LiquidAI: LFM2.5-2.6B (free)

Liquid AI LFM2.5-2.6B ist das nachtrainierte Textmodell aus Liquids kompakter LFM2.5-Familie, entwickelt für Agenten auf dem Gerät und praktische Abläufe. Seine genaue Modellkarte nennt 2,69 Milliarden Parameter und 30 Schichten: 22 doppelt gesteuerte Kurzfaltungsblöcke und acht Grouped-Query-Attention-Blöcke. Das hybride Design zielt auf effiziente Textverarbeitung. Das Modell nimmt Text entgegen und gibt Text zurück, darunter eine begründete Antwort oder die Aufforderung, eine definierte Funktion zu verwenden.

Der Hersteller empfiehlt es für agentische Aufgaben, Werkzeugnutzung, Datenextraktion, abrufgestützte Generierung und Langkontextabläufe. Die Trainingspipeline der Veröffentlichung kombiniert überwachtes Fine-Tuning, spezialisierte Lehrermodelle, domänenübergreifende On-Policy-Destillation und Reinforcement Learning innerhalb von Agentenumgebungen. Das erklärt den Fokus auf das Befolgen von Aufgabenanweisungen, die Nutzung von Werkzeugbeobachtungen und das Durchlaufen mehrerer Schritte. Geben Sie dem Modell das tatsächliche Material und ein präzises Ziel, statt Lücken durch breites gelerntes Wissen füllen zu lassen.

Definieren Sie für Extraktion die Felder und Quellenregeln, bevor Sie das Material bereitstellen. Eine praktische Anfrage lautet: „Lesen Sie diese Servicemeldungen, extrahieren Sie die Kennung jedes Datensatzes, den angegebenen Status und die nächste erforderliche Handlung und bewahren Sie für jedes Feld den stützenden Satz. Geben Sie null zurück, wenn ein Feld fehlt.“ Legen Sie fest, ob ein Wert exakt kopiert, normalisiert oder abgeleitet werden soll. Das macht die Ausgabe überprüfbar und verhindert, dass eine plausible Interpretation stillschweigend tatsächlich in der Quelle vorhandene Informationen ersetzt.

Stellen Sie für RAG relevante Passagen mit stabilen Kennzeichnungen bereit und verlangen Sie eine darauf gestützte Antwort. Ein Beispiel lautet: „Erklären Sie ausschließlich anhand dieser Installationsanweisungen, welche Schritte für die genannte Umgebung gelten, und listen Sie die noch unbekannten Voraussetzungen auf.“ Bewahren Sie Dokumentversionen und Bedingungen beim Text. Verlangen Sie vom Modell, einen fehlenden oder widersprüchlichen Fakt zu benennen, statt einen vollständigen Ablauf zu erfinden. Das entspricht der Herstellerempfehlung für quellenbasierte Aufgaben besser, als das kompakte Modell als umfassenden Speicher von Fachwissen einzusetzen.

LFM2.5-2.6B ist ein reines Reasoning-Modell: Seine Chatvorlage beginnt die Assistentenantwort mit einer Thinking-Markierung, und es denkt vor der abschließenden Antwort nach. Die Modellkarte des Herstellers empfiehlt für die Generierung temperature 0.1, top-k 50 und eine repetition penalty von 1.1. Dies sind Einstellungen für die Konfiguration des benannten Modells. Halten Sie das fertige Ergebnis vom Reasoning-Text getrennt und lassen Sie in einer Arbeitsanfrage Platz für beides. Regler oder Direktantwortmodi anderer LFM-Instruktionsausgaben sollten für dieses Modell nicht vorausgesetzt werden.

Das Modell verwendet ein ChatML-ähnliches Gesprächsformat mit den Rollen system, user, assistant und tool. Sein dokumentierter Funktionsablauf hat vier Stufen: Werkzeuge definieren, das Modell eine Funktion anfordern lassen, diese Funktion in der umgebenden Anwendung ausführen und das tatsächliche Ergebnis zurückgeben, damit das Modell antworten kann. Native Aufrufe sind Python-artige Listen, die von Werkzeugaufrufmarkierungen umschlossen werden; der Hersteller beschreibt außerdem, über die Systemanweisung ein JSON-Aufrufformat anzufordern. Verwenden Sie den passenden Parser, prüfen Sie Funktionsnamen und Argumente anhand der bereitgestellten Definitionen und bewahren Sie das Ergebnis gemeinsam mit dem erzeugenden Aufruf auf.

Stellen Sie für einen kompakten Agentenablauf nur die zur aktuellen Aufgabe gehörenden Funktionen mit knappen Beschreibungen und ausdrücklichen Argumenttypen bereit. Auch Werkzeugdefinitionen belegen Kontext. Eine nützliche Folge könnte den Status eines bereitgestellten Datensatzes nachschlagen, den zurückgegebenen Status mit einer Regel vergleichen und erklären, ob Nachverfolgung nötig ist. Stellen Sie die Datensatzkennung als Beleg bereit und verlangen Sie eine abschließende Antwort, die an die zurückgegebene Beobachtung gebunden ist. Das Modell schlägt den Vorgang vor und interpretiert ihn; die Anwendung liefert seine tatsächliche Ausführung und sein Ergebnis.

Die aktuelle Modellkarte des Herstellers legt einen Modellkontext von 131.072 Tokens fest, und die Veröffentlichung beschreibt eine eigene Stufe zur Kontexterweiterung. Arbeiten Sie innerhalb des Fensters der verwendeten Konfiguration und bewahren Sie Quellengrenzen, relevanten Verlauf und Platz für die Fortsetzung. Verlangen Sie bei mehreren Dokumenten einen konkreten Vergleich oder eine nachzuverfolgende Abhängigkeit. Der native Checkpoint sowie GGUF-, ONNX- und MLX-Artefakte dienen unterschiedlichen Bereitstellungsanforderungen; ein Entwurfsmodell für spekulatives Dekodieren ist ein separates Begleitartefakt. Ressourcen- oder Geschwindigkeitswerte einer Konfiguration beschreiben nicht automatisch jedes Modellformat und Arbeitsfenster.

Liquid empfiehlt LFM2.5-2.6B ausdrücklich nicht für agentisches Programmieren oder wissensintensive Aufgaben. Konzentrieren Sie es auf konkrete Abläufe mit bereitgestellten Belegen, Extraktionsregeln und Werkzeugbeobachtungen. Der vortrainierte Base-Checkpoint ist ebenfalls ein separates Artefakt für Anpassungen, während diese nachtrainierte Ausgabe das Agentenmodell ist. Prüfen Sie für das fertige Ergebnis extrahierte Werte anhand ihrer Quelle, kontrollieren Sie, ob eine zitierte Passage die Antwort stützt, und unterscheiden Sie einen angeforderten Werkzeugaufruf von einem Vorgang mit aufgezeichnetem Ausgang. Bewahren Sie ungeklärte Informationen, wenn sie die Schlussfolgerung beeinflussen, statt sie durch flüssigen Text verdecken zu lassen.