Малкият модел дълго беше орязано копие на големия - същите амбиции, по-малко мозък. Тук е обратно. Малък модел, трениран от край до край за една единствена работа: да бъде агент.
Факт
Фактите: LFM2.5-2.6B е модел с 2,6 милиарда параметъра, публикуван от Liquid AI на 4 август заедно с базов вариант, двата свободни за сваляне в Hugging Face. По бенчмарковете на компанията: първи по следване на инструкции сред всички тествани и водещ по работа с инструменти на повечето тестове, с изключение на BFCLv4. Скорост: 220 токена в секунда на Apple M5 Max и 113 на AMD Ryzen - на чист процесор, без видеокарта; на H100 при висока паралелност около 15 000 изходни токена в секунда. Обучението минава през четири етапа, последният от които е агентско reinforcement learning в истински агентски харнеси. Поддържани среди: llama.cpp, MLX, vLLM, ONNX. Източник: блогът на Liquid AI в Hugging Face, 04.08.2026.
Ето кое издържа на скептичното ми око: сами пишат къде не водят. Бенчмарк от вендор четеш с уговорка - мерили са своето и избрали какво да покажат - но таблица, в която признаваш загубен тест, тежи повече от таблица само с първи места.
По-интересна ми е самата тренировка. Последният етап е reinforcement learning вътре в истински агентски харнеси - моделът учи не разговор, а работа: да извика инструмент, да прочете резултата, да продължи. Тук е зрелостта на категорията - on-device моделът вече се строи за конкретния впряг, с агентската работа заложена още от тренировката.
Агент без месечна сметка и без данни, които напускат машината.
Смятам да го пробвам сам. Рутинните ти задачи - класификация, извличане, локален асистент по документи - не искат гигант в облака. Носят ли 2,6 милиарда параметъра на лаптоп стабилно тази работа, тежкият модел остава само за тежката задача. Проверката е лесна, защото теглата са публични.
Официални първоизточници
Liquid AI (Hugging Face блог) - LFM2.5-2.6B, 04.08.2026Визуалът към статията е генериран код-арт, без чужди изображения.