แท็ก

#LFM2.5

7 บทความ

Liquid AI ปล่อย LFM2.5-24B-A2B: โมเดล reasoning 24B ที่ทำงานจริงแค่ 2.45B ต่อโทเคน ชนะ Qwen3.6-35B-A3B ในงาน tool-use หลายรายการ วิ่ง 184 tok/s บน M5 Max — แต่โค้ดและความรู้ยังแพ้ และไลเซนส์จำกัดบริษัทรายได้เกิน $10M
โมเดลใหม่

Liquid AI ปล่อย LFM2.5-24B-A2B: โมเดล reasoning 24B ที่ทำงานจริงแค่ 2.45B ต่อโทเคน ชนะ Qwen3.6-35B-A3B ในงาน tool-use หลายรายการ วิ่ง 184 tok/s บน M5 Max — แต่โค้ดและความรู้ยังแพ้ และไลเซนส์จำกัดบริษัทรายได้เกิน $10M

Liquid AI อัปโหลดน้ำหนัก LFM2.5-24B-A2B ขึ้น Hugging Face เมื่อ 12 ต.ค. และเปิดบล็อก 13 ต.ค. เป็นโมเดล MoE 24B (active 2.45B) แบบคิดก่อนตอบเสมอ บริบท 131K รองรับภาษาไทย ทำคะแนนนำ Qwen3.6-35B-A3B ใน AutomationBench, LiveClaw, ToolSandbox และ IFBench แต่แพ้ชัดใน SWE-bench Verified (51.0 vs 66.2) และ GPQA ไฟล์ GGUF Q4_K_M ขนาด 14.5 GB ใช้ฟรีเชิงพาณิชย์ได้เฉพาะองค์กรรายได้ต่ำกว่า $10M ต่อปี

· อ่าน 4 นาที
Liquid AI ปล่อย LFM2.5-VL-DSpark — drafter 280M ทำให้ VLM 3B ถอดรหัสเร็วขึ้นสูงสุด 3.13 เท่าบน Mac แต่ภาพยังต้องผ่าน prefill เท่าเดิม end-to-end จึงเร็วขึ้นแค่ 1.3–2.6 เท่า
โมเดลใหม่

Liquid AI ปล่อย LFM2.5-VL-DSpark — drafter 280M ทำให้ VLM 3B ถอดรหัสเร็วขึ้นสูงสุด 3.13 เท่าบน Mac แต่ภาพยังต้องผ่าน prefill เท่าเดิม end-to-end จึงเร็วขึ้นแค่ 1.3–2.6 เท่า

Liquid AI เปิด DSpark drafter สำหรับโมเดลภาพ LFM2.5-VL-3B เมื่อ 24 ก.ย. 2026 ขนาด 280M (เพิ่มหน่วยความจำ 8.9%) ถอดรหัสเร็วขึ้น 2.30–3.13 เท่าบน M5 Max ผ่าน MLX และ 1.57–2.14 เท่าบน M3 Ultra ผ่าน llama.cpp โดยผลลัพธ์ไม่เปลี่ยน รองรับตั้งแต่วันแรกทั้ง llama.cpp, MLX-VLM และ SGLang เพราะ PR ถูก merge ครบแล้ว แต่ใบอนุญาตยังมีเพดานรายได้ 10 ล้านดอลลาร์ ไม่ใช่ "ไม่มีข้อจำกัด" อย่างที่บล็อกเขียน

· อ่าน 4 นาที
LFM2.5-DSpark: โมเดล draft ขนาด 300M ที่ทำให้ LFM2.5 เร็วขึ้น 2.7 เท่าโดยข้อความที่ได้ "เหมือนเดิมทุกตัวอักษร" — และลด latency การเรียกทูลลง 57%
โมเดลใหม่

LFM2.5-DSpark: โมเดล draft ขนาด 300M ที่ทำให้ LFM2.5 เร็วขึ้น 2.7 เท่าโดยข้อความที่ได้ "เหมือนเดิมทุกตัวอักษร" — และลด latency การเรียกทูลลง 57%

20 ส.ค. 2026 Liquid AI ปล่อยโมเดล draft สำหรับ speculative decoding ของ LFM2.5 สามขนาด แต่ละตัวราว 300M พารามิเตอร์ — ทำ throughput บน H100 ขึ้นได้ถึง 2.67 เท่า (323→864 tok/s) บน MacBook M4 Max 2.27 เท่า และลด latency การเรียกฟังก์ชันลง 57% โดยเอาต์พุตไม่เปลี่ยนเลย

· อ่าน 6 นาที
Liquid AI ปล่อย QAD Q4_0 GGUF ของ LFM2.5 ทั้ง 4 ขนาด — เทรน student ให้เป็น 4-bit ตั้งแต่แรก ได้คุณภาพเท่า quant ที่ใหญ่กว่าแต่วิ่งเร็วกว่า 3–33%
โมเดลใหม่

Liquid AI ปล่อย QAD Q4_0 GGUF ของ LFM2.5 ทั้ง 4 ขนาด — เทรน student ให้เป็น 4-bit ตั้งแต่แรก ได้คุณภาพเท่า quant ที่ใหญ่กว่าแต่วิ่งเร็วกว่า 3–33%

19 ส.ค. 2026 Liquid AI ปล่อยเช็คพอยต์ QAD Q4_0 ของ LFM2.5 ทั้งสี่ขนาด (230M / 350M / 1.2B-Instruct / 2.6B) ที่ได้จากการ distill โมเดลครูความละเอียดสูงลงเป็น student แบบ quantized โดยตรง — คงคะแนนเฉลี่ยได้ 96.5–97.4% ของ BF16 พร้อมความเร็ว decode ที่เหนือกว่า quant format คุณภาพเทียบเท่า 3–33%

· อ่าน 5 นาที
LFM2.5-VL-3B: โมเดลเห็นภาพ 3 พันล้านพารามิเตอร์ที่รันบนมือถือได้ และเก่งเรื่อง "อ่านหน้าจอ" เป็นพิเศษ
โมเดลใหม่

LFM2.5-VL-3B: โมเดลเห็นภาพ 3 พันล้านพารามิเตอร์ที่รันบนมือถือได้ และเก่งเรื่อง "อ่านหน้าจอ" เป็นพิเศษ

Liquid AI ปล่อย LFM2.5-VL-3B เมื่อ 12 ส.ค. 2026 โมเดลภาษา-ภาพ 3.1B ที่กินหน่วยความจำราว 3GB รันได้บน Galaxy S26 Ultra ที่ 20 โทเค็น/วินาที จุดเด่นคือความเข้าใจหน้าจอและ UI กับการ grounding ที่ทำคะแนน ScreenSpot 78-82% และ DocVQA 91.1%

· อ่าน 5 นาที
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
โมเดลใหม่

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

Liquid AI เปิดตัว LFM2.5-2.6B (4 ส.ค. 2026) โมเดลบนเครื่องที่ post-train ด้วย agentic RL ใน harness จริงอย่าง OpenClaw — กินแรมต่ำกว่า 2.5GB คอนเท็กซ์ 128K และรันได้ทั้ง llama.cpp/MLX/ONNX/vLLM แต่ต้องอ่าน LFM Open License ให้จบก่อนใช้เชิงพาณิชย์

· อ่าน 6 นาที
Liquid AI ปล่อย LFM2.5-230M — โมเดลโอเพนเวต 230 ล้านพารามิเตอร์ที่รันบนมือถือได้ 213 โทเคน/วินาที และเก่งกว่าโมเดลใหญ่กว่า 4 เท่าในงานดึงข้อมูล
โมเดลใหม่

Liquid AI ปล่อย LFM2.5-230M — โมเดลโอเพนเวต 230 ล้านพารามิเตอร์ที่รันบนมือถือได้ 213 โทเคน/วินาที และเก่งกว่าโมเดลใหญ่กว่า 4 เท่าในงานดึงข้อมูล

Liquid AI เปิดเวต LFM2.5-230M โมเดลจิ๋ว 230 ล้านพารามิเตอร์ที่ออกแบบมาเพื่อ tool use และดึงข้อมูลบนอุปกรณ์ปลายทาง — ทำได้ 213 โทเคน/วินาทีบน Galaxy S25 Ultra, 42 โทเคน/วินาทีบน Raspberry Pi 5 และทำคะแนนดึงข้อมูลชนะ Qwen3.5-0.8B และ Gemma 3 1B ที่ตัวใหญ่กว่า

· อ่าน 5 นาที