Lar
A Liquid AI disponibiliza em código aberto o modelo híbrido especializado LFM2.5 para IA de ponta
A startup de IA Liquid AI lançou hoje oficialmente e disponibilizou em código aberto seu mais recente modelo de grande porte para a borda, o LFM2.5-8B-A1B . Projetado para a execução de ferramentas e o cumprimento de instruções complexas em hardware de consumo, o modelo melhora o desempenho de raciocínio e inferência em dispositivos de borda, mantendo os custos computacionais extremamente baixos.
Em termos de arquitetura, ele utiliza um design esparso de mistura de especialistas (MoE) com um total de 8,3 bilhões de parâmetros. Graças a essa esparsidade, ele ativa apenas 1,5 bilhão de parâmetros por token, permitindo uma operação local fluida em smartphones, laptops e dispositivos similares.

Contexto ampliado e raciocínio mais robusto
Em comparação com seu antecessor, o LFM2.5 amplia a janela de contexto de 32 mil para 128 mil tokens e aumenta os dados de pré-treinamento de 12 T para 38 T de tokens. Como um modelo de inferência puro, ele produz uma cadeia de raciocínio explícita antes de fornecer a resposta final. Seu vocabulário altamente compactado lida com eficiência com nove idiomas, incluindo chinês e árabe.
Para reduzir loops lógicos sem saída e alucinações durante o raciocínio prolongado, a equipe de desenvolvimento aplicou aprendizado por reforço (RL) em duas etapas durante o treinamento. A otimização de preferências reduz efetivamente os “loops sem saída” no raciocínio de cadeia longa, enquanto um mecanismo especializado de recompensa anti-alucinação permite que o modelo se recuse ativamente a responder a perguntas fora de sua base de conhecimento.
Desempenho de ponta poderoso e amplo suporte ao ecossistema
Em termos de desempenho, o LFM2.5 apresentou ganhos explosivos. Suas pontuações em benchmarks de raciocínio lógico e anti-alucinação superam em muito as de seu antecessor, e ele chega a competir com modelos maiores no cumprimento de instruções. Para a chamada de ferramentas, o modelo tem como padrão a geração de chamadas de função Python eficientes e oferece suporte à transição perfeita para o formato JSON por meio de prompts do sistema.
O modelo recebeu suporte total das principais estruturas de inferência no dia do lançamento, incluindo llama.cpp, MLX, vLLM e SGLang. Em testes de hardware, ele atingiu velocidades de decodificação de até 253 bytes por segundo no chip M5 Max e cerca de 30 bytes por segundo em dispositivos móveis, equilibrando perfeitamente privacidade e eficiência para implantações de ponta.
Artigo relacionado
Stripe vai adquirir a OpenRouter à medida que o roteamento baseado em modelos de IA ganha força
A Stripe concordou em adquirir a OpenRouter, uma plataforma de roteamento de modelos de IA que oferece aos desenvolvedores acesso a centenas de modelos por meio de uma única interface. O acordo amplia
O ex-pesquisador da OpenAI, Barrett Zoph, retorna ao Google para apoiar o desenvolvimento do Gemini
Barret Zoph, que anteriormente havia deixado a empresa de forma repentina e se juntado à OpenAI devido a um desentendimento com a CEO da Thinking Machines Lab, Miriam Mularati, mudou de emprego mais u
Como a Recursive Intelligence levantou US$ 335 milhões com uma avaliação de US$ 4 bilhões em 4 meses
As cofundadoras da startup Ricursive Intelligence pareciam destinadas a serem cofundadoras.Anna Goldie, CEO, e Azalia Mirhoseini, CTO, são tão conhecidas na comunidade de IA que estavam entre os engen
Recomendações de tópicos especiais relacionados
Comentários (1)
A startup de IA Liquid AI lançou hoje oficialmente e disponibilizou em código aberto seu mais recente modelo de grande porte para a borda,
Em termos de arquitetura, ele utiliza um design esparso de mistura de especialistas (MoE) com um total de 8,3 bilhões de parâmetros. Graças a essa esparsidade, ele ativa apenas 1,5 bilhão de parâmetros por token, permitindo uma operação local fluida em smartphones, laptops e dispositivos similares.

Contexto ampliado e raciocínio mais robusto
Em comparação com seu antecessor, o LFM2.5 amplia a janela de contexto de 32 mil para 128 mil tokens e aumenta os dados de pré-treinamento de 12 T para 38 T de tokens. Como um modelo de inferência puro, ele produz uma cadeia de raciocínio explícita antes de fornecer a resposta final. Seu vocabulário altamente compactado lida com eficiência com nove idiomas, incluindo chinês e árabe.
Para reduzir loops lógicos sem saída e alucinações durante o raciocínio prolongado, a equipe de desenvolvimento aplicou aprendizado por reforço (RL) em duas etapas durante o treinamento. A otimização de preferências reduz efetivamente os “loops sem saída” no raciocínio de cadeia longa, enquanto um mecanismo especializado de recompensa anti-alucinação permite que o modelo se recuse ativamente a responder a perguntas fora de sua base de conhecimento.
Desempenho de ponta poderoso e amplo suporte ao ecossistema
Em termos de desempenho, o LFM2.5 apresentou ganhos explosivos. Suas pontuações em benchmarks de raciocínio lógico e anti-alucinação superam em muito as de seu antecessor, e ele chega a competir com modelos maiores no cumprimento de instruções. Para a chamada de ferramentas, o modelo tem como padrão a geração de chamadas de função Python eficientes e oferece suporte à transição perfeita para o formato JSON por meio de prompts do sistema.
O modelo recebeu suporte total das principais estruturas de inferência no dia do lançamento, incluindo llama.cpp, MLX, vLLM e SGLang. Em testes de hardware, ele atingiu velocidades de decodificação de até 253 bytes por segundo no chip M5 Max e cerca de 30 bytes por segundo em dispositivos móveis, equilibrando perfeitamente privacidade e eficiência para implantações de ponta.
Stripe vai adquirir a OpenRouter à medida que o roteamento baseado em modelos de IA ganha força
A Stripe concordou em adquirir a OpenRouter, uma plataforma de roteamento de modelos de IA que oferece aos desenvolvedores acesso a centenas de modelos por meio de uma única interface. O acordo amplia
O ex-pesquisador da OpenAI, Barrett Zoph, retorna ao Google para apoiar o desenvolvimento do Gemini
Barret Zoph, que anteriormente havia deixado a empresa de forma repentina e se juntado à OpenAI devido a um desentendimento com a CEO da Thinking Machines Lab, Miriam Mularati, mudou de emprego mais u
Como a Recursive Intelligence levantou US$ 335 milhões com uma avaliação de US$ 4 bilhões em 4 meses
As cofundadoras da startup Ricursive Intelligence pareciam destinadas a serem cofundadoras.Anna Goldie, CEO, e Azalia Mirhoseini, CTO, são tão conhecidas na comunidade de IA que estavam entre os engen











