Liquid AI wypuszcza LFM2.5-24B-A2B - szybki model agentowy do uruchomienia lokalnie

Ten news ukazał się 6 min po komunikacie źródła.

👁 119 przeczytań

Liquid AI opublikowało 5 sierpnia 2025 roku na platformie Hugging Face model LFM2.5-24B-A2B - architekturę zaprojektowaną z myślą o szybkich, prywatnych agentach AI działających bezpośrednio na urządzeniu końcowym. To jeden z niewielu modeli tej klasy, który łączy dużą nominalną liczbę parametrów z ekstremalnie niskim kosztem aktywacji.

24 miliardy na papierze, 2 miliardy w praktyce

Liczby w nazwie nie są przypadkowe. LFM2.5-24B-A2B to model z 24 miliardami parametrów łącznie, ale mechanizm Mixture of Experts (MoE) sprawia, że przy każdym wywołaniu aktywowane są zaledwie 2 miliardy z nich. To podejście znane już z modeli takich jak Mistral’s Mixtral czy Google Gemini, ale Liquid AI stosuje je w kontekście, który do tej pory rzadko był priorytetem: uruchamiania agentów lokalnie, poza infrastrukturą chmurową.

Co to oznacza w praktyce? Model może działać na sprzęcie konsumenckim lub sprzęcie edge computing bez konieczności posiadania centrum danych. Aktywna przestrzeń 2B parametrów oznacza, że wymagania pamięciowe i obliczeniowe są zbliżone do kompaktowych modeli klasy 2-3B, podczas gdy model dysponuje znacznie bogatszą reprezentacją wiedzy zakodowaną w pełnych 24 miliardach parametrów - dostępną w zależności od kontekstu zapytania.

Dla programistów budujących aplikacje agentowe jest to istotna zmiana jakościowa. Typowy agent AI wykonuje dziesiątki, a nawet setki wywołań modelu na jedno zadanie użytkownika - sprawdza stan, planuje kroki, wywołuje narzędzia, weryfikuje wyniki. Każde z tych wywołań w modelu chmurowym generuje opóźnienie rzędu setek milisekund i wiąże się z przesyłaniem danych przez sieć. Model on-device radykalnie skraca tę pętlę i eliminuje transmisję danych.

Prywatność jako argument architektoniczny

Liquid AI wprost pozycjonuje LFM2.5-24B-A2B jako rozwiązanie dla scenariuszy, gdzie prywatność jest wymaganiem, nie opcją. To celny ruch. Rynek modeli on-device rośnie pod presją dwóch sił: regulacji (RODO w Europie, przepisy sektorowe w finansach i ochronie zdrowia) oraz rosnącej nieufności użytkowników do wysyłania wrażliwych danych do zewnętrznych serwerów.

W Polsce i szerzej w Europie ten aspekt ma szczególne znaczenie. Firmy wdrażające rozwiązania AI w procesach kadrowych, prawnych czy medycznych stają przed dylematem: albo korzystają z potężnych modeli chmurowych i akceptują ryzyka zgodności z RODO, albo używają słabszych modeli lokalnych. LFM2.5-24B-A2B aspiruje do zajęcia trzeciej pozycji - model wystarczająco mocny, żeby był użyteczny, i wystarczająco mały, żeby działał lokalnie.

Nie jest to pierwsza próba wypełnienia tej niszy. Apple Intelligence operuje podobną filozofią - przetwarzanie na urządzeniu z opcją eskalacji do chmury tylko dla najtrudniejszych zapytań. Microsoft eksperymentuje z modelami Phi na laptopach z Copilot+. Qualcomm i NVIDIA oferują SDK zoptymalizowane pod modele on-device. Liquid AI wchodzi w tę przestrzeń z modelem, który - przynajmniej według dokumentacji - jest zoptymalizowany nie pod ogólne benchmarki, ale pod specyficzny wzorzec użycia: wielokrokowe zadania agentowe.

LFM - inna architektura niż Transformer

Warto podkreślić, czym jest rodzina LFM (Liquid Foundation Models). Liquid AI, założone przez badaczy z MIT, od początku buduje modele na bazie tzw. Liquid Neural Networks - architektury inspirowanej biologicznymi układami nerwowymi, gdzie dynamika sieci zmienia się w zależności od przetwarzanych danych. To fundamentalnie inne podejście niż klasyczne Transformery, na których opiera się GPT, Claude, Gemini czy Llama.

Poprzednie modele z rodziny LFM pokazywały, że ta architektura radzi sobie wyjątkowo dobrze z długimi kontekstami i sekwencyjnym przetwarzaniem informacji - co jest dokładnie tym, czego wymaga agent AI śledzący wieloetapowe zadanie. Karta modelu na Hugging Face opisuje LFM2.5-24B-A2B jako kolejny krok w tej linii, z dodatkiem architektury MoE pozwalającej na skalowanie wiedzy przy zachowaniu niskich kosztów inferencji.

LFM2.5 to także ewolucja względem poprzedniej generacji LFM2 - Liquid AI konsekwentnie iteruje architekturę, choć firma pozostaje relatywnie mała i mniej medialna niż OpenAI, Anthropic czy Mistral. Zainteresowanie modelem na Hugging Face - ponad 2,91 tysiąca polubień i 351 pobrań w ciągu kilku dni od publikacji - sugeruje, że społeczność open-source śledzi te prace uważnie.

Co to zmienia dla twórców aplikacji AI

Pojawienie się LFM2.5-24B-A2B wpisuje się w szerszy trend, który zaczął nabierać tempa w 2024 i 2025 roku: decentralizację inferencji. Przez kilka lat narracja rynkowa koncentrowała się na wyścigu o coraz większe modele chmurowe. Teraz coraz więcej firm - od Apple i Qualcomm po startupy takie jak Liquid AI - zakłada, że przyszłość AI to hybrydowy model obliczeń: potężna chmura do trenowania i rzadkich, złożonych zadań, a lekkie, wyspecjalizowane modele na urządzeniu do codziennej pracy agentów.

Dla polskich deweloperów i firm budujących produkty AI oznacza to konkretną możliwość: zamiast uzależniać architekturę od jednego dostawcy API i ponosić koszty każdego wywołania, można wbudować model lokalny jako warstwę podstawową. LFM2.5-24B-A2B jest dostępny na Hugging Face, co oznacza możliwość pobrania wag i uruchomienia we własnej infrastrukturze - bez opłat za token, bez limitów API, bez ryzyka, że zewnętrzny dostawca zmieni cennik lub warunki świadczenia usług.

Pytanie, które pozostaje otwarte, brzmi: jak LFM2.5-24B-A2B wypada na standardowych benchmarkach agentowych w porównaniu z konkurencją - Mistral Small, Phi-3.5, Gemma czy Qwen. Liquid AI nie opublikowało jeszcze pełnych wyników porównawczych, a to właśnie twardymi liczbami rynek zwykle weryfikuje deklaracje o jakości modeli on-device.

Odpowiedź na to pytanie będzie decydować o tym, czy LFM2.5-24B-A2B zostanie szeroko adoptowany, czy pozostanie ciekawostką dla entuzjastów alternatywnych architektur.