معرفی LFM2.5-24B-A2B؛ گامی به‌سوی اجرای خصوصی عامل‌های هوش مصنوعی

تیم Liquid AI با انتشار مدل جدید LFM2.5-24B-A2B در بلاگ Hugging Face، مسیر تازه‌ای را برای اجرای عامل‌های هوش مصنوعی روی دستگاه‌های شخصی باز کرده است. این مدل که نسخه ارتقایافته LFM2-24B-A2B محسوب می‌شود، تنها ۲ میلیارد پارامتر فعال دارد و به همین دلیل می‌تواند سرعت بالا و حریم خصوصی را هم‌زمان فراهم کند. معماری این مدل شامل ۴۰ لایه، ۶۴ متخصص در هر بلوک MoE و مسیریابی top-4 است و از ترکیب کانولوشن‌های کوتاه گیت‌شده و GQA بهره می‌برد.

افزایش پنجره بافت و بهبود چندزبانه

یکی از مهم‌ترین تغییرات LFM2.5-24B-A2B نسبت به نسل قبلی، افزایش پنجره بافت از ۳۲ هزار به ۱۳۱ هزار توکن است. این یعنی مدل می‌تواند متن‌های طولانی‌تری را در یک بار پردازش کند و برای کارهای پیچیده مانند تحلیل اسناد چندصفحه‌ای یا مکالمات طولانی مناسب‌تر باشد. همچنین توسعه‌دهندگان با بزرگ‌کردن توکنایزر، دایره واژگان را از ۶۵ هزار به ۱۲۸ هزار توکن رسانده‌اند تا عملکرد بهتری در زبان‌های غیرلاتین داشته باشد.

فرآیند آموزش و تبدیل شدن به عامل

پیش‌آموزش این مدل از حدود ۱۷ تریلیون توکن به ۳۳ تریلیون توکن افزایش یافته است. در مرحله میانی نیز ۲ تریلیون توکن در بافت ۳۲ هزار و ۳۰۰ میلیارد توکن در بافت ۱۳۱ هزار اضافه شده است. این داده‌ها عمدتاً روی استدلال، ریاضیات، کدنویسی، پیروی از دستور و متن‌های چندزبانه متمرکز بوده و مسیرهای تماس ابزار و مکالمات چندمرحله‌ای نیز در آن دیده می‌شود.

  • مدل فقط برای استدلال طراحی شده و پیش از پاسخ نهایی، زنجیره فکر صریح تولید می‌کند.
  • مرحله پس‌آموزش در پنج مرحله، مدل پایه را به یک عامل هوش مصنوعی کامل تبدیل می‌کند.
  • معماری ترکیبی گیت‌شده با کانولوشن کوتاه، تعادل خوبی بین کارایی و دقت ایجاد می‌کند.
  • پنجره بافت ۱۳۱ هزار توکن، پردازش اسناد طولانی و مکالمات پیچیده را ممکن می‌سازد.

ارزیابی رقابتی در ۱۶ معیار

تیم Liquid AI عملکرد LFM2.5-24B-A2B را در ۱۶ معیار مختلف شامل ابزارها، گردش کار عامل‌ها، دانش، پیروی از دستور، ریاضیات و کدنویسی با مدل‌هایی مانند Qwen3.6-35B-A3B، Gemma-4-26B-A4B-it و Nemotron-3.5-Lightning مقایسه کرده است. این مدل با داشتن تنها ۲ میلیارد پارامتر فعال، کوچک‌ترین مدل در این گروه است و نتیجه‌گیری اصلی این است که می‌توان هوش مصنوعی قدرتمند و خصوصی را بدون وابستگی به ابر روی دستگاه اجرا کرد.

جمع‌بندی

LFM2.5-24B-A2B نشان می‌دهد که نسل جدید مدل‌های زبانی می‌توانند با پارامترهای فعال کمتر، عملکرد استدلالی بالاتری ارائه دهند. ترکیب پنجره بافت بزرگ، بهبود توکنایزر چندزبانه و آموزش گسترده، این مدل را به گزینه‌ای جدی برای توسعه‌دهندگانی تبدیل می‌کند که به دنبال اجرای عامل‌های هوش مصنوعی سریع، خصوصی و مقرون‌به‌صرفه هستند. انتشار این مدل در بلاگ Hugging Face نشان از بلوغ اکوسیستم منبع‌باز دارد و می‌تواند مسیر تازه‌ای را برای کاربردهای edge AI باز کند.

پرسش‌های پرتکرار

LFM2.5-24B-A2B چه تفاوتی با نسل قبلی خود دارد؟

این مدل پنجره بافت را از ۳۲ هزار به ۱۳۱ هزار توکن افزایش داده، توکنایزر را از ۶۵ هزار به ۱۲۸ هزار ارتقا داده، فقط برای استدلال طراحی شده و پیش‌آموزش آن از ۱۷ تریلیون به ۳۳ تریلیون توکن رسیده است.

کاربرد اصلی این مدل چیست؟

این مدل برای اجرای عامل‌های هوش مصنوعی روی دستگاه طراحی شده است تا ضمن حفظ حریم خصوصی، سرعت بالایی در کارهایی مانند استفاده از ابزار، پیروی از دستور، ریاضیات و کدنویسی فراهم کند.