LiquidAI: LFM2.5-2.6B (free)

Liquid AI LFM2.5-2.6Bは、Liquidの小型LFM2.5ファミリーの事後学習済みテキストモデルで、端末上のエージェントと実用的なワークフロー向けです。対象モデルのカードには、パラメーター数26.9億、層数30と記載されています。内訳は二重ゲート付き短畳み込みブロック22と、グループ化クエリアテンションブロック8です。このハイブリッド設計は効率的なテキスト処理を目指しています。テキストを受け取り、推論に基づく回答や定義済み関数の利用要求を含むテキストを返します。

メーカーは、エージェント処理、ツール利用、データ抽出、検索拡張生成、長文脈ワークフローに推奨しています。リリースの学習パイプラインは、教師ありファインチューニング、特化した教師モデル、複数分野のオンポリシー蒸留、エージェント環境内の強化学習を組み合わせています。タスク指示への追従、ツールの観察の利用、複数段階の進行を重視する理由です。広い学習済み知識で不足を埋めさせず、実際の資料と正確な目標を渡してください。

抽出では、資料を渡す前にフィールドと出典のルールを定義します。たとえば「これらのサービス更新情報を読み、各レコードの識別子、明記された状態、次に必要な対応を抽出し、各フィールドを裏付ける文を残してください。フィールドがない場合はnullを返してください」と依頼します。値を完全にコピーする、正規化する、推測するのどれかを指定します。出力を確認できる形にし、もっともらしい解釈が実際の原資料の情報を黙って置き換えるのを防ぎます。

RAGでは、安定したラベル付きの関連文章を渡し、その文章に基づく回答を求めます。たとえば「このインストール手順だけを使い、指定した環境に適用される手順を説明し、不明な前提条件を列挙してください」と依頼します。文書の版と条件を文章に添えます。完全な手順を創作させず、不足や矛盾する事実を示すよう求めてください。小型モデルを専門知識の網羅的な蓄積として使うより、メーカーの推奨する出典に基づくタスクに合います。

LFM2.5-2.6Bは純粋な推論モデルです。チャットテンプレートはアシスタントの回答をthinkingマーカーで始め、最終回答の前に推論します。メーカーのモデルカードは、生成にtemperature 0.1、top-k 50、繰り返しペナルティ1.1を推奨しています。これらは、この名前のモデルの設定例です。最終成果物と推論テキストを分け、リクエスト内に双方の余地を残します。他のLFM指示モデル版の制御や直接回答モードが、このモデルにもあると想定してはいけません。

system、user、assistant、toolのロールを持つChatMLに似た会話形式を使います。記載された関数ワークフローは、ツール定義、モデルによる関数要求、周囲のアプリケーションによる実行、モデルが回答するための実際の結果の返却という4段階です。ネイティブ呼び出しはツール呼び出しマーカーで囲むPython形式のリストです。メーカーはシステム指示でJSON呼び出し形式を求める方法も説明しています。適切なパーサーを使い、関数名と引数を定義と照合し、結果をその呼び出しに結び付けて保持します。

小型エージェントのワークフローでは、現在のタスクに関連する関数だけを、短い説明と明確な引数の型で公開します。ツール定義自体もコンテキストを使います。たとえば、指定したレコードの状態を取得し、返された状態をルールと比較し、追加対応が必要か説明する手順が考えられます。レコード識別子を証拠として渡し、返された観察に結び付く最終回答を求めます。モデルが操作を提案・解釈し、アプリケーションが実際の実行と結果を提供します。

現在のメーカーのカードは、モデルコンテキスト131,072トークンを示し、リリースは専用のコンテキスト拡張段階を説明しています。使用中の構成の枠内で、原資料の境界、関連履歴、続きの余地を残します。複数文書では、具体的な比較や依存関係の追跡を求めます。ネイティブのチェックポイント、GGUF、ONNX、MLXは異なるデプロイ用途を担い、投機的デコードのドラフトモデルは別の補助成果物です。ある構成のリソースや速度の数値が、すべての形式と作業枠に当てはまるわけではありません。

Liquidは、LFM2.5-2.6Bを自律的なコード開発や大量の知識を要するタスクに明示的に推奨していません。提供した証拠、抽出ルール、ツールの観察を伴う具体的なワークフローに絞ります。事前学習済みのBaseチェックポイントも、カスタマイズ向けの別成果物であり、この事後学習版がエージェントモデルです。最終結果では、抽出値を出典と照合し、引用箇所が回答を支えるかを確認し、ツール呼び出し要求と結果を記録した操作を区別します。結論に影響する不明情報を、流暢な文章で隠さず保持してください。