Liquid AI выпустила модель для локальных AI-агентов на обычных ноутбуках

Liquid AI выпустила LFM2.5-8B-A1B — компактную модель для локального запуска AI-агентов на потребительском железе. Компания описывает ее как edge-модель для быстрых и надежных вызовов инструментов: не просто чат, а ассистент, который может следовать сложным инструкциям, связывать несколько действий и работать рядом с пользователем, а не только в облаке.

Модель уже доступна на Hugging Face и в Liquid Playground. Важная деталь — это не маленькая игрушечная модель в старом смысле. У LFM2.5-8B-A1B 8,3 млрд параметров, но активны около 1,5 млрд, потому что она использует MoE-подход. Контекст вырос до 128 тысяч токенов, обучение расширили с 12 трлн до 38 трлн токенов, а словарь увеличили до 128 тысяч, чтобы лучше работать с не-латинскими языками.

Почему это важно не только разработчикам

Большая часть AI-новостей сейчас крутится вокруг самых дорогих frontier-моделей. Liquid AI показывает другой маршрут: сделать достаточно сильную модель, которая быстрее работает, дешевле запускается и может жить на ноутбуке, рабочей станции или локальном сервере. Для компаний это снижает зависимость от облачных API там, где данные чувствительные, запросов много или задержка критична.

Для обычного пользователя смысл тоже понятен. Локальный ассистент может анализировать документы, помогать с задачами, вызывать инструменты и хранить больше контекста без постоянной отправки всего в чужое облако. Это не отменяет большие модели: для сложного программирования и знаний без поиска Liquid прямо предупреждает, что LFM2.5 не лучший выбор. Но для прикладных цепочек, где важны скорость, приватность и цена, такой класс моделей становится все более интересным.

Ставка на агентов, а не на рекорды

Liquid AI делает акцент на tool calling и агентных сценариях. В модельной карточке указана поддержка function calling, структурированных ответов, мультиязычных ассистентов и локального развертывания. Есть готовые варианты для llama.cpp, MLX на Apple Silicon, ONNX, vLLM и SGLang, то есть модель сразу ориентирована на практический запуск, а не только на демонстрационный бенчмарк.

Компания также пишет, что боролась с двумя типичными проблемами маленьких моделей: длинными «зацикленными» рассуждениями и галлюцинациями. Для этого добавили отдельные этапы обучения и подкрепления, чтобы модель лучше признавала границы знаний и меньше уходила в повторяющиеся рассуждения. Эти заявления все равно нужно проверять в реальных задачах, но сама постановка важна: локальный AI взрослеет и начинает конкурировать не громкостью анонса, а удобством внедрения.

Что теперь смотреть

Главный вопрос — смогут ли такие модели стать рабочей базой для персональных агентов: тех, что читают локальные файлы, вызывают программы, помогают с документами и живут в привычной среде пользователя. Если LFM2.5 действительно будет быстро работать на обычном железе и сохранять приемлемое качество в tool-use задачах, это усилит тренд на гибридный AI: большие облачные модели для самых сложных запросов, локальные модели — для ежедневной автоматизации и приватных рабочих процессов.

Для Neuro.ee здесь важен не один релиз Liquid AI, а направление. AI-гонка постепенно делится на два слоя: сверху остаются самые мощные модели, а снизу растет рынок компактных ассистентов, которые можно поставить ближе к данным, устройствам и реальной работе пользователя.