Разбираемся, почему маленькая модель Liquid AI может обойтись без GPU, как работает лицензия LFM и зачем компании партнёрство с MacPaw ради ассистента Eney.
Пока огромные языковые модели пожирают мегаватты в дата-центрах, другой тренд набирает силу совсем рядом — на периферии. Liquid AI, основанная выходцами из MIT, выпустила открытую модель LFM2.5-2.6B и уверяет, что она способна работать без облака и GPU, даже на уровне Raspberry Pi. Это не просто игрушка: разработчики специально затачивали её под агентные сценарии — вызов инструментов, работу с документами и автоматизацию рутины. Разбираемся, почему маленькая модель может оказаться большим шагом для рынка локального ИИ.
Внутри — история о том, как Liquid AI пересобрала привычный пайплайн обучения, почему её лицензия устроена хитрее, чем кажется, и зачем компании понадобился партнёр в лице MacPaw. Всё сходится к одному — локальному ИИ, который не требует постоянной связи с облаком.
LFM2.5-2.6B: компактная модель для локального ИИ
Стартап Liquid AI, основанный в 2023 году выходцами из MIT, явно решил доказать, что современному ИИ не обязательно сидеть в облаке и жечь GPU. На этой неделе команда представила модель LFM2.5-2.6B с открытыми весами, которая нацелена на агентные нагрузки и при этом способна работать на устройствах, которые многие уже списали со счетов. Речь о настоящем локальном ИИ: без облачных API, без кластеров, без ежемесячных счетов за инференс.
Цифры в названии расшифровываются просто: поколение модели 2.5 плюс 2,6 миллиарда параметров. Внутри — поддержка контекста до 128 тысяч токенов и нативный вызов инструментов. Для сравнения, это совсем небольшой вес по меркам индустрии, но разработчики сделали ставку на эффективность, а не на гонку гигабайт.
Скромный форм-фактор, серьёзные скорости
Ключевая фишка LFM2.5-2.6B — возможность запуска полностью на локальном железе: от смартфонов и ноутбуков до Raspberry Pi. Именно это открывает edge AI сценарии для регулируемых отраслей и компаний, которые не могут отправлять чувствительные данные в чужие дата-центры. Максим Лабонн, глава постобучения Liquid AI, рассказывает, что архитектура LFM2 проектировалась с прицелом на реальную производительность CPU, а не на синтетические GPU-бенчмарки. И лучший пример тут — Raspberry Pi. По словам Лабонна, модель «очень и очень хорошо» работает на процессорах и демонстрирует впечатляющую скорость даже на одноплатнике.
Компания приводит и конкретные цифры: около 220 токенов в секунду на Apple M5 Max, 113 токенов в секунду на AMD Ryzen AI Max+ 395, при этом расходуется менее 2,5 ГБ памяти. На смартфоне скорость падает примерно до 30 токенов в секунду — для фоновых агентных задач этого более чем достаточно. На другом конце спектра — серверные мощности: на одной Nvidia H100 в режиме постоянной нагрузки модель выдаёт почти 15 000 выходных токенов в секунду, то есть около 1,3 миллиарда токенов в день. Правда, эти замеры компания приводит без независимого подтверждения, так что держим в уме поправку на маркетинг.
Где это вообще пригодится?
LFM2.5-2.6B не пытается заменить гигантов вроде GPT или Claude. Её стихия — высоконагруженные типовые задачи: вызовы инструментов, управление документами и календарём, автоматизация рабочих процессов, всегда включённые фоновые рутины. Отдельная история — среды с ограниченной связью: автомобили и робототехника, где дёргать облако просто некогда или неоткуда. А вот сложный код разработчики честно советуют оставить большим моделям — тут пока размер решает.
Попробовать модель можно уже сейчас. На Hugging Face выложены постобученная версия и базовый чекпоинт для тех, кто хочет самостоятельно дообучать модель. Поддержку с первого дня получили llama.cpp, MLX, vLLM, SGLang и ONNX — то есть LFM2.5-2.6B без проблем заведётся и на потребительских гаджетах, и в корпоративной инфраструктуре. Вдобавок Liquid выпустила открытый фреймворк тонкой настройки LEAP, а для проверки на телефоне достаточно установить приложение Apollo. Так что тезис про то, что локальный ИИ — это удел будущего, явно устарел.
Агенты вместо чат-ботов: как устроено обучение
Обучение: четыре этапа и одна счастливая случайность
Предобучение модели — дело серьезное: около 34 триллионов токенов. Чтобы лучше поддерживать нелатинские языки, словарь удвоили до 128 тысяч токенов, а отдельный этап дообучения расширил контекст до 128 тысяч токенов — для длительных агентных сценариев, где агенту нужно помнить всю предыдущую историю. Без этого никакие долгие сессии с инструментами просто не завелись бы.
Но самое интересное начинается на этапе постобучения. По сути, это и есть обучение агентов в чистом виде: четыре этапа, которые превращают сырую модель в послушного исполнителя. Сначала — контролируемая тонкая настройка. Затем «учительская» специализация: модель обучает отдельных экспертов для инструкций, математики, кода и вызова инструментов. Потом многодоменная дистилляция MOPD, которая сливает этих экспертов обратно в одну студенческую модель. И финальный аккорд — агентное обучение с подкреплением прямо внутри продакшн-обвязок Hermes Agent и OpenClaw. Модель натаскивают на реальных задачах: исследование, написание кода, управление документами, вызов инструментов, автоматизация рабочих процессов. Она видит настоящие системные промпты и паттерны взаимодействия.
И тут случилась «счастливая случайность». Лабонн называет это именно так. Новые техники дали прирост не только в агентных сценариях, но и вообще во всем. «Мы стали лучше в математике, в следовании инструкциям, — перечисляет он. — Раньше у нас никогда не было хорошо с кодом, а теперь мы вдруг стали в нем очень даже неплохи». Кто бы мог подумать, что подготовка к работе с инструментами прокачает и остальные навыки.
Собственный harness и проактивные агенты
Впрочем, просто взять готовую обвязку — это не про Liquid AI. Компания разработала собственный агентный harness, работающий прямо на смартфоне. Демонстрация показывает, как модель планирует и вызывает инструменты полностью на устройстве. Лабонн честно признается: «Это обвязка, работающая на телефоне, и я не знаю ни одной другой такой». Зачем это нужно? Во-первых, готового решения для телефонов просто не существовало. Во-вторых, в компании задумали сменить саму модель взаимодействия. Сегодняшние обвязки ждут, когда пользователь пошлет промпт. А в Liquid хотят проактивных агентов, которые работают в фоне, заглядывают в календарь, следят за вашими действиями и сами решают, что нужно сделать. «Такое сегодня почти нигде не существует», — с усмешкой замечает Лабонн.
Самое красивое в этой связке — гармония между обвязкой и моделью. Инженеры Liquid знают слабые места LFM2.5-2.6B, поэтому harness специально спроектирован так, чтобы компенсировать их. «Все, в чем модель плоха, обвязка должна ей помогать — предоставлять максимальную поддержку, чтобы сделать ее надежнее, — объясняет Лабонн. — Конечным пользователям не важно, кто именно виноват: модель или обвязка. Им важен результат в конце дня». И хотя собственный harness — это здорово, LFM2.5-2.6B прекрасно работает и с уже проверенными решениями: Hermes Agent, OpenClaw, Pi. Любая OpenAI-совместимая точка — и вперед.
Сравнение с конкурентами: Gemma, Qwen и DeepSeek
Любой мало-мальски заметный релиз ИИ обязан пройти обряд публичного сравнения с соседями по нише. Liquid отнекиваться не стала, поэтому LFM2.5-2.6B бенчмарки выкатили сразу против главных кандидатов на корону edge-развертывания: Google Gemma 4 E2B (5,1B) и E4B (8B), а также Alibaba Qwen3.5-4B (4,7B) и Qwen3.5-9B (9,7B). Это, конечно, не случайность, а центральный месседж Liquid: размер — не всегда мерило.
Скорость против размера
Однако самая изящная провокация выглядит иначе. Платформа локального ИИ Atomic Chat провела собственный тест: LFM2.5-2.6B выполнила 35 вызовов инструментов, чтобы справиться с тремя задачами — погода и время в шести городах, конвертация бюджета в шесть валют, проверка четырёх отелей с последующим бронированием на дату. И сделала это в 3,7 раза быстрее, чем DeepSeek-V4-Flash, монстр со 284 млрд параметров, который на днях улетел на вершину OpenRouter. Сказка про Давида и Голиафа нервно курит в сторонке.
Разные философии, разные идеалы
За этой сухой статистикой скрывается принципиальная развилка в подходе. Gemma 4 — мультимодальные универсалы: принимают картинки и звук на входе, а благодаря Per-Layer Embeddings активируют лишь часть весов на каждый токен. Именно поэтому Google маркетит их «эффективным» размером 2,3B и 4,5B, тогда как физический объём — все 5,1B и 8B. Qwen3.5 исповедует сходную идеологию: мультимодальность с рождения, ставка на подкрепление и фронтирное мышление, что особенно заметно в свежих рейтингах. LFM2.5-2.6B плевать на модный универсализм: строго текстовая, строго плотная и наглухо заточенная под агентов. Не нужно тащить зрение и слух в один чекпоинт — для этого в семействе LFM существуют отдельные варианты.
Где маленькая модель показала зубы
Если верить опубликованным цифрам, стратегия «узкого специалиста» выстрелила. Самая маленькая модель в подборке оказывается лучшей во всех тестах на следование инструкциям: IFBench, Multi-IF, IFStruct — везде первое место. В вызовах инструментов она тоже почти не знает преград: ToolSandbox 77,83 против 76,44 у Qwen3.5-9B, которая больше неё по параметрам почти вчетверо. В агентных оценках LFM обходит обе Gemma по всем фронтам, а к Qwen прижимается вплотную: 26,89 в BrowseComp+ против 27,23 у Qwen3.5-9B. Ещё у неё лучший балл в AA Omniscience — тесте на знания, который беспощадно штрафует за галлюцинации. То есть врать маленькая модель склонна даже меньше.
Честное признание слабости
Но есть и честные оговорки. Qwen по-прежнему главенствует в математике (AIME25) и коде (LiveCodeBench), где объём модели остаётся решающим козырем. Правда, Максим Лабонн, глава постобучения Liquid AI, утверждает, что разрыв куда меньше, чем кажется по числу параметров: «С LiveCodeBench v6 мы, может, и не лучшие из всех, но мы в любом случае самые маленькие. Уже сам факт конкурентоспособности — большая победа». Скромность, подкреплённая цифрами.
Лицензионный подвох
И наконец, юридическая засада. Здесь конкуренты Liquid оказываются куда сговорчивее. Gemma 4 и Qwen3.5 лежат под свободной лицензией Apache 2.0, DeepSeek-V4-Flash — под MIT, в то время как у Liquid собственные особые условия. Точнее — LFM Open License с порогом по выручке: использовать в коммерции бесплатно могут только компании с доходом до $10 млн, остальным придётся договариваться отдельно. То есть выбрать LFM ради скорости и компактности можно, но бюджет юридического отдела на согласование заложить стоит.
Вот такой расклад: гиганты выигрывают в бенчмарках на сообразительность, а кроха забирает практичность, скорость и соблазнительную мысль «поставить на устройство вообще без GPU». Для множества задач это звучит убедительнее, чем звание «почти GPT в кармане».
Лицензия, бизнес-стратегия и партнёрство с MacPaw
Коммерческая лицензия LFM: бесплатно до десяти миллионов
LFM2.5-2.6B распространяется под лицензией LFM Open License v1.0. Звучит почти как open source, но с оговоркой: организации с годовой выручкой менее $10 млн могут использовать, модифицировать и распространять модель, в том числе в коммерческих целях. Крупным игрокам придётся заключать отдельное соглашение с Liquid AI. Некоммерческие организации освобождаются от порога — но только для некоммерческих и исследовательских задач.
Такой подход уже знаком по недавнему релизу Moonshot Kimi K3, поэтому юридическим командам предприятий стоит внимательно изучить условия до того, как интегрировать модель в свои продукты. Максим Лабонн, глава постобучения Liquid AI, объясняет логику просто: «Модели — это и есть наш ров. Нужно лицензировать их разумно, иначе мы не заработаем и не сможем делать новые модели». Сам порог он называет «лёгким» механизмом: от крупных компаний просто просят связаться с Liquid AI, чтобы обсудить условия. При этом исследования компания публикует открыто — включая новые оценки структурированных выводов и технику, которая снижает повторяющиеся циклы у маленьких моделей. Проблему эту Лабонн, кстати, считает свойственной и моделям Qwen.
Один раз дообучил — переиспользуй хоть в календаре, хоть на встрече
Отдельная ставка Liquid AI — на то, что агентный подход снимает необходимость переучивать модель под каждую задачу. «Из календарного ассистента легко сделать ассистента встреч, который записывает разговор и суммаризирует его — примерно как Granola. Модель менять не нужно: достаточно поменять harness и инструменты вокруг неё», — объясняет Лабонн. Это делает модель универсальнее и заметно дешевле в эксплуатации.
Для продакшн-развертываний он всё же советует не пропускать тонкую настройку: «Если не дообучать, вы оставляете качество на столе. При хорошем дообучении модель может сравняться с GPT и Claude — по крайней мере, когда задача не самая сложная. Порог входа в тонкую настройку сейчас очень низкий».
Что такое партнёрство Liquid AI и MacPaw
Одновременно с релизом модели стало известно о долгосрочном стратегическом партнёрстве Liquid AI и MacPaw — компании, известной по CleanMyMac и Setapp. Стороны вместе построят on-device AI-стек для macOS. Liquid AI спроектирует и дообучит фундаментальные модели для ассистента Eney, который будет работать локально на Apple Silicon через движок Elix и слой памяти Mnemos. Первых результатов стоит ждать позднее в этом году.
Выбор партнёра не случаен. «Одна из причин, по которой они выбрали нас, — модель довольно маленькая, а у них нет бюджета памяти для запуска других моделей», — отмечает Лабонн. Для локального ИИ это ключевой аргумент: вместо гигантских кластеров — компактная модель, которую реально развернуть на пользовательских устройствах.
Релиз приходится на пик интереса к локальным ИИ-инфраструктурам, и ставка Liquid — экономика развертывания. Агенты, работающие постоянно и где угодно, с нулевыми предельными затратами на токены, могут стать отдельным сегментом рынка. Выживут ли такие маленькие модели в корпоративном мире, покажет не столько таблица бенчмарков, сколько эксплуатационная надёжность.
Пока конкуренты измеряют друг друга количеством параметров, Liquid AI пытается выиграть за счёт места под солнцем — буквально. Если её стратегия сработает, мы перестанем задумываться, где крутится очередной ИИ-агент: он просто будет рядом, на нашем устройстве. Следить за развитием событий точно стоит — особенно за тем, во что выльется партнёрство с MacPaw и дебют ассистента Eney.