# 以小胜大反超 50% 竞品！Liquid AI 开源旗舰端侧推理模型 LFM2.5-24B-A2B：激活仅 2.45B、M5 Max 解码飙至 184 tok/s 架构深度拆解 - Link: https://paooo.com/trends/40109/ - Published: 2026-10-17T20:10:43+08:00 - Author: 站外新闻 > **💡 站外导读：**在追求通用人工智能（AGI）的浪潮中，“端侧模型（On-Device Models）” > 长期深陷于“参数不够强推理崩塌、参数过大则边缘硬件无法承载”的两难困境。由液体神经 > 网络（Liquid Neural Networks）奠基团队创立的 Liquid AI 带来了突破性解法——正式开 > 源其 LFM2.5 家族旗舰端侧推理模型 **LFM2.5-24B-A2B**。该模型以 24B 总参数、每 Token > 仅激活 2.45B 的极致稀疏 MoE 设计，配合原生全流程思维链（Chain-of-Thought）推理 > 能力，不仅在 Apple M5 Max 等端侧旗舰硬件上实现了 184 tokens/s 的骇人解码吞吐， > 更在 Agent 真实工具调用评测中直接击败参数多出 50% 的顶级开源竞品，为个人隐私计算 > 与端侧自主智能体树立了划时代的能效标杆。 ![LFM2.5-24B-A2B 端侧 MoE 架构与性能基准评测](https://paooo.com/wp-content/uploads/ 2026/10/sre-curated-1792239040272-961.avif) 阅读目录 * [一、架构革命：24B 总量仅激活 2.45B 的端侧 MoE 设计哲学](https://paooo.com/trends/40109/#%e4%b8%80%e6%9e%b6%e6%9e%84%e9%9d%a9%e5%91%bd24b-%e6%80%bb%e9%87%8f%e4%bb%85%e6%bf%80%e6%b4%bb-245b-%e7%9a%84%e7%ab%af%e4%be%a7-moe-%e8%ae%be%e8%ae%a1%e5%93%b2%e5%ad%a6) * [二、硬核性能实测：跨代碾压的端侧基准与工具调用表现](https://paooo.com/trends/40109/#%e4%ba%8c%e7%a1%ac%e6%a0%b8%e6%80%a7%e8%83%bd%e5%ae%9e%e6%b5%8b%e8%b7%a8%e4%bb%a3%e7%a2%be%e5%8e%8b%e7%9a%84%e7%ab%af%e4%be%a7%e5%9f%ba%e5%87%86%e4%b8%8e%e5%b7%a5%e5%85%b7%e8%b0%83%e7%94%a8%e8%a1%a8) * [三、工程落地：开箱即用的 Agentic RL 强化学习与工具调度](https://paooo.com/trends/40109/#%e4%b8%89%e5%b7%a5%e7%a8%8b%e8%90%bd%e5%9c%b0%e5%bc%80%e7%ae%b1%e5%8d%b3%e7%94%a8%e7%9a%84-agentic-rl-%e5%bc%ba%e5%8c%96%e5%ad%a6%e4%b9%a0%e4%b8%8e%e5%b7%a5%e5%85%b7%e8%b0%83%e5%ba%a6) * [📝 站长洞察 (Editor’s Insight)](https://paooo.com/trends/40109/#%f0%9f%93%9d-%e7%ab%99%e9%95%bf%e6%b4%9e%e5%af%9f-editor8217s-insight) ## 一、架构革命：24B 总量仅激活 2.45B 的端侧 MoE 设计哲学 在传统的端侧[大模型](https://paooo.com/ai-study/)部署方案中，密集群模型（Dense Models） 如 7B/8B 往往在面临长程逻辑推导与复杂工具调用时力不从心；而常规的云端 MoE 模型（ 如 8x7B）又因参数总量过于庞大，在个人设备（PC、Mac 或移动工作站）上面临显存严重溢出 的瓶颈。Liquid AI 的 **LFM2.5-24B-A2B** 走出了一条全新的工程折中路径： * **40 层深度稀疏 MoE 拓扑：**模型拥有 240 亿（24B）静态参数储备，但通过精细化的 专家路由器（Expert Router），在每个推理步中仅激活 24.5 亿（2.45B）参数，将端侧 运算的算力负载压至极低水平； * **131,072 Tokens 超长上下文：**原生支持 131K 极端长窗口，使得[智能体](https://paooo.com/trends/) 在端侧能够一次性加载数十万字的技术文档、长程代码库与复杂工具定义，且在全长测试 下检索精度零衰减； * **128K 非拉丁原生扩展词表：**针对多语言特别是东亚语系（中日韩）及小语种进行了 原地词表重构与扩充，大幅降低非英语文本的 Token 膨胀率，同等语义下计算步数减少 近 30%； * **强制思维链（CoT）推理范式：**模型摒弃传统模型的“抢答式”直接输出，在给出任何 最终结论或工具调用指令前，强制通过内部思维链进行假设检验与分支修剪，将隐式推理 成本转化为低单价的 Token 流。 ## 二、硬核性能实测：跨代碾压的端侧基准与工具调用表现 为了验证 LFM2.5-24B-A2B 在真实智能体工作流中的表现，研发团队在覆盖 Agent 自动化、 真实工具调用与逻辑推理等多个权威基准上，与主流开源竞品展开了无差别盲测： | 评测维度 / 基准测试 | LFM2.5-24B-A2B (Liquid AI) | Qwen3.6-35B-A3B (阿里) | 架构工程优势剖析 | | **总参数 / 激活参数** | 24B / 仅激活 2.45B | 35B / 激活 3.0B (+50% 参数) | 以更轻量参数降低端侧显存与带宽压力 | | **LiveClaw (Agent 真实交互)** | 48.09 | 38.19 | 领先近 10 个百分点，长链任务更稳健 | | **AutomationBench (自动化操作)** | 27.69 (超第二名 3 倍) | 8.72 | 端到端执行环境与脚本操控断层式领先 | | **ToolSandbox (复杂工具沙盒)** | 80.71 | 75.02 | 结构化入参契约解析与多分支回退能力极强 | | **M5 Max 端侧吞吐速度** | 184 tokens/s (极速) | 约 108 tokens/s | 速度提升 1.7 倍，满足端侧实时响应 | ## 三、工程落地：开箱即用的 Agentic RL 强化学习与工具调度 与多数“只开源基座不给配套方案”的模型不同，LFM2.5-24B-A2B 在预训练与后训练阶段便深度 对齐了主流智能体框架。其核心技术特征包括： 1. **原生结构化工具输出协议：**模型无需冗长或复杂的 System [Prompt](https://paooo.com/ai-image-prompts/) 引导，支持通过 `<|tool_call_start|>` 与 `<|tool_call_end|>` 特殊标记以标准 JSON Schema 格式输出函数调用，直接打通外部环境； 2. **主流 Agent 框架 Day-0 级接入：**已原生适配 OpenClaw、Hermes Agent、Pi 以及 OpenCode 等开源多智能体开发框架，可作为 Local [OpenAI](https://paooo.com/tag/openai/) Compatible API 网关即插即用； 3. **全硬件跨平台生态打通：**模型权重提供原生 GGUF、MLX、vLLM、SGLang 及 ONNX 导出 格式，无论是 Apple Silicon（M 系列统一内存）、AMD ROCm、Qualcomm 骁龙 NPU 还是 NVIDIA RTX 系列显卡，均能实现极致量化与加速运行。 #### 📝 站长洞察 (Editor’s Insight) Liquid AI 的这一波开源，向整个行业释放了一个极其强烈的信号：**大模型的竞争正从“无 脑堆砌参数量的算力蛮力赛”，彻底转向“激活参数能效比与端侧可用性的精细工程赛”**。过去 一年，许多企业在落地 AI Agent 时发现，哪怕云端顶尖模型跑分再高，高昂的 Token 费用、 网络传输延迟以及敏感数据上云的合规风险，都是难以逾越的高墙。LFM2.5-24B-A2B 证明了 一点——通过极致的稀疏 MoE 调度与原生的 Agentic RL 强化微调，仅需激活 2.45B 参数就 能在端侧以 184 tok/s 跑出媲美 35B 级别云端模型的智能体工具调用水平。对于希望在本地 私有化集群、开发者个人 PC 或边缘工控设备上构建离线自主 Agent 的团队而言，LFM2.5 提供了一条极具性价比与安全感的新基建通路。 **🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词 咒语库 [🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/) [⚡ AIGC 早报生成器](https://paooo.com/mtool/)