Liquid AI发布LFM2.5-2.6B：128K上下文、工具调用、开放权重的端侧智能体模型
Liquid AI推出LFM2.5-2.6B，一款2.69B参数的端侧智能体模型，支持128K上下文、工具调用，权重开放。本文解析其架构、性能、部署方式，并探讨对中文开发者的影响与国产模型对比。
一句话看懂
Liquid AI发布LFM2.5-2.6B，一个2.69B参数的端侧智能体模型，支持128K上下文和工具调用，权重开放，可在手机、笔记本上运行。
详细发生了什么
Liquid AI正式发布LFM2.5-2.6B，这是一个完全在设备端运行的智能体模型，能够规划、调用工具并完成多步骤任务。模型总参数2.69B，上下文窗口131,072 token，词汇量128,000，预训练数据约34万亿token。提供两个检查点：LFM2.5-2.6B-Base（用于fine-tuning）和LFM2.5-2.6B（针对智能体工作负载优化）。
由于推理完全本地化，数据不出设备，每次运行边际成本接近零。Liquid AI声称其工具使用和指令遵循得分与近四倍大小的模型相当。两个检查点均在Hugging Face上以lfm1.0许可证公开，支持GGUF、MLX和ONNX格式，并兼容llama.cpp、vLLM、SGLang和LM Studio。
架构上，模型共30层，包含22个双门控短卷积块和8个分组查询注意力块。通过扩展现有tokenizer将词汇量翻倍至128K，并经过专门的中间训练阶段将上下文扩展到128K。后训练分四个阶段：两轮SFT、教师专业化（每个领域一个专家，使用可验证奖励的强化学习）、多领域on-policy蒸馏，以及使用GRPO在真实环境中进行智能体强化学习。
基准测试中，LFM2.5-2.6B在ToolSandbox、Multi-IF、IFStruct和IFBench上均领先于gemma-4-E4B-it和Qwen3.5-9B，但在BFCLv4上略逊于Qwen3.5-9B。编码能力上，LiveCodeBenchv6得分为59.41，低于Qwen3.5-9B的69.86。
中文圈视角
LFM2.5-2.6B的发布对中文开发者有几点启示。首先，端侧智能体模型在国内有实际需求，尤其是在数据合规要求高的行业（如金融、医疗），本地推理避免数据出境，符合监管趋势。其次，与国产模型对比：Qwen3.5-4B和Qwen3.5-9B在工具调用上表现接近，但LFM2.5-2.6B在指令遵循上更优，且体积更小。国内开发者可直接通过Hugging Face下载权重，无需梯子，但需注意许可证条款。
对于中文场景，模型支持16种语言，但未明确是否包含中文优化。建议中文用户测试其在中文工具调用和长文本处理上的效果。此外，模型不推荐用于编程，中文编程场景仍需依赖更大模型或专用代码模型。
几条值得记住的细节
- 模型参数2.69B，30层（22短卷积+8 GQA），上下文128K，预训练约34T token。
- 在M5 Max上解码速度220 token/s，内存占用低于2.5GB；手机上约30 token/s。
- 权重以lfm1.0许可证开放，支持GGUF、MLX、ONNX，兼容llama.cpp、vLLM等。
- 在ToolSandbox、Multi-IF、IFStruct上超越gemma-4-E4B-it和Qwen3.5-9B。
- 不推荐用于智能体编码或知识密集型任务。
一句话总结
LFM2.5-2.6B为端侧智能体提供新选择，中文开发者可低成本部署，但需验证中文效果。