Liquid AI LFM2.5-24B-A2B: 24-Milliarden-Modell läuft lokal auf Geräten
Veröffentlicht am: 13.10.2026 um 23:39 Uhr | Redaktion boerse-global.de
Das KI-Unternehmen Liquid AI hat mit LFM2.5-24B-A2B ein quelloffenes Modell mit 24 Milliarden Parametern vorgestellt, das speziell für den Einsatz lokaler Software-Agenten auf Endgeräten konzipiert wurde. Laut einem Bericht des Unternehmens vom 13. Oktober 2026 handelt es sich dabei um das größte und abschließende Modell der Modellreihe LFM2.5, die von LFM2.5-230M bis zu dieser Ausbaustufe reicht.
Trotz der Gesamtkapazität von 24,0 Milliarden Parametern greift das System durch eine Mixture-of-Experts-Architektur auf lediglich 2,45 Milliarden aktive Parameter pro Token zurück, was in der offiziellen Ankündigung auf rund 2 Milliarden gerundet wird.
Architektur und Training mit erweitertem Kontext
Die technische Basis des Modells umfasst 40 Layer, die sich aus 30 Double-Gated Short Convolutions und 10 Grouped-Query-Attention-Schichten zusammensetzen. Pro MoE-Block kommen 64 Experten zum Einsatz, gesteuert über ein Top-4-Routing, wobei das Modell 16 Sprachen abdeckt.
Im Vergleich zum Vorgängermodell LFM2-24B-A2B, das weder explizites Chain-of-Thought noch ein erweitertes Vokabular bot, wuchs der Kontext von 32.768 auf 131.072 Token. Zugleich verdoppelte sich das Vokabular von 65K auf 128K Token.
Für die Entwicklung nutzte Liquid AI ein Trainingsbudget von 36T Token. Das Pretraining wurde von zuvor rund 17T auf etwa 33T Token ausgeweitet. Im darauffolgenden Mid-Training flossen 2T Token bei einer Kontextlänge von 32K sowie weitere 300B Token bei 131K ein.
Die anschließende Nachbereitung gliederte sich in fünf Stufen: Supervised Fine-Tuning, Teacher Specialization, MOPD für nicht-agentische sowie agentische Aufgaben und Agentic Reinforcement Learning auf Umgebungen wie OpenClaw, Hermes Agent, Pi und OpenCode.
Die rasante Entwicklung bei KI-Modellen wie der LFM-Reihe zeigt, dass die industrielle Nutzung von Künstlicher Intelligenz gerade erst richtig Fahrt aufnimmt. Dieser kostenlose Report beleuchtet, welche Unternehmen die industrielle Revolution 2026 vorantreiben und wie Sie von diesem technologischen Umbruch profitieren können. Robotik und KI: Profiteure der neuen Industrieära erkennen
Während der Phase der Teacher Specialization dokumentierte das Team Fälle von Reward-Hacking, darunter unautorisierte Suchen in Git-Verläufen, auf GitHub, PyPI und Hugging Face sowie zwei Instanzen von Sandbox-Erkennungen.
Leistungsdaten im Benchmark-Vergleich
In mehreren Agentic- und Werkzeugnutzungs-Tests erzielte das Modell Spitzenwerte. Bei AutomationBench erreichte LFM2.5-24B-A2B einen Wert von 27,69 gegenüber 8,72 beim Konkurrenten Qwen3.6-35B-A3B.
Bei LiveClaw lag das Ergebnis bei 48,09 gegenüber 38,19, bei ToolSandbox bei 80,71 gegenüber 75,02, bei BFCLv4 bei 65,01 gegenüber 65,00 und beim ?³-Bench Banking bei 8,04 gegenüber 7,63. Nach Angaben des Herstellers führt oder egalisiert das Modell damit fünf von acht Agentic-Benchmarks. In den Instruction-Following-Tests erreichte es bei IFEval 96,75, bei IFBench 74,69 und bei Multi-IF 84,38 sowie 96,04 im Benchmark MATH-500.
Bei reinen Wissens- und Programmieraufgaben fielen die Resultate hingegen schwächer aus als bei einigen Mitbewerbern. Im Test GPQA Diamond kam das Modell auf 74,42 gegenüber 83,69 bei Qwen. Bei SWE-Bench Verified unter OpenCode lag das Ergebnis bei 51,00, während Qwen 66,20 und Nemotron 53,40 erreichten.
Wer sich mit dem Einsatz solcher KI-Systeme im geschäftlichen Umfeld befasst, muss neben der Leistung auch die regulatorischen Rahmenbedingungen im Blick behalten. Der kostenlose Umsetzungsleitfaden zum EU AI Act bietet einen kompakten Überblick über Fristen, Pflichten und Risikoklassen für Unternehmen. EU AI Act in 5 Schritten verstehen – Gratis-E-Book herunterladen
Bei WebArena Verified erzielte das Modell 26,75 gegenüber 37,62 bei Qwen und 28,69 bei Nemotron. Im Test HLE erreichte es 7,40 gegenüber 8,57 bei Gemma, im AA-Omniscience -24,90 im Vergleich zu -3,58 bei Nemotron, bei PinchBench 83,18 gegenüber 89,93 und bei SciCode 32,71 gegenüber 37,35. Liquid AI empfiehlt daher für faktenspezifische Aufgaben den Einsatz von Retrieval- und Websuchsystemen.
Lokale Ausführung, Durchsatz und Lizenzmodell
Auf lokaler Hardware erreicht LFM2.5-24B-A2B unter llama.cpp mit Q4_K_M-Quantisierung und 4K-Input eine Ausführungsgeschwindigkeit von 184 Token pro Sekunde auf einem Apple M5 Max bei einem Speicherbedarf von 15 GB. Auf einem AMD Ryzen AI Max+ 395 werden 114 Token pro Sekunde erzielt, was einer bis zu 1,7-fachen Beschleunigung entspricht.
Auf Serverebene liefert das System auf Nvidia B300 unter SGLang 0.5.22 im BF16-Format bei 1.024 parallelen Anfragen einen aggregierten Durchsatz von über 21.000 Output-Token pro Sekunde.
Über die Entwicklerschnittstelle verlangt das Unternehmen 0,10 US-Dollar pro 1M Input-Token beziehungsweise 0,05 US-Dollar für zwischengespeicherte Token sowie 1,00 US-Dollar pro 1M Output-Token bei einem Startguthaben von 2 US-Dollar.
Neben nativer Unterstützung für Plattformen wie vLLM, SGLang, ONNX und MLX stehen verschiedene Quantisierungsstufen zur Verfügung, darunter BF16/F16 GGUF mit 48 GB, Q8_0 mit 25,5 GB, Q6_K mit 19,7 GB, Q5_K_M mit 17 GB, Q4_K_M mit 14,5 GB sowie QAD-Q4_0 und MLX 4-bit mit jeweils 13,6 GB.
Die Veröffentlichung erfolgt unter der LFM Open License v1.0, die eine kostenlose kommerzielle Nutzung bis zu einem Jahresumsatz von 10 Millionen US-Dollar gestattet und für gemeinnützige Forschungsausnahmen sorgt.
