К содержимому
Языковые модели

LFM2.5-2.6B

компактная агентская модель с контекстом 128K

2 мин чтенияобновлено

LFM2.5-2.6B — текстовая нейросеть семейства LFM2.5 от Liquid AI (в репозитории Jwsudar24), созданная для локального запуска прямо на пользовательских устройствах. Модель построена на гибридной архитектуре LFM2 (2.69 млрд параметров, сочетание свёрточных блоков и внимания GQA), умеет рассуждать перед ответом через тег и поддерживает 16 языков, включая русский. От базовой LFM2.5-2.6B-Base она отличается многоэтапным дообучением под агентские задачи и вызов внешних инструментов (tool use), благодаря чему конкурирует с моделями в 4 раза большего размера. Подойдёт разработчикам локальных ИИ-агентов, систем поиска по документам (RAG) и инструментов извлечения данных без облачных серверов.

Ключевые особенности

  • Гибридная архитектура и длинный контекст: 30 слоёв (22 блока двойной короткой свёртки + 8 GQA) с окном контекста до 131 072 токенов.
  • Встроенное рассуждение (reasoning): модель всегда обдумывает задачу перед ответом, автоматически открывая тег в шаблоне диалога.
  • Нативная работа с инструментами: обучена внутри популярных агентских сред через reinforcement learning, умеет вызывать функции как в стиле Python-списков, так и в JSON.
  • Высокая скорость на локальном железе: выдаёт 220 токенов/с на Apple M5 Max и 113 токенов/с на процессоре AMD Ryzen, занимая менее 2.5 ГБ памяти.
  • Мультиязычность: из коробки работает на 16 языках, включая русский, английский, китайский, немецкий и японский.

Что можно сделать

  • Подключить к агентским фреймворкам: в карточке есть готовые конфиги для связки модели с Hermes, OpenClaw и Pi через локальный сервер (llama.cpp, MLX, vLLM, SGLang или LM Studio).
  • Запустить локальный RAG и извлечение данных: использовать окно в 128K токенов для анализа длинных документов и структурированного парсинга без отправки данных в облако.
  • Ускорить генерацию через speculative decoding: подключить модель-черновик LFM2.5-2.6B-DSpark (328M), чтобы получить ускорение декодирования примерно в 2.6 раза при идентичных ответах.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "LiquidAI/LFM2.5-2.6B"
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", dtype="bfloat16")
tokenizer = AutoTokenizer.from_pretrained(model_id)
inputs = tokenizer.apply_chat_template([{"role": "user", "content": "What is C. elegans?"}], add_generation_prompt=True, return_tensors="pt").to(model.device)
out = model.generate(inputs, temperature=0.1, top_k=50, repetition_penalty=1.1, max_new_tokens=512)
print(tokenizer.decode(out[0]))
Подробнее Память и скорость: менее 2.5 ГБ RAM; 220 tok/s на Apple M5 Max, 113 tok/s на AMD Ryzen CPU.
Обучение: претрейн на ~34 трлн токенов, расширение контекста до 128K и 4 этапа пост-тренинга (2 раунда SFT, дистилляция и agentic RL).
Ограничения: авторы не рекомендуют использовать модель для агентского программирования (agentic coding) и задач, требующих энциклопедических знаний.
Доступные форматы в линейке: Transformers, GGUF, ONNX, MLX.
Примеры
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.0 GB · готовые файлы6.1 GB
  • FP8 / INT8рекомендуемвеса 2.5 GB3.6 GB
  • 4-bitвеса 1.4 GB2.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 5060 Ti 8GB

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Jwsudar24/LFM2.5-2.6B — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Jwsudar24/LFM2.5-2.6B --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к LFM2.5-2.6B
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

LiquidAI/LFM2.5-2.6B-Base

Новые посты про версии LFM2.5-2.6B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 10Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

Jwsudar24/LFM2.5-2.6B
Автор
Jwsudar24
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Qwen3.8-27B-CTL

Qwen3.8-27B-CTL
Языковые модели

Merlin-9M

Merlin-9M