging Face
• LFM Open License v1.0 (ตัวบทเต็ม)
• Deploy local agents everywhere with LFM2.5-2.6B — Hugging Face Blog