# LFM2.5-24B-A2B: modelo de raciocínio com 2B parâmetros ativos para agentes privados no dispositivo

> A Liquid AI lançou o LFM2.5-24B-A2B, um modelo de raciocínio com 24 bilhões de parâmetros totais e apenas 2 bilhões ativos, projetado para agentes privados que rodam no próprio dispositivo. A novidade importa porque combina janela de contexto ampliada e velocidade em CPU/GPU, permitindo agentes contínuos sem depender da nuvem.

Publicado em 2026-10-13 · https://invision.dreamvision.com.br/blog/lfm2-5-24b-a2b-modelo-de-raciocinio-com-2b-parametros-ativos-para-agentes-privad

## Pontos-chave
- LFM2.5-24B-A2B tem 24B parâmetros totais e 2B ativos, com foco em raciocínio e chamadas de ferramentas.
- Janela de contexto cresce para 131K tokens e vocabulário dobra para 128K tokens.
- É o mais rápido entre MoEs comparados, com 184 tokens/s em M5 Max e 114 tokens/s em Ryzen AI Max+ 395.
- Lidera ou empata em cinco de oito benchmarks de uso de ferramentas e em todos os três de seguimento de instruções.
- Disponível como open-weight no Hugging Face, com suporte a llama.cpp, MLX, vLLM, SGLang e ONNX.

## O que é o LFM2.5-24B-A2B e por que ele é relevante agora?
A Liquid AI apresentou o LFM2.5-24B-A2B, um modelo de raciocínio que pensa antes de responder, chama ferramentas e resolve tarefas de múltiplas etapas dentro de harnesses de agentes populares. Ele foi construído para rodar localmente, com foco em privacidade e velocidade.

Com 24 bilhões de parâmetros totais e somente 2 bilhões ativos por token, o custo de cada token de raciocínio é baixo, o que viabiliza agentes operando continuamente no próprio hardware. A relevância imediata está na possibilidade de manter fluxos agênticos sem depender de APIs externas.


## Quais são as principais mudanças em relação ao LFM2-24B-A2B?
O novo modelo mantém a arquitetura do predecessor: 40 camadas, 64 especialistas por bloco MoE com roteamento top-4 e a mesma combinação de convoluções curtas com GQA. As diferenças estão no contexto e no vocabulário.

A janela de contexto cresce de 32K para 131K tokens. Além disso, uma expansão in-place do tokenizador dobra o vocabulário de 65K para 128K tokens, melhorando a tokenização de idiomas não latinos.

Diferentemente da versão anterior, o LFM2.5-24B-A2B é um modelo apenas de raciocínio, que produz uma cadeia de pensamento explícita antes da resposta final.


## Como foi feito o treinamento do LFM2.5-24B-A2B?
O pré-treinamento foi ampliado de cerca de 17 trilhões para aproximadamente 33 trilhões de tokens. Em seguida, o mid-training adiciona 2 trilhões de tokens com contexto de 32K, com peso maior em raciocínio, matemática, código, seguimento de instruções e texto multilíngue.

Também são adicionados 300 bilhões de tokens com contexto de 131K, priorizando dados de longo contexto. Chamadas de ferramentas e trajetórias multi-turno aparecem ao longo das duas fases.

O pós-treinamento transforma o modelo base em um agente em cinco etapas, conforme descrito pela Liquid AI.


## Como o LFM2.5-24B-A2B se compara a outros modelos?
A Liquid AI avaliou o modelo contra Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it e Nemotron-3.5-Lightning em 16 benchmarks que cobrem uso de ferramentas, fluxos agênticos, conhecimento, seguimento de instruções, matemática e programação. Todos foram testados com vLLM e parâmetros recomendados por benchmark.

O LFM2.5-24B-A2B é o menor do grupo, mas compete com MoEs que têm cerca de 50% mais parâmetros totais e ativos. Ele lidera ou empata em cinco dos oito benchmarks de uso de ferramentas e fluxos agênticos (AutomationBench, BFCLv4, ToolSandbox, LiveClaw e τ³-Bench Banking). No AutomationBench, supera o segundo colocado em mais de três vezes.

O modelo também lidera nos três benchmarks de seguimento de instruções. Por outro lado, modelos maiores mantêm vantagem em conhecimento pesado (GPQA Diamond, HLE e AA-Omniscience) e em programação (SWE-Bench Verified com OpenCode e SciCode). Por isso, a recomendação é combiná-lo com recuperação ou busca na web para cargas intensivas em conhecimento.


## Qual é o desempenho de inferência em CPU, GPU e edge?
O LFM2.5-24B-A2B é o mais rápido entre os MoEs comparados. Em inferência de borda, decodifica 184 tokens por segundo em um M5 Max e 114 tokens por segundo em um Ryzen AI Max+ 395, até 1,7 vez mais rápido que o segundo melhor modelo, usando menos memória.

Em GPU, é o mais rápido da sua classe de tamanho, ultrapassando 21 mil tokens de saída por segundo em alta concorrência em uma única B300.


## Como usar o LFM2.5-24B-A2B no seu agente?
O modelo tem suporte no primeiro dia em llama.cpp, MLX, vLLM, SGLang e ONNX. Para usá-lo, instale a versão mais recente do transformers (compatível com transformers>=5.0.0) e sirva o modelo localmente atrás de qualquer backend compatível com OpenAI.

Depois, aponte seu harness de agente para esse backend. Por exemplo, com o Hermes Agent, a porta depende do backend: llama.cpp e MLX usam 8080, vLLM usa 8000, SGLang usa 30000 e LM Studio usa 1234. Configurações para OpenClaw e Pi estão no model card, e o guia completo está no blog de lançamento.

Tanto o LFM2.5-24B-A2B quanto o LFM2.5-24B-A2B-Base são open-weight e já estão disponíveis no Hugging Face.


## O que isso muda para quem usa IA?
Para desenvolvedores, a principal mudança é a possibilidade de executar agentes de raciocínio com chamadas de ferramentas inteiramente no dispositivo, sem enviar dados para a nuvem. Isso reduz latência e amplia a privacidade.

A Invision oferece acesso a múltiplos modelos por uma única chave, o que pode simplificar a experimentação com modelos como o LFM2.5-24B-A2B e alternativas para tarefas específicas. Não há promessa de preço ou desempenho aqui, apenas a conveniência de uma interface unificada para testar diferentes opções.


## Perguntas frequentes
### O que é o LFM2.5-24B-A2B?
É um modelo de raciocínio da Liquid AI com 24 bilhões de parâmetros totais e apenas 2 bilhões ativos, projetado para agentes privados que rodam no próprio dispositivo.

### Qual a diferença entre LFM2.5-24B-A2B e LFM2-24B-A2B?
O novo modelo tem janela de contexto maior (131K contra 32K), vocabulário ampliado (128K contra 65K tokens) e é focado apenas em raciocínio, produzindo cadeia de pensamento explícita.

### Em quais hardwares o LFM2.5-24B-A2B roda?
Ele tem suporte a llama.cpp, MLX, vLLM, SGLang e ONNX, com inferência em CPU, GPU e dispositivos de borda como M5 Max e Ryzen AI Max+ 395.

### O LFM2.5-24B-A2B é open-source?
Sim, tanto o LFM2.5-24B-A2B quanto o LFM2.5-24B-A2B-Base são open-weight e estão disponíveis no Hugging Face.

### Como usar o LFM2.5-24B-A2B com agentes?
Você pode servi-lo localmente com um backend compatível com OpenAI (llama.cpp, vLLM, etc.) e apontar seu harness de agente para a porta correspondente, como 8080 para llama.cpp ou 8000 para vLLM.

Fonte original: [Run fast, private agents on-device with LFM2.5-24B-A2B](https://huggingface.co/blog/LiquidAI/lfm25-24b-a2b) (Hugging Face).
