LiquidAI: LFM2.5-2.6B (free)

Liquid AI LFM2.5-2.6B è il modello testuale sottoposto a post-addestramento della famiglia compatta LFM2.5 di Liquid, progettato per agenti sul dispositivo e flussi pratici. La scheda esatta del modello indica 2,69 miliardi di parametri e 30 livelli: 22 blocchi di convoluzione breve con doppio gating e otto blocchi grouped-query attention. Il design ibrido mira a un’elaborazione efficiente del testo. Il modello accetta testo e restituisce testo, compresa una risposta ragionata o una richiesta di usare una funzione definita.

Il produttore lo consiglia per carichi agentici, uso di strumenti, estrazione di dati, generazione aumentata dal recupero e flussi a contesto lungo. La pipeline di addestramento della versione combina fine-tuning supervisionato, modelli insegnanti specializzati, distillazione on-policy su più domini e apprendimento per rinforzo in ambienti agentici. Ciò aiuta a spiegare l’attenzione al rispetto delle istruzioni del compito, all’uso delle osservazioni degli strumenti e all’avanzamento attraverso diversi passaggi. Fornisci i materiali effettivi e un obiettivo preciso, anziché affidarti ad ampie conoscenze apprese per colmare le lacune.

Per l’estrazione, definisci i campi e le regole sulle fonti prima di fornire il materiale. Una richiesta pratica è: «Leggi questi aggiornamenti di servizio, estrai l’identificatore, lo stato dichiarato e la prossima azione richiesta di ogni record e conserva la frase che sostiene ogni campo. Restituisci null quando un campo manca». Specifica se un valore debba essere copiato esattamente, normalizzato o dedotto. Questo rende l’output esaminabile e impedisce che un’interpretazione plausibile sostituisca silenziosamente informazioni effettivamente presenti nella fonte.

Per RAG, fornisci passaggi pertinenti con etichette stabili e chiedi una risposta basata su di essi. Un esempio è: «Usando soltanto queste istruzioni di installazione, spiega quali passaggi si applicano all’ambiente dichiarato ed elenca i prerequisiti ancora sconosciuti». Conserva versioni e condizioni dei documenti insieme al testo. Chiedi al modello di identificare un fatto mancante o contrastante, anziché inventare una procedura completa. Questo corrisponde meglio alla raccomandazione del produttore per compiti ancorati alle fonti rispetto a chiedere al modello compatto di agire come archivio esaustivo di conoscenze specialistiche.

LFM2.5-2.6B è un modello di ragionamento puro: il suo template di chat avvia la risposta dell’assistente con un marcatore di pensiero e ragiona prima della risposta finale. La scheda del produttore consiglia temperature 0.1, top-k 50 e penalità di ripetizione 1.1 per la generazione. Si tratta delle impostazioni della configurazione del modello denominato. Mantieni il risultato finale distinto dal testo del ragionamento e lascia spazio per entrambi in una richiesta operativa. Non presumere per questo modello controlli o modalità di risposta diretta appartenenti ad altre edizioni di istruzioni LFM.

Il modello usa un formato di conversazione simile a ChatML con ruoli system, user, assistant e tool. Il flusso di funzioni documentato ha quattro fasi: definire gli strumenti, lasciare che il modello richieda una funzione, eseguirla nell’applicazione circostante e restituire il risultato effettivo affinché il modello possa rispondere. Le chiamate native sono liste in stile Python racchiuse da marcatori di chiamata a strumenti; il produttore descrive anche come richiedere il formato JSON per le chiamate tramite l’istruzione di sistema. Usa il parser appropriato, controlla il nome della funzione e gli argomenti rispetto alle definizioni fornite e conserva il risultato con la chiamata che lo ha prodotto.

Per un flusso con agente compatto, esponi soltanto le funzioni pertinenti al compito corrente, con descrizioni concise e tipi di argomento espliciti. Le definizioni degli strumenti occupano esse stesse contesto. Una sequenza utile può cercare lo stato di un record fornito, confrontare lo stato restituito con una regola e spiegare se sia necessario un seguito. Fornisci l’identificatore del record come prova e chiedi una risposta finale collegata all’osservazione restituita. Il modello propone e interpreta l’operazione; l’applicazione ne fornisce l’esecuzione effettiva e il risultato.

La scheda corrente del produttore specifica un contesto del modello di 131.072 token e la presentazione della versione descrive una fase dedicata di estensione del contesto. Lavora entro la finestra della configurazione in uso, conservando i confini delle fonti, la cronologia pertinente e lo spazio per la continuazione. Per diversi documenti, chiedi un confronto particolare o una dipendenza da ricostruire. Il checkpoint nativo e gli artefatti GGUF, ONNX e MLX soddisfano esigenze di distribuzione diverse, mentre un modello draft per la decodifica speculativa è un artefatto di accompagnamento separato. I dati di risorse o velocità di una configurazione non descrivono automaticamente ogni formato del modello e ogni finestra operativa.

Liquid sconsiglia esplicitamente LFM2.5-2.6B per programmazione agentica o compiti ad alta intensità di conoscenze. Mantienilo concentrato su flussi concreti con prove fornite, regole di estrazione e osservazioni degli strumenti. Anche il checkpoint pre-addestrato Base è un artefatto separato destinato alla personalizzazione, mentre questa edizione sottoposta a post-addestramento è il modello per agenti. Per il risultato finale, esamina i valori estratti rispetto alla fonte, controlla che un passaggio citato sostenga la risposta e distingui una chiamata a strumenti richiesta da un’operazione con esito registrato. Conserva le informazioni irrisolte quando influiscono sulla conclusione, anziché lasciare che un testo scorrevole le nasconda.