Liquid AI推出LFM2.5端侧模型：兼顾高吞吐与隐私保护

Liquid AI 宣布推出全新的端侧混合专家模型 LFM2.5-24B-A2B。该模型专为端侧设备与边缘计算场景设计，旨在为本地运行的 AI 智能体提供低延迟、高吞吐和高隐私保障的计算能力。

长期以来，部署具备多步规划和工具调用能力的 AI 智能体通常依赖超大规模的云端大语言模型。这不仅带来显著的网络延迟和使用成本，在涉及敏感数据时还存在数据泄露隐患。LFM2.5-24B-A2B 的发布，正是为了解决端侧算力受限与模型能力需求之间的矛盾。

混合架构与端侧优化

LFM2.5-24B-A2B 总参数量为 240 亿（24B），但采用了稀疏激活机制，单次推理仅激活约 20 亿（2B）参数。这种「总规模大、激活参数小」的架构设计，既保留了模型在逻辑推理与指令遵循上的大容量表达能力，又大幅降低了端侧设备的计算负载和发热量。

结合 Liquid 基础模型（Liquid Foundation Models）特有的非 Transformer 混合架构，LFM2.5-24B-A2B 在长上下文处理和连续流式推理中表现出极高的效率。相较于同等规模的传统密集模型，其首字生成延迟（TTFT）显著下降，内存占用和带宽需求也得到大幅精简。

适配终端智能体工作流

该模型在设计之初便针对智能体任务进行了定向优化，涵盖复杂指令解析、函数调用（Function Calling）以及多轮状态追踪。开发者可以在配备主流 GPU、高规格集成显卡或专有 NPU 的个人 PC 及边缘设备上直接加载该模型。

在本地部署环境下，AI 智能体能够直接与操作系统的文件管理、浏览器自动化脚本以及私有数据库无缝交互，所有 Token 计算均在本地芯片内完成，彻底杜绝数据上传云端的合规风险。

目前，LFM2.5-24B-A2B 相关权重与评估套件已正式在 Hugging Face 平台开放，支持开发者基于现有框架进行本地量化与边缘部署测试。