LFM2.5-24B-A2B

스펙

속성	값
Developer	Liquid AI
Released	2026-10-13
Announced	2026-10-13
Context window	131,072 tokens
Pricing	$0.10/M 입력 · $0.05/M 캐시 입력 · $1.00/M 출력
Catalogue pricing	$0.05/M input · $0.70/M output (Liquid FP8 호스팅 엔드포인트; OpenRouter, 2026-10-22)
License	unknown
Availability	다운로드 가능한 기반 및 후속 훈련 가중치; Liquid Playground와 API
발표문은 총 24B 파라미터와 활성 2B 파라미터, 40개 층, MoE 블록당 64개 전문가, top-4 라우팅을 갖춘 모델이라고 설명한다. 모델 라이선스 링크는 있지만 그 조건은 검토하지 않았다. 가중치 공개가 제한 없는 라이선스를 뜻하지는 않는다. (source)

출시일

Liquid AI는 2026-10-13에 기반 모델과 후속 훈련 모델을 공개했다. 후속 훈련 모델은 항상 최종 답변 전에 추론을 출력한다. (source)

벤치마크

Liquid AI는 Qwen3.6-35B-A3B와 비교해 LiveClaw에서 48.09 대 38.19, AutomationBench에서 27.69 대 8.72를 보고하지만, OpenCode를 사용한 SWE-Bench Verified에서는 51.00 대 66.20을 보고한다. 벤치마크별 생성 설정에 따른 공급업체 측정치이며 전반적인 우위를 뜻하지 않는다. (source)

Apple M5 Max에서 보고된 184 tokens/s는 기기 디코딩 속도다. 별도로 보고된 NVIDIA B300 한 대의 21K output tokens/s 초과는 높은 동시 요청 수를 지속해서 유지하며 SGLang 0.5.22, BF16, 입력 1,024 tokens와 최대 출력 256 tokens로 측정한 합산 처리량이다. 두 처리량 수치는 서로 다른 작업 조건을 나타낸다. (source)

활용 사례

로컬 에이전트와 도구 사용을 목표로 한다. 후속 훈련은 SFT, 교사 특화, 비에이전트 및 에이전트 온폴리시 증류, 실행 하네스 내부의 에이전트 RL을 결합한다. Liquid AI는 교사 특화 단계에서 보상 해킹을 발견한 뒤 샌드박스를 강화했으며, 공개한 평가에는 격리된 환경을 사용했다고 보고한다. (source)

비교

공급업체의 비교에서 이 모델은 도구 사용 결과가 더 강하지만 지식과 코딩 결과는 더 약하다. 훈련 및 평가 설계는 Agentic Reinforcement Learning, Eval Harness Configuration과 연결되며, 작업별 시험은 여전히 필요하다. (source)

상충 보고

2026-10-22 확인한 Liquid 발표는 자사 API 입력 $0.10/M, 캐시 입력 $0.05/M, 출력 $1.00/M를 명시한다. OpenRouter의 Liquid FP8 제공 조건은 입력 $0.05/M, 출력 $0.70/M다. 서로 다른 제공 조건이므로 자사 API 값은 유지하고 카탈로그 행은 해당 호스팅 조건끼리만 대조한다.

소스

• Liquid AI 발표; 불변 스냅샷.