بقلم: ليلى | محررة أدوات المطورين · صوت تحريري بإشراف بشري
أطلقت شركة Liquid AI نموذجها LFM2.5-2.6B، وهو نموذج لغوي بحجم 2.6 مليار معامل صُمِّم تحديداً لتشغيل وكلاء الذكاء الاصطناعي محلياً على الأجهزة الشخصية، من اللابتوب وحتى الهاتف، دون الحاجة إلى خادم سحابي. الرقم الأبرز هنا: 220 رمزاً في الثانية على معالج Apple M5 Max، و113 رمزاً في الثانية على AMD Ryzen AI Max+ 395، كل ذلك في أقل من 2.5 غيغابايت من الذاكرة (وفقاً لـ Liquid AI).
ما يميز هذا النموذج ليس حجمه الصغير وحده، بل أداؤه غير المتوقع أمام نماذج تصل إلى أربعة أضعاف حجمه. في اختبارات اتباع التعليمات، تصدّر LFM2.5-2.6B جميع المؤشرات: IFBench بـ 59.17 مقابل 56.47 لـ Qwen3.5-9B (9.7B)، وMulti-IF بـ 80.07 مقابل 62.55 للنموذج ذاته، وIFStruct بـ 85.49 مقابل 78.50 (وفقاً لـ Liquid AI). في استخدام الأدوات، أحرز النموذج 56.88 على BFCLv4 و77.83 على ToolSandbox، متفوقاً على كلا نموذجَي Gemma ونموذج Qwen3.5-4B، بينما يتقدمه Qwen3.5-9B طفيفاً على BFCLv4 فحسب. أما على المهام الوكيلية الموسّعة، فسجّل 62.85 على Claw-Eval و68.22 على PinchBench و26.89 على BrowseComp+ (OpenClaw). البرمجة هي النقطة الوحيدة التي يتراجع فيها وضوحاً أمام النماذج الأكبر، وهو أمر متوقع ومعلن صراحةً من الشركة.
وراء هذه الأرقام منهجية تدريب من أربع مراحل متتالية. بعد التدريب المسبق على ~34 تريليون رمز مع توسيع نافذة السياق إلى 128K رمز، تبدأ مرحلة ما بعد التدريب بضبط دقيق خاضع للإشراف يُركّز بثقل أكبر على بيانات الوكلاء كاستخدام الأدوات والبحث على الويب ومسارات التنفيذ، ثم تخصيص نماذج معلّم لكل مجال (الرياضيات والبرمجة واستخدام الأدوات)، يليها تقطير متعدد المجالات على السياسة الفعلية (MOPD) لدمج هذه المعلّمين في نموذج واحد. الحلقة تُغلق بمرحلة التعلم المعزّز الوكيلي (Agentic RL) التي تُشغّل النموذج داخل بيئات وكيلية حقيقية تشمل OpenClaw وHermes Agent (وفقاً لـ Liquid AI).
البنية التحتية للاستدلال تستحق الإشارة، إذ يدعم النموذج منذ إطلاقه: llama.cpp، وMLX، وvLLM، وSGLang، وONNX. على GPU، يبلغ النموذج قرابة 15,000 رمز في الثانية عند التشغيل بتزامن عالٍ، ما يعادل تقريباً 1.3 مليار رمز يومياً على GPU واحدة H100 (وفقاً لـ Liquid AI). حتى على الهاتف، يصل معدل التوليد إلى 30 رمزاً في الثانية، وهو كافٍ لتشغيل وكيل فعلي دون تأخير مزعج.
إن كنت مطوراً تريد تجربة النموذج الآن، إليك الخطوات:
- ثبّت أحدث إصدار من مكتبة transformers:
pip install -U transformers(متوافق مع transformers>=5.0.0) - حمّل النموذج والمحلّل اللغوي باستخدام المعرّف
LiquidAI/LFM2.5-2.6Bمعdevice_map="auto"ونوع البياناتbfloat16 - أنشئ قالب المحادثة باستخدام
apply_chat_templateمعadd_generation_prompt=True - شغّل التوليد بدرجة حرارة 0.2 وقيمة
top_k=80وrepetition_penalty=1.05 - لاستخدام GPU متوافق، أزل علامة التعليق عن
attn_implementation="flash_attention_2"للحصول على أداء أعلى - جرّب النموذج فوراً عبر عرض WebGPU التجريبي في المتصفح دون أي إعداد محلي
النموذجان LFM2.5-2.6B وLFM2.5-2.6B-Base متاحان الآن على Hugging Face. الرهان الحقيقي الذي تضعه Liquid AI هنا هو أن عصر الوكلاء المحليين لن يُبنى بالضرورة على نماذج عملاقة، بل على نماذج صغيرة ولكن مدرَّبة بعناية داخل البيئات ذاتها التي ستعمل فيها. إذا صمدت هذه المعادلة في تطبيقات الإنتاج، فقد تتغيّر الحسابات الاقتصادية لكثير من المطورين الذين يدفعون فاتورة inference سحابية لمهام لا تستدعيها.
