Liquid AI 發布 LFM2.5-24B-A2B，將上下文從 32K 擴至 131K，採用推理後回答的模式，並強化工具工作流。本文整理開放權重、Playground、API 與本地推論入口，說明它適合哪種 agent，以及為何不能把啟用參數當成整套模型大小。
Liquid AI 在 10 月 13 日發布 LFM2.5-24B-A2B，總參數 24B、每個 token 啟用 2B。相較前代，這次把上下文從 32K 擴至約 131K，並改為先推理、再給最終答案的模式，主打在自己的裝置上執行多步驟 agent。來源：Liquid AI 官方發布
這次更新了哪些能力？
官方同步提供基礎版與後訓練版權重。後訓練版針對推理、指令遵循與工具任務設計；訓練過程也放進 Hermes Agent、OpenClaw、Pi、OpenCode 等執行環境，讓模型處理連續的工具操作。
詞彙表從約 65K 擴至 128K，官方表示用來改善非拉丁文字的切詞。這是語言處理設計的變更，不能直接解讀為繁中回答品質已獲本站驗證。本文沒有執行模型或比較中文成績。來源：官方技術介紹
官方將工具使用與指令遵循列為強項，也承認較大模型在知識密集與部分程式題仍有優勢；知識需求較重時，建議搭配檢索或搜尋。這讓它的定位更明確：優先服務需要規劃、呼叫工具與持續處理任務的本地 agent。
上下文擴大後，可以接收更多對話與工具結果；推理模式也會在最終答案之前產生思考內容。應用若原本只處理最終文字，要確認框架如何分隔這些訊息，避免直接把所有內容顯示給使用者。
權重、試用與本地工具都有入口
想先看回覆，可使用官方 Playground；要放進應用，有 Liquid Console 的 API 路線。自行部署則可下載 Hugging Face 權重，官方列出 llama.cpp、MLX、vLLM、SGLang 與 ONNX 支援，分別對應端側或伺服器用途。
本地 agent 的接法是先啟動相容 OpenAI 介面的模型服務，再把 agent 指向本機位址，開啟工具呼叫。官方指南提供不同後端與 agent 的設定；其中預設範例使用另一個較小模型，套用時要換成這次的型號。來源：本地 agent 文件
需要在裝置上處理資料、又已有 agent 工作流的人，可以優先看這條路。啟用 2B 不等於只需儲存 2B 權重，設備容量仍要核對。接線概念可搭配 Hermes Agent 的本地整合閱讀。