Liquid AI vydalo LFM2.5-2.6B pre lokálnych agentov, slovenčina však chýba

Malý model navrhnutý pre agentické úlohy

Liquid AI vydalo textový model LFM2.5-2.6B, ktorý má 2,69 miliardy parametrov a je posttrénovaný na používanie nástrojov, dodržiavanie zložitejších pokynov a vykonávanie viacstupňových úloh. Váhy základného aj inštrukčne upraveného variantu sú verejne dostupné cez Hugging Face. Nejde teda iba o model prístupný cez vzdialené API: vývojár si ho môže stiahnuť, prevádzkovať vo vlastnej infraštruktúre a pripojiť k agentickému systému prostredníctvom lokálneho endpointu. Označenie „open-weight“ je presnejšie než všeobecné „open source“, pretože model používa vlastnú licenciu LFM Open License 1.0, ktorej podmienky treba pred komerčným nasadením samostatne posúdiť.

Modelová karta uvádza 30 vrstiev, z ktorých 22 používa dvojito riadené krátke konvolučné bloky a osem mechanizmus grouped-query attention. Ide o hybridnú architektúru odvodenú od rodiny LFM2. Technická správa k pôvodnej rodine vysvetľuje, že architektúra vznikala s ohľadom na reálnu latenciu a spotrebu pamäte na okrajovom hardvéri, nie iba na teoretický počet operácií. LFM2.5-2.6B rozširuje tento základ o slovník so 128-tisíc položkami, agentický posttréning a kontext s maximálnou dĺžkou 131 072 tokenov. Takéto maximum však samo osebe nezaručuje, že model bude rovnako presný v celej dĺžke kontextu.

Liquid AI uvádza približne 34 biliónov tokenov predtréningu. Posttréning pozostával z dvoch etáp učenia s učiteľom, prípravy špecializovaných učiteľských modelov, viacdoménovej on-policy destilácie a agentického posilňovaného učenia. Pri poslednej fáze model pracoval v reálnych agentických rozhraniach vrátane Hermes Agent a OpenClaw, vykonával nástroje v oddelených sandboxoch a dostával odmenu kombinujúcu automatické kontroly, hodnotenie jazykovým modelom a bezpečnostnú podmienku. Tento postup je podstatný: model sa neučil iba zapisovať syntakticky správne volanie funkcie, ale aj reagovať na výsledok nástroja v dlhšej interakcii.

Čo ukazujú benchmarky — a čo ešte nie

V tabuľke výrobcu dosiahol LFM2.5-2.6B skóre 56,88 v BFCLv4, 77,83 v ToolSandbox a 62,85 v anglickom priemere Claw-Eval. V BrowseComp+ spustenom cez OpenClaw získal 26,89 bodu. Výsledky naznačujú, že v dodržiavaní inštrukcií a práci s nástrojmi dokáže súperiť s niektorými modelmi s približne štyrmi až desiatimi miliardami parametrov. Nie je však najlepší vo všetkých testoch: Qwen3.5-9B ho prekonal napríklad v BFCLv4, LiveCodeBench aj matematickom AIME25. Samotný výrobca neodporúča LFM2.5-2.6B na agentické programovanie ani na úlohy vyžadujúce rozsiahle faktické znalosti.

Porovnanie treba čítať ako výsledok testov Liquid AI, nie ako nezávislé potvrdenie produkčnej spoľahlivosti. Firma zverejnila použité teploty a limity výstupu, pri niektorých konkurenčných modeloch sa však nastavenia líšili podľa ich odporúčaní. Benchmark volania nástrojov navyše nepokrýva všetky situácie, ktoré vzniknú pri dlhom behu: neúplnú odpoveď API, zmenenú schému, nedôveryhodný obsah webu, opakovaný neúspešný pokus alebo potrebu bezpečne zastaviť akciu. Pred nasadením preto treba vytvoriť vlastnú sadu scenárov, merať úspešnosť celej úlohy a kontrolovať nielen finálny text, ale aj každý vykonaný krok.

Výkonové údaje sú podobne podmienené konkrétnou konfiguráciou. Liquid AI hlási dekódovanie 220 tokenov za sekundu na Apple M5 Max a 113 tokenov za sekundu na AMD Ryzen AI Max+ 395 pri pamäťovej náročnosti pod 2,5 GB. Na telefóne firma uvádza približne 30 tokenov za sekundu. Serverový test na jednej NVIDIA H100 dosiahol pri vysokej súbežnosti takmer 15-tisíc výstupných tokenov za sekundu; bežal však v BF16 cez SGLang 0.5.16, s 1 024 vstupnými a najviac 256 výstupnými tokenmi. Dlhšie kontexty, iná kvantizácia a komplikovanejšie nástroje môžu latenciu aj pamäťové nároky výrazne zmeniť.

Praktické nasadenie na notebooku, serveri aj telefóne

Silnou stránkou vydania je dostupnosť viacerých formátov a runtimeov. Pôvodný checkpoint funguje s Transformers, vLLM a SGLang; GGUF variant je určený pre llama.cpp a kompatibilné lokálne aplikácie, MLX pre Apple Silicon a ONNX pre rôzne platformy a akcelerátory. Dokumentácia Hugging Face nezávisle potvrdzuje začlenenie architektúry LFM2 do knižnice Transformers. Model možno obsluhovať cez endpoint kompatibilný s OpenAI API, takže existujúci agentický klient nemusí poznať detaily architektúry. Prevádzkovateľ však stále zodpovedá za izoláciu nástrojov, autorizáciu akcií, auditné záznamy a obmedzenie prístupu k súborom či sieti.

Lokálne spracovanie môže byť zaujímavé pre firmy, ktoré nechcú posielať interné dokumenty, komunikáciu alebo prevádzkové dáta externému poskytovateľovi pri každom kroku. Odpadá aj priebežná cena za API tokeny a systém môže fungovať bez stabilného internetového spojenia. To neznamená automatické súkromie: lokálny agent môže údaje odoslať prostredníctvom povoleného nástroja, zapisovať citlivé informácie do logov alebo načítať škodlivý obsah. Súkromie preto závisí od celej aplikácie, nastavenia siete a správy dát, nielen od umiestnenia modelových váh.

Rozumným použitím môže byť lokálne triedenie dokumentov, extrakcia štruktúrovaných údajov, vyhľadávanie vo firemnom archíve alebo ovládanie úzko vymedzeného pracovného postupu. Malý model môže zároveň slúžiť ako prvá vrstva: jednoduché a opakované požiadavky vyrieši lokálne, zatiaľ čo neisté alebo náročné prípady odošle výkonnejšiemu modelu až po odstránení citlivých údajov. Pri agentovi s právom vykonávať zmeny by mala zostať povinná validácia parametrov, minimálne oprávnenia a ľudské potvrdenie nezvratných krokov. Nízka cena inferencie totiž znižuje náklady na chybu iba výpočtovo, nie prevádzkovo.

Slovenský a európsky kontext

Pre slovenské použitie je dôležité jazykové obmedzenie. Modelová karta uvádza 16 jazykov vrátane angličtiny, nemčiny, francúzštiny, taliančiny, poľštiny, ruštiny a viacerých ázijských jazykov, slovenčina ani čeština však v zozname nie sú. Model môže v slovenčine čiastočne fungovať vďaka príbuznosti jazykov a dátam mimo deklarovaného zoznamu, no taký výkon výrobca týmto zoznamom negarantuje. Slovenská organizácia by mala samostatne preveriť skloňovanie, odbornú terminológiu, porozumenie pokynom, konzistentnosť výstupného jazyka a správne spracovanie diakritiky. Bez takého testu nemožno výsledky z anglických benchmarkov preniesť na slovenskú prevádzku.

Lokálny model môže podporiť európsku snahu o väčšiu kontrolu nad dátami a výpočtovou infraštruktúrou, nezbavuje však prevádzkovateľa regulačných povinností. Európska komisia uvádza, že AI Act rozlišuje povinnosti podľa rizika konkrétneho systému a spôsobu použitia; prísnejší režim sa týka napríklad niektorých aplikácií v zamestnanosti, vzdelávaní, kritickej infraštruktúre a prístupe k základným službám. Rozhodujúce teda nie je iba to, že model beží na zariadení. Organizácia musí posúdiť účel celej aplikácie, ľudský dohľad, dokumentáciu, presnosť, kybernetickú bezpečnosť a vysledovateľnosť vykonaných krokov.

LFM2.5-2.6B je presvedčivým dôkazom, že agentické funkcie sa presúvajú aj do kompaktnej veľkostnej triedy. Overené sú dostupnosť váh, deklarovaná architektúra, dlhý kontext, podporované formáty a integrácia do hlavných inferenčných nástrojov. Otvorené zostáva, ako stabilne model zvláda veľmi dlhé trajektórie, neštandardné odpovede nástrojov, slovenské zadania a produkčné bezpečnostné hranice. Najvhodnejším prvým krokom preto nie je plne autonómne nasadenie, ale meraný pilot s úzkymi oprávneniami, vlastnou slovenskou testovacou sadou a priamym porovnaním s väčším modelom na rovnakom hardvéri a rovnakých úlohách.