Liquid AI, a volt MIT kutatóiból alapult cég, bemutatta eddigi legkisebb nyelvi alapmodelljét, az LFM2.5‑230M‑t. A modell 230 millió paraméterrel rendelkezik, és kifejezetten olyan, helyben (on‑device) futtatható, „agentic” munkafolyamatokhoz tervezték, amelyek adatkinyerést, eszközhívásokat és autonóm élőperem‑rendszereket szolgálnak.
Mire jó és miért fontos
A cég közlése szerint a kis paraméterszám lehetővé teszi, hogy a modellt könnyebben telepítsék okostelefonokra, laptopokra, robotikára és más korlátozott erőforrású eszközökre. Liquid AI azt állítja, hogy az LFM2.5‑230M bizonyos benchmarkokban jobban teljesít olyan jóval nagyobb modelleknél is, amelyek többszörös paraméterszámmal rendelkeznek: például jobbnak tüntetik fel az 800 millió paraméteres Alibaba Qwen3.5‑0.8B (Instruct) és az 1 milliárd paraméteres Google Gemma 3 1B modelleknél egyes adatkinyerési feladatokban.
A modell célcsoportja fejlesztők és mérnökök, akik könnyű, alacsony késleltetésű adatkinyerő csővezetékeket és autonóm élőperem‑rendszereket építenek.
Műszaki megoldás és teljesítmény
Az LFM2.5‑230M az LFM2 architektúrán alapul, amely eltér a hagyományos transzformeres felépítéstől: a modell hibrid megközelítést alkalmaz, váltakoztatva a rövidtávú, gated konvolúciókat és a grouped‑query attention mechanizmust az adatok hatékony feldolgozásához. Ennek a megoldásnak az a célja, hogy hosszú kontextusokat és sorozatos adatokat kezeljen alacsony memóriaköltséggel, elkerülve a tiszta attention négyzetes memóriacsökkentését.
A modell támogat egy 32K‑s kontextusablakot, így nagyobb dokumentumok vagy folyamatos robotikai telemetria befogadására alkalmas. A kiadott teljesítménygrafikonok szerint az LFM2.5‑230M memóriaterhelése 400 MB alatt marad, és prefill, illetve decode sebességeiben előnyös más hasonló kis modellekkel szemben, például a Gemma 3 1B IT‑vel és az IBM Granite 4.0‑H‑350M‑mel összevetve.
Konkrét eszközpéldák: egy Samsung Galaxy S25 Ultra Qualcomm Snapdragon Gen4 CPU‑val dekódolási sebességben eléri a 213 token/másodpercet, míg egy szűkebb erőforrású Raspberry Pi 5‑ön 42 token/másodperces dekódolást tart fenn. A cég belső mérési eredményei szerint a GPU alapú inference stack végpont‑végpont késleltetése alacsonyabb, mint a versenytárs kismodelleké minden egyidejű felhasználói szint mellett.
Vállalati haszon és költséghatékonyság
A kiadvány hangsúlyozza, miért praktikus egy 230 millió paraméteres modell az üzleti felhasználásokhoz: a hagyományos, szabályalapú ETL (Extract, Transform, Load) rendszerek sérülékenyek és karbantartás‑igényesek — egy dokumentumformátum vagy sémaváltozás könnyen megbontja a csővezetékeket. Az „AI ETL” koncepció viszont ML‑t alkalmaz a térképezésre, séma‑eltolódások felismerésére és automatikus alkalmazkodásra.
Nagy, drága vezető modellek (például Claude Opus 4.6) használata rutinszerű számlák, címformázás vagy telemetriai adatok feldolgozására gazdaságtalan lehet (a forrás megemlít például 5,00 USD/millió input tokenes árszintet egyes nagy modelleknél). Az LFM2.5‑230M célja, hogy alacsonyabb számítási és késleltetési költséggel helyben fusson, csökkentve a folyamatos, költséges felhő API‑hívások szükségességét.
Benchmarketing eredmények
Liquid AI által közölt benchmarkokban az LFM2.5‑230M a következő eredményeket mutatta: BFCLv3 (eszközhasználat) pontszám: 43.26, megütve az IBM Granite 4.0‑350M‑t (39.58) és a Google Gemma 3 1B IT‑t (16.61). A CaseReportBench adatkinyerési méréseken 22.51 pontot ért el, ami jelentős fölény az említett Qwen3.5‑0.8B (Instruct) fölött.
A közlemény hangsúlyozza, hogy az LFM2.5‑230M nem a komplex matematikai vagy kreatív feladatok megoldására készült — ezt a korlátot maga Liquid AI is elismeri —, de adatkinyerésben és strukturált eszközhívások végrehajtásában a modell a súlyosabb modelleknél sokszor hatékonyabb megoldást kínál.
Kutatás és fejlettebb alkalmazások
A gyakorlati demonstrációk közé tartozik az LFM2.5‑230M Unitree G1 humanoid roboton való on‑device futtatása a robot fedélzeti NVIDIA Jetson Orin számítási modulján. A modell képes volt komplex, szabad szöveges utasításokat többlépéses, strukturált tervekké alakítani, amelyek előre betanított alacsony szintű készségeket hívnak meg az NVIDIA SONIC keretrendszerből.
A modell alap- és finomhangolt változatai azonnal elérhetők a Hugging Face‑en, és a kiadás napjától támogatják a főbb inference ökoszisztémákat, mint a llama.cpp (GGUF), MLX, vLLM, SGLang és ONNX.
LFM Open License v1.0 — korlátozott „nyitottság” és kereskedelmi feltételek
Az LFM2.5‑230M az LFM Open License v1.0 alatt kerül forgalomba. A licenc neve ellenére nem felel meg az Open Source Initiative (OSI) definíciójának: a szabályozás dual‑use, kereskedelmi korlátozást is tartalmaz.
Független fejlesztők, kutatók és korai fázisú startupok számára a licenc gyakorlatilag a nyílt forrású szoftverekhez hasonló jogosultságot ad: örökös, világméretű, jogdíjmentes engedélyt arra, hogy a modellt reprodukálják, módosítsák és terjesszék, amennyiben megőrzik az eredeti szerzői jogi megjegyzéseket és világosan jelzik a módosításokat.
Ugyanakkor a licenc tartalmaz egy szigorú „Kereskedelmi Használati Korlátozást”: bármely jogi személy, amely évi 10 millió USD vagy annál nagyobb bevételt termel, nem jogosult a modell kereskedelmi használatára ezen megállapodás alapján. Az ennél nagyobb bevételű vállalatoknak külön, fizetős kereskedelmi megállapodást kell kötniük Liquid AI‑jal.
A vállalati licencstratégia célja a cég szellemi tulajdonának védelme a nagy technológiai konglomerátumok ingyenes felvásárlása ellen, miközben a fejlesztői közösségben és a korai innovátoroknál széles körben elérhetővé teszi a modellt.
Elérhetőség és záró gondolatok
Az LFM2.5‑230M azonnal elérhető a Hugging Face‑en a megadott formátumokban és inference eszköztámogatással. Liquid AI bejelentése szerint a modell a hatékonyságra és az architektúrális rugalmasságra helyezi a hangsúlyt a paraméterszámok erőltetett növelése helyett, demonstrálva, hogy komplex, többlépcsős agentic munkafolyamatok végrehajtása nem feltétlenül igényel nagy számítási erőforrást vagy folyamatos felhőkapcsolatot.
