Liquid AI 在 2026 年 8 月 4 日發布 LFM2.5-2.6B，一個針對 agentic workload 訓練、可以完全在裝置上運行的 2.6B 參數模型。它的定位不是取代所有大型雲端模型，而是讓手機、CPU 或其他 edge device 可以處理 planning、tool calling 和多步驟任務。
這個方向的實際差異，在於 agent 不一定要每一步都呼叫 cloud API。Liquid AI 表示，本地模型可以降低延遲和資料外傳風險，也不會按 token 產生雲端推理費用。當模型足夠細小，團隊可以在裝置上平行處理背景任務，但真正部署仍要考慮電量、硬件安全、模型更新、工具權限和失敗時的人工接管。
LFM2.5-2.6B 的 training pipeline 包括 supervised fine-tuning、teacher specialization、multi-domain on-policy distillation 和 agentic reinforcement learning。Liquid AI 表示，模型以約 34T tokens 預訓練，並擴大 tokenizer 到 128K，同時加入 128K context extension，以應付長輸入和 agent trace。最後的訓練直接在 Hermes Agent、OpenClaw 等真實 harness 和 sandbox 內進行，讓模型接觸實際工具、system prompt 和互動模式。
官方比較涵蓋 STEM、instruction following、tool use 和 agentic workflows。Liquid AI 表示，LFM2.5-2.6B 在 instruction-following benchmark 全部領先，在 tool-use benchmark 幾乎全部領先，只在 BFCLv4 落後 Qwen3.5-9B；coding 任務則仍由較大型模型佔優。這些結果來自發布方的模型比較和指定設定，應視為選型訊號，而不是跨硬件、量化方式和工作流的獨立保證。
速度數字也反映它的目標場景：Liquid AI 在自己的測試中表示，模型在 M5 Max 上可達約 220 tokens per second，在 Ryzen AI Max+ 395 上約 113 tokens per second，記憶體使用低於 2.5GB，手機上則可維持約 30 tokens per second。這類數字高度依賴硬件、runtime、量化、prompt 長度和並發設定，部署前需要用自己的任務重跑。
整合方式相對直接。官方提供 Hugging Face 的 base 和 post-trained 權重，並建議先以 OpenAI-compatible endpoint 提供本地模型，再接入 Hermes Agent、OpenClaw 或 Pi 等 harness。這讓既有 agent 系統可以保留工具接口，再把模型路由改到本地，但不代表所有 tool schema、長任務恢復和安全策略會自動適配。
LFM2.5-2.6B 的意義，是把 agent 選型由「最強模型」拉回「任務、延遲、私隱、成本和設備是否匹配」。對需要本地資料處理、離線能力或大量重複任務的場景，小模型可能比雲端 frontier model 更容易長時間運行；對複雜 coding 和高難度推理，較大型模型仍可能更合適。最穩妥的做法是按任務分層，再為每層保留權限和人工 review。
