Liquid AI、オンデバイスで動作する高性能エージェント向け小型AIモデル「LFM2.5-2.6B」を発表
要点
-
米Liquid AIなどが、一般的なPCやスマートフォンなどの端末上で直接動作する26億パラメータの軽量言語モデル「LFM2.5-2.6B」を発表した。
-
外部ツール連携や複数工程のタスク処理に対応し、自身より最大4倍大きなモデルに匹敵する性能を誇る。
-
Apple M5 Maxで秒間220トークン、メモリ使用量2.5GB未満という極めて高い処理効率を実現している。
-
実際のエージェント開発環境を組み込んだ「エージェント向け強化学習（Agentic RL）」など、独自の4段階プロセスで学習が行われた。
-
米AIスタートアップのLiquid AIをはじめとする共同開発チームは2026年8月4日、デバイス上で直接動作する自律型エージェント向けの新たな軽量AIモデル「LFM2.5-2.6B」を発表した。本モデルは、クラウドを利用することなく、一般的なパソコンやスマートフォンといった端末側で高速に動作し、多様な作業を実行できる点が特徴だという。データのプライバシーを端末内で保護しながら、クラウド推論コストを削減できるモデルとしてアピールされている。
-
LFM2.5-2.6Bは、パラメータ数が26億と小型でありながら、外部のツールや関数を自動で呼び出して実行する「ツール呼び出し」機能や、複数の手順を処理するワークフローに対応している。本モデルは、Apple M5 Maxチップ搭載デバイスでは毎秒220トークン、AMD Ryzen CPUでは毎秒113トークンという高速な推論（学習済みのモデルを用いて結果を出力する処理）速度を記録した。動作に必要なメモリは2.5GB未満に抑えられており、エッジデバイス（ネットワークの末端に位置するPCやスマートフォンなどの端末）でも効率的に実行できる。
-
開発チームは、この小型モデルに高いエージェント能力を持たせるため、段階的な学習アプローチを採用した。まず約34兆トークンの大規模データで事前学習を行った後、中間学習を通じて、モデルが一度に処理できるテキストの最大量を示す「コンテキストウィンドウ」を128K（128,000トークン）へ拡張した。
-
その後の事後学習は以下の4つの段階で行われた。
- 教師あり微調整（SFT）: 人間が作成した正しいデータセットを用いてモデルを調整する手法であり、ツール利用やウェブ検索といったエージェント用のデータを重点的に学習させた。
- 教師モデルの専門化: 数学やプログラミング、ツール呼び出しなどの各領域に特化した専門の教師モデルを個別に訓練した。
- マルチドメイン・オンポリシー蒸留（MOPD）: 蒸留（高性能なモデルの知識をより軽量なモデルに継承させる技術）を用い、各ドメインの教師モデルの能力を1つの学生モデルに統合した。
- エージェント向け強化学習（Agentic RL）: 強化学習（AIが試行錯誤を通じて最適な選択を行えるようにする訓練手法）を実際のエージェント動作環境下で実施し、多様なシステムプロンプトや複数ターンの対話に対応できるようにした。
-
この強化学習の枠組みでは、モデルの最適化を行う「トレーニングエンジン」、最新方針で動作を決める「ロールアウトエンジン」、学習全体を制御する「RLフレームワーク」が分担して動作する。モデルの行動は、「サンドボックスサービス」と呼ばれる安全な仮想環境内で実行される。そこでは「OpenClaw」や「Hermes Agent」といったエージェント実行ハネース（評価や実行を行う環境）がモデルをホストし、タスク環境とのやり取りを行う。さらに「ハネースプロキシ」を仲介させることで、既存の実行環境を改造することなく、学習データの再現・検証に必要な挙動データをトークン単位で詳細に記録することに成功したと説明している。
-
開発チームは、科学・技術・工学・数学（STEM）や指示への追従性能、ツール利用、エージェントタスクにおいて、LFM2.5-2.6Bの評価を行った。本モデルはグループ内で最も小さいサイズでありながら、最大で約4倍 of サイズを持つ競合モデルと同等以上の結果を示した。
-
知識や論理的推論力を測定する「AA Omniscience」ベンチマークにおいて、LFM2.5-2.6Bは「-29.50」を記録し、比較された他モデル（gemma-4-E2B-itの-74.47、gemma-4-E4B-itの-49.03、Qwen3.5-4Bの-54.30、Qwen3.5-9Bの-50.43）をすべて上回った。また、高度な数学の回答能力を測定する「AIME25」ベンチマークでも「51.87」のスコアを獲得し、gemma-4-E2B-itの「26」を引き離している。