Was ist LFM2.5-24B-A2B?
LFM2.5-24B-A2B ist das größte und letzte Modell der Familie LFM2.5 von Liquid AI, veröffentlicht am 13. Oktober 2026. Es ist ein Mixture-of-Experts-Modell mit 24 Milliarden Parametern, von denen 2,45 Milliarden an jedem Token arbeiten, und einem ungewöhnlichen Aufbau: 30 seiner 40 Schichten sind kurze Faltungsblöcke, nur 10 nutzen Attention. Es liest und schreibt Text, hat einen Kontext von 131.072 Tokens und denkt immer nach, bevor es antwortet. Gegenüber LFM2-24B-A2B vervierfacht es den Kontext von 32K, verdoppelt das Vokabular auf 128.000 Tokens und verdoppelt das Pre-Training fast, auf etwa 33 Billionen Tokens.
Zum Post-Training gehörte Reinforcement Learning in vier Agenten-Umgebungen (OpenClaw, Hermes Agent, Pi und OpenCode), das Modell hat also deren Tools und System-Prompts geübt. Liquid sagt, es dekodiere auf einem Apple M5 Max in 4 Bit 184 Tokens pro Sekunde und erreiche auf einer einzelnen NVIDIA B300 bei hoher Parallelität über 21.000 Output-Tokens pro Sekunde.
Die Gewichte stehen unter der LFM Open License v1.0, die kommerzielle Nutzung durch Organisationen mit 10 Millionen $ Jahresumsatz oder mehr verbietet. Liquids eigene API berechnet 0,10 $ pro Million Input-Tokens und 1,00 $ pro Million Output-Tokens. Inzwischen hat Liquid seine nächste Generation LFM3 veröffentlicht, eine Familie kleiner Modelle für Text, Bild, Audio, Omni und Entscheidungen, die wir in einem eigenen Test zu LFM3 behandeln.
Lohnt sich LFM2.5-24B-A2B?
LFM2.5-24B-A2B ist für eine Aufgabe gebaut, das Aufrufen von Tools auf einem lokalen Rechner, und Liquids Zahlen sagen, dass es diese Aufgabe besser erledigt als größere Konkurrenten. Seine Card nennt 27,69 bei AutomationBench gegenüber 8,72 für Qwen3.6-35B-A3B, 48,09 bei LiveClaw gegenüber 38,19 und 80,71 bei ToolSandbox gegenüber 75,02, wobei Liquid alle Modelle selbst in vLLM ausgeführt hat. Es führt auch bei allen drei Tests zum Befolgen von Anweisungen, mit 96,75 bei IFEval. Artificial Analysis hatte das Modell bei unserer Prüfung nicht bewertet, nichts davon ist also unabhängig bestätigt.
Dieselbe Tabelle zeigt seine Grenzen. Qwen3.6-35B-A3B führt bei SWE-bench Verified in OpenCode mit 66,20 zu 51,00, bei GPQA Diamond mit 83,69 zu 74,42, bei WebArena Verified mit 37,62 zu 26,75 und bei PinchBench mit 89,93 zu 83,18. Liquid selbst rät davon ab, es allein für wissensintensive Arbeit einzusetzen, und empfiehlt, es mit Retrieval oder Websuche zu kombinieren.
Bei der Hardware überzeugt es. Das GGUF in Q4_K_M ist 14,53 GB groß und ein quantisierungsbewusster Q4_0-Build 13,58 GB, es passt also auf einen Mac mit 24 GB samt Platz für Kontext oder auf eine GPU mit 16 GB mit sehr wenig davon. Liquid hat bei einem Input von 4K Tokens 184 Tokens pro Sekunde auf einem M5 Max und 114 auf einem AMD Ryzen AI Max+ 395 gemessen, bis zum 1,7-Fachen des nächstbesten verglichenen Modells. Das sind Liquids Zahlen von seinem eigenen Benchmark-Aufbau.
Die Lizenz ist die eigentliche Einschränkung. Die LFM Open License v1.0 gewährt kommerzielle Rechte nur Organisationen unter 10 Millionen $ Jahresumsatz; alles darüber braucht eine gesonderte Vereinbarung mit Liquid. Gemma 4 unter Apache 2.0 hat keine solche Grenze. Gehostete Nutzung umgeht die Frage, und OpenRouters 0,05 $ Input und 0,70 $ Output pro Million unterbieten Liquids eigene 0,10 $ und 1,00 $, doch jede Antwort beginnt mit einem Reasoning-Block, die Ausgaben für Output liegen also höher als bei einem Modell ohne Denkphase.
Wo es sich lohnt
Ein Entwickler, der Hermes Agent oder OpenClaw auf einem MacBook mit 24 GB betreibt
Einen privaten persönlichen Agenten betreiben, der über Tools bucht, ablegt und sucht
Stell das GGUF in Q4_K_M mit 14,53 GB per llama.cpp oder den MLX-Build in 4 Bit bereit und richte die Umgebung mit einem Kontext von 131.072 Tokens auf den lokalen Endpunkt. Das Modell wurde in diesen Umgebungen trainiert; kombiniere es mit Websuche, denn laut Liquid ist Wissen seine Schwachstelle.
Eine Plattformingenieurin bei einem SaaS-Unternehmen, das Kunden Automatisierungsagenten anbietet
Tool-Aufrufe in großer Menge günstig ausführen
Liquid meldet über 21.000 Output-Tokens pro Sekunde auf einer B300 mit SGLang bei hoher Parallelität. Self-Hosting braucht ab 10 Millionen $ Umsatz eine kommerzielle Vereinbarung; ansonsten kosten 1 Milliarde Input- und 100 Millionen Output-Tokens im Monat zum OpenRouter-Preis von 0,05 $/0,70 $ etwa 120 $.
Der Gründer eines Legal-Tech-Startups mit sieben Leuten
Einen Assistenten, der auf dem Gerät läuft, in einem Desktop-Produkt ausliefern
Unter 10 Millionen $ Umsatz erlaubt die LFM-Lizenz kommerzielle Nutzung und Fine-Tuning, sofern Hinweise in weitergegebenen Kopien erhalten bleiben. Plane eine Neuverhandlung ein, sobald das Unternehmen die Schwelle überschreitet, denn dann deckt die Lizenz es nicht mehr ab.
Bevor du dich festlegst
- Einrichtung
- Transformers 5.0 oder neuer, vLLM, SGLang, llama.cpp, MLX oder LM Studio. Das Chat-Template fügt jeder Antwort ein `<think>`-Tag hinzu; Liquid empfiehlt temperature 0.1, top_k 50 und repetition penalty 1.05.
- Integrationen
- Tool-Aufrufe sind standardmäßig Funktionslisten im Python-Stil zwischen Spezial-Tokens und wechseln zu JSON, wenn der System-Prompt das verlangt; Liquid dokumentiert Konfigurationen für Hermes, OpenClaw und Pi. Gehostet auf Liquid Console und auf OpenRouter, wo Liquid der Anbieter ist.
- Daten und Datenschutz
- Self-Hosting hält die Daten lokal. Die LFM Open License v1.0 erlaubt kommerzielle Nutzung nur Organisationen unter 10 Millionen $ Jahresumsatz, mit einer Ausnahme für gemeinnützige Forschung.
- Kosten im großen Maßstab
- Auf OpenRouter kosten 1 Milliarde Input- und 100 Millionen Output-Tokens im Monat etwa 120 $; zu den 0,10 $/1,00 $ von Liquid Console etwa 200 $. Self-Hosting braucht 13,58 bis 14,53 GB in 4 Bit, 25,49 GB in Q8_0 oder 47,96 GB in BF16.
- Grenzen
- Kontext von 131.072 Tokens; OpenRouter bedient 128.000 Tokens mit einer Output-Grenze von 8.192 Tokens. Nur Text. Denkt immer zuerst nach. Liquid rät von wissensintensiven Aufgaben ohne Retrieval ab.
Was gut ist
- 27,69 bei AutomationBench gegenüber 8,72 für Qwen3.6-35B-A3B (selbst gemeldet)
- 14,53 GB in Q4_K_M; 184 Tokens/s auf einem M5 Max (Liquid)
- Builds in GGUF, MLX, ONNX und FP8 zum Start
- 0,05 $ / 0,70 $ pro 1 Mio. Tokens auf OpenRouter
Was nicht
- Keine kommerzielle Lizenz ab 10 Mio. $ Jahresumsatz
- Hinter Qwen3.6-35B-A3B bei SWE-bench Verified und GPQA
- Denkt immer nach, Output-Tokens summieren sich also
- Nur Text; noch kein unabhängiger Ranglistenwert
Am besten für
Entwickler und kleinere Unternehmen, die Agenten mit Tool-Aufrufen auf Laptops oder einzelnen GPUs betreiben und unter der Umsatzgrenze von 10 Millionen $ liegen oder eine gehostete API nutzen.
Alternativen zu LFM2.5-24B-A2B
LFM2.5-24B-A2B: häufige Fragen
- Lohnt sich LFM2.5-24B-A2B?
- Ein Agentenmodell in Laptopgröße, das Qwen3.6-35B-A3B in Tool-Tests übertrifft, gebremst durch eine Lizenz, die bei 10 Millionen $ Umsatz endet. Wir bewerten es mit 3.8 von 5.
- Was kostet LFM2.5-24B-A2B?
- Kostenlose Gewichte unter der LFM Open License (kommerzielle Nutzung nur unter 10 Mio. $ Jahresumsatz). Liquid Console: 0,10 $ Input / 1,00 $ Output pro 1 Mio. Tokens; OpenRouter: 0,05 $ / 0,70 $.
- Welche Nachteile hat LFM2.5-24B-A2B?
- Keine kommerzielle Lizenz ab 10 Mio. $ Jahresumsatz; Hinter Qwen3.6-35B-A3B bei SWE-bench Verified und GPQA; Denkt immer nach, Output-Tokens summieren sich also; Nur Text; noch kein unabhängiger Ranglistenwert.
- Für wen eignet sich LFM2.5-24B-A2B?
- Entwickler und kleinere Unternehmen, die Agenten mit Tool-Aufrufen auf Laptops oder einzelnen GPUs betreiben und unter der Umsatzgrenze von 10 Millionen $ liegen oder eine gehostete API nutzen.
- Was kostet LFM2.5-24B-A2B für ein Team oder im Produktivbetrieb?
- Auf OpenRouter kosten 1 Milliarde Input- und 100 Millionen Output-Tokens im Monat etwa 120 $; zu den 0,10 $/1,00 $ von Liquid Console etwa 200 $. Self-Hosting braucht 13,58 bis 14,53 GB in 4 Bit, 25,49 GB in Q8_0 oder 47,96 GB in BF16.
- Ist LFM2.5-24B-A2B sicher für Firmendaten?
- Self-Hosting hält die Daten lokal. Die LFM Open License v1.0 erlaubt kommerzielle Nutzung nur Organisationen unter 10 Millionen $ Jahresumsatz, mit einer Ausnahme für gemeinnützige Forschung.
- Was sind die besten Alternativen zu LFM2.5-24B-A2B?
- Die nächsten Alternativen, die wir getestet haben, sind gpt-oss-20b, Gemma 4, Underdog Saluki 27B 1.0, Qwen3.8-27B und Ministral 3 (3B, 8B and 14B).
Antworten geprüft am 28. Okt. 2026.