Liquid开放240亿参数模型，主打本地智能体推理

发生了什么

Liquid AI发布LFM2.5-24B-A2B，总参数240亿、每次激活20亿，面向本地智能体和工具调用。基础模型与后训练权重已提供下载，官方还给出Playground与本地运行文档。这一版会在最终回答前输出推理过程。1

具体是什么

相比前代，公告将上下文从32768扩展至131072令牌，并调整了词表和训练。较少的激活参数有助于降低每一步计算量，但完整权重与缓存仍需要内存，不能按20亿参数直接估算整机要求。1 官网列出不同硬件上的速度数据。阅读时应注意单个请求的生成速度与服务器批量吞吐不是一回事，也不要把一种量化、上下文和并发设置的结果套到所有设备上。

怎么用

先从官方文章进入模型卡、许可和运行文档，确认自己的引擎支持对应版本。可以从Playground做初步功能观察，再考虑本地下载，避免花时间准备硬件后才发现任务不合适。1 测试最好包含真正需要调用工具的流程，而不只是闲聊。为每个任务写清正确结果，检查参数格式、调用顺序、失败恢复以及最终答复是否与工具返回一致，再记录总耗时和资源占用。

意味着什么

本地智能体模型的意义，在于让部分工作可以在自有环境完成。对于处理私人文档或需要长期运行的应用，这提供了新的取舍空间：云端调用更省维护，本地部署则更便于掌握运行位置与资源。 小团队可以先找出一个重复且边界清楚的环节，例如文件分类后的工具操作，判断它是否能稳定替代现有方案。不要仅因为模型能装进设备，就把整个业务流程迁过去。

局限与风险

开放权重的具体使用条件应以模型许可为准；本次没有把它表述成无限制商用。官方基准也不能证明任意语言和工具环境下的效果。1 推理模型可能在简单任务上产生额外输出，需要把实际令牌和完成时间一起计入成本。部署前还应检查长上下文的内存峰值，以及工具失败后是否会重复执行。我们没有下载权重或运行性能测试，文章只提供基于公开材料的选型与验证建议。