Liquid AI تطلق LFM2.5-24B-A2B: وكيل استدلال محلي بسرعة 184 توكن/ث وسياق 131K
بقلم علي المنتصر — محلل ومحرر تقني أول
أطلقت Liquid AI نموذج LFM2.5-24B-A2B، وهو نموذج استدلال مفتوح الأوزان بـ24 مليار معامل و2 مليار معامل نشط فقط، مصمم لتشغيل وكلاء الذكاء الاصطناعي محلياً على الأجهزة. يتفوق النموذج على Qwen3.6-35B-A3B في مهام الأدوات والوكلاء بفارق 50% في المعاملات، محققاً 48.09 في LiveClaw مقابل 38.19، وسرعة 184 توكن/ث على Apple M5 Max. يتوفر فوراً على Hugging Face مع دعم يوم أول في llama.cpp وMLX وvLLM وSGLang وONNX.
الموجز الإحصائي السريع
أعلنت Liquid AI رسمياً عن إطلاق نموذج LFM2.5-24B-A2B، وهو نموذج استدلال مفتوح الأوزان بـ24 مليار معامل و2 مليار معامل نشط فقط، مصمم لتشغيل وكلاء الذكاء الاصطناعي محلياً على الأجهزة. النموذج متاح فوراً على Hugging Face بصيغتي LFM2.5-24B-A2B وLFM2.5-24B-A2B-Base، مع دعم يوم أول في llama.cpp وMLX وvLLM وSGLang وONNX.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مفتوح الأوزان ومجاني للتحميل على Hugging Face. لا رسوم API رسمية؛ التكلفة = عتاد محلي أو استضافة ذاتية. تكلفة توكن استدلال منخفضة بسبب 2B معامل نشط فقط. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (LFM2.5-24B-A2B وLFM2.5-24B-A2B-Base). دعم يوم أول: llama.cpp، MLX، vLLM، SGLang، ONNX. منافذ محلية: llama.cpp/MLX 8080، vLLM 8000، SGLang 30000، LM Studio 1234. متوافق مع transformers>=5.0.0. |
| ⚡ الأداء ومؤشرات السرعة | 184 توكن/ث على Apple M5 Max، 114 توكن/ث على Ryzen AI Max+ 395 (أسرع بـ1.7x من التالي مع أقل ذاكرة). أكثر من 21,000 توكن إخراج/ث على NVIDIA B300 واحدة عند التزامن العالي. LiveClaw: 48.09 مقابل 38.19 لـQwen3.6-35B-A3B. AutomationBench: 27.69 (أكثر من 3 أضعاف التالي). |
| 🛡️ الأمان ومقاومة الاختراق | تشغيل محلي كامل (on-device) يضمن خصوصية البيانات وعدم إرسالها لخوادم خارجية. لا توجد تصنيفات أمان صريحة في البيان الرسمي؛ الميزة الأمنية الأساسية هي العزل المحلي للوكلاء. |
| 🧠 سياق الذاكرة (Context Window) | 131,000 توكن (ترقية من 32K في الإصدار السابق). تدريب متوسط: 2T توكن عند 32K + 300B توكن عند 131K. مفردات موسعة من 65K إلى 128K توكن. |
| 🌍 دعم اللغة العربية والمنطقة | دعم محسّن للغات غير اللاتينية عبر توسيع المفردات (128K توكن) وتدريب متعدد اللغات (2T توكن). متاح عالمياً للتحميل والاستخدام المحلي دون قيود جغرافية. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد LFM2.5-24B-A2B على معمارية MoE (Mixture of Experts) بـ40 طبقة و64 خبيراً لكل كتلة MoE مع توجيه top-4، إلى جانب مزيج هجين من الالتفافات القصيرة المسورة (gated short convolutions) وGQA. الترقية الأبرز هي توسيع نافذة السياق من 32K إلى 131K توكن، مع توسيع المفردات في المكان (in-place tokenizer expansion) من 65K إلى 128K توكن، مما يحسّن كفاءة التوكنز للنصوص غير اللاتينية بما فيها العربية. النموذج هو نموذج استدلال فقط (reasoning-only) ينتج سلسلة تفكير صريحة قبل الإجابة النهائية، على عكس سابقه LFM2-24B-A2B.
تم توسيع التدريب المسبق من ~17T إلى ~33T توكن، ثم أضيف 2T توكن عند سياق 32K (مرجّح نحو الاستدلال والرياضيات والكود واتباع التعليمات والنصوص متعددة اللغات) و300B توكن عند سياق 131K (مرجّح نحو البيانات طويلة السياق). يتضمن التدريب اللاحق خمس مراحل: ضبط دقيق خاضع للإشراف (SFT)، ثم تقطير متعدد المجالات على السياسة (MOPD) غير وكيلي، ثم MOPD وكيلي، ثم تعلم معزز وكيلي (Agentic RL) داخل بيئات وكلاء مثل OpenClaw وHermes Agent وPi وOpenCode.
المقارنة المعيارية والأداء التنافسي
قُيّم النموذج مقابل Qwen3.6-35B-A3B وGemma-4-26B-A4B-it وNemotron-3.5-Lightning على 16 معياراً. رغم أنه الأصغر في المجموعة، إلا أنه يتفوق أو يتعادل في 5 من 8 معايير لمهام الأدوات والوكلاء: AutomationBench (27.69 مقابل 8.72)، BFCLv4 (65.01 مقابل 65.00)، ToolSandbox (80.71 مقابل 75.02)، LiveClaw (48.09 مقابل 38.19)، وτ³-Bench Banking (8.04 مقابل 7.63). كما يتقدم في جميع معايير اتباع التعليمات الثلاثة: IFEval (96.75)، IFBench (74.69)، Multi-IF (84.38). في المقابل، تحتفظ النماذج الأكبر بتفوق في المعايير المعرفية مثل GPQA Diamond (74.42 مقابل 83.69) وHLE (7.40 مقابل 7.69) وفي الكود مثل SWE-Bench Verified (51.00 مقابل 66.20)، لذا يُنصح بدمجه مع استرجاع أو بحث ويب للأعباء المعرفية الثقيلة.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يمثل توسيع المفردات إلى 128K توكن مع تدريب متعدد اللغات على 2T توكن نقلة نوعية لكفاءة معالجة النصوص العربية، حيث تقل احتمالية تقسيم الكلمات العربية إلى توكنات متعددة، مما يخفض التكلفة الفعلية لكل توكن عربي ويزيد دقة الاستدلال. بالنسبة للمشاريع الناشئة في العالم العربي، يعني النموذج إمكانية تشغيل وكلاء أذكياء محلياً على أجهزة بسيطة دون تكاليف API متكررة أو مخاوف سيادة البيانات، وهو أمر بالغ الأهمية للقطاعات الحساسة كالصحة والمالية والقانون. حالات الاستخدام العملية تشمل وكلاء خدمة العملاء بالعربية، وأتمتة المهام المكتبية، والمساعدين البرمجيين المحليين، وأنظمة الاسترجاع المعرفي المؤسسية. كما أن دعم llama.cpp وMLX يفتح الباب للمطورين العرب للبناء على أجهزة Mac وWindows وLinux دون بنية سحابية مكلفة.
الخلاصة والتطلعات القادمة
يمثل LFM2.5-24B-A2B خطوة استراتيجية من Liquid AI نحو ترسيخ فئة النماذج الوكيلية المحلية عالية الكفاءة، حيث يجمع بين سياق 131K وسرعة 184 توكن/ث وتكلفة استدلال منخفضة بفضل 2B معامل نشط فقط. التحدي القادم سيكون في توسيع قدرات المعرفة العامة والكود لسد الفجوة مع النماذج الأكبر، مع الحفاظ على ميزة السرعة والخصوصية. للمطورين العرب، هذا النموذج يوفر أساساً عملياً لبناء وكلاء عربيين محليين بكفاءة توكنز محسّنة.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
