8月6日（日本時間8月7日）、MarkTechPostが「Liquid AI Releases LFM2.5-2.6B: An On-Device Agentic Model With 128K Context, Tool Calling, And Open Weights」と題した記事を公開した。MITのスピンアウト企業として液体ニューラルネットワーク（Liquid Neural Network）研究を起源とするLiquid AIが、オンデバイス動作に特化した小型エージェントモデル「LFM2.5-2.6B」をオープンウェイトで公開した。LFMは「Liquid Foundation Model」の略称であり、同社が独自アーキテクチャで展開するモデルファミリーだ。エッジ端末上でツール呼び出しや長文コンテキストを扱える2.6Bクラスのモデルが、パラメータ数で3〜4倍大きなモデルを複数のエージェントベンチマークで上回ったという結果は、オンデバイスAIの実用水準を大きく引き上げる可能性がある。
2.6Bパラメータで128Kコンテキスト、ツール呼び出し対応
LFM2.5-2.6Bは、スマートフォン、ノートPC、デスクトップPC、ロボットなど、ローカル環境での推論を前提に設計されており、推論時にデータが外部に送出されない点が特徴だ。
スペックの概要は以下のとおりだ：
- 総パラメータ数: 2.69B
- コンテキスト長: 131,072トークン（≒128K）
- 語彙サイズ: 128,000トークン
- 事前学習トークン数: 約34兆トークン
- 対応言語: 16言語（テキストのみ）
- メモリ使用量: 2.5GB未満
推論速度についても実測値が公開されており、Apple M5 Max上では220トークン/秒、スマートフォン上では30トークン/秒とされている。単一のNVIDIA H100 SXM5でのサーバー運用では、1日あたり約13億トークンをさばける計算だ。
最も際立つのはツール使用・命令追従の性能
Liquid AIがGemma・Qwen系モデルとの比較ベンチマークを公開している。比較対象はパラメータ数が4〜10Bクラスの上位モデルだ。
| ベンチマーク | LFM2.5-2.6B | Gemma 4 E4B-IT（実効8B相当※） | Qwen3.5-9B（9.7B※） |
|---|---|---|---|
| ToolSandbox | 77.83 | 65.00 | 76.44 |
| Multi-IF | 80.07 | 77.35 | 62.55 |
| IFStruct | 85.49 | 76.65 | 78.50 |
| IFBench | 59.17 | 39.24 | 56.47 |
| BFCLv4 | 56.88 | 46.39 | 60.13 |
※ 元記事の表記をそのまま掲載。Gemma 4 E4B-ITはMoE構造により総パラメータ数はより大きいが実効パラメータが4B相当とされるモデルを指すと見られる。Qwen3.5-9Bは元記事の表記に従っており、一般に流通するQwen2.5-7BやQwen3-8Bとは異なる可能性があるため、最新のQwen公式リリース情報も合わせて参照されたい。
ToolSandbox（ツール使用）とMulti-IF、IFStruct、IFBench（命令追従）の4項目で自身より大幅に大きなモデルを上回っている。BFCLv4のみQwen3.5-9Bに僅差で劣る。
一方、コーディングは明確に苦手だ。LiveCodeBenchv6のスコアはLFM2.5-2.6Bが59.41に対し、Qwen3.5-9Bは69.86。Liquid AI自身もエージェントコーディングや知識集約型タスクには推奨しないと明記している。
4段階のポストトレーニング
ベースモデルをエージェントとして機能させるために、以下の4段階のポストトレーニングが施されている。
- SFTを2回連続適用（LFM2.5-8B-A1B比で約7倍のSFTミックスを使用）
- 教師モデルの専門化：ドメインごとの専門家モデルを強化学習（検証可能報酬付き）で訓練
- マルチドメインのオンポリシー蒸留：学生モデルが自身のポリシーでロールアウトし、各プロンプトをドメイン教師にルーティング
- GRPOによるエージェント強化学習：Hermes AgentやOpenClawなどの実環境ハーネス上で実施
アーキテクチャは30層構成で、22層の短距離畳み込みブロック（short convolution）と8層のGQA（Grouped-Query Attention）ブロックを組み合わせたハイブリッド構造だ。純粋なTransformerではなく、液体ニューラルネットワーク研究から発展したLiquid AI独自の設計が採用されている。
配布形式と対応フレームワーク
ウェイトはHugging Faceに公開されており、ファインチューニング用のBaseとエージェントワークロード向けのポストトレーニング済みの2種類が提供されている。ライセンスはlfm1.0（Liquid AI独自ライセンス）で、商用利用の可否や再配布条件についてはLiquid AI公式ライセンス条項を直接確認することを推奨する。実務・プロダクション利用を検討する場合は、条項の精査が必要だ。
配布フォーマットと対応ツールは以下のとおりだ：
- フォーマット: ネイティブ、GGUF、MLX、ONNX
- 対応フレームワーク: llama.cpp、vLLM、SGLang、LM Studio（初日から対応）
- ファインチューニング: LoRAによるカスタマイズが可能で、TRLおよびUnsloth経由でのファインチューニングに対応
Liquid AIが想定するユースケースとして、オンデバイスアシスタント、オフラインでの長文書トリアージ、フォーム・請求書の情報抽出、ロボットの命令解析、バックグラウンドエージェントが挙げられている。プロンプトがサードパーティAPIに渡らないため、規制産業や閉域網（エアギャップ）環境での運用に適しているとされる。
詳細はLiquid AI Releases LFM2.5-2.6B: An On-Device Agentic Model With 128K Context, Tool Calling, And Open Weightsを参照していただきたい。
