סוכן AI מקומי: המודל החדש של Liquid AI
חברת Liquid AI השיקה מודל עם 2 מיליארד פרמטרים פעילים שמנצח מתחרים בכלים על מחשב נייד, אך דורש תשלום מחברות גדולות ואינו תומך רשמית בעברית.
- הורידו את המשקלים מ-Hugging Face והריצו אותם מקומית דרך MLX או llama.cpp למשימות ניהול כלים, אך הימנעו מלהסתמך עליהם לקידוד מורכב.
עבודה עם סוכני AI על המחשב הנייד הרגישה עד עכשיו כמו ניסיון לגרור משאית עם קורקינט. הכלים המקומיים הקיימים חנקו את הזיכרון, זחלו בקריאות כלים רב שלביות, או דרשו חומרה שקיימת רק במשרדים של מהנדסי מחקר. ב־13 באוקטובר 2026, פרסמה Liquid AI בבלוג Hugging Face מודל שמנסה לתקוף בדיוק את נקודת התורפה הזו.
זה שינוי כיוון מרענן.
מחשב נייד, לא חוות שרתים
אם אתם מפתחים או ארכיטקטי תוכנה שמנסים להריץ תהליכי אוטומציה בלי לשלוח כל פעולה לענן, החשבון פשוט למדי: רוב מודלי הסוכנים דורשים לפחות 30 מיליארד פרמטרים כדי לקבל החלטה הגיונית. המשמעות היא השהיה בלתי נסבלת בכל פעם שהסוכן קורא לקובץ או מפעיל כלי שורת פקודה. המודל החדש LFM2.5-24B-A2B עוקף את המכשול הזה בעזרת ארכיטקטורת תערובת מומחים. מתוך 24 מיליארד פרמטרים בסך הכל, רק 2 מיליארד פרמטרים פעילים בכל רגע נתון של הפקת טוקן.
השילוב הזה מאפשר לחומרה מקומית לרוץ בלי לקרוס תחת העומס. לפי החברה, על מחשב נייד עם שבב Apple M5 Max המודל מייצר 184 טוקנים לשנייה, ועל מעבד Ryzen AI Max+ 395 הוא רושם קצב של 114 טוקנים לשנייה. על שרת עם מעבד גרפי יחיד מדגם NVIDIA B300 הוא מגיע לעד 21K טוקנים לשנייה בתפוקה מקבילית גבוהה. כל טוקן חשיבה זול מספיק כדי להריץ סוכן רציף על המחשב האישי, מדגישים בחברה. המודל מייצר תהליך חשיבה מובנה לפני התשובה, אך תודות למיעוט הפרמטרים הפעילים הוא אינו תוקע את המערכת.
ארכיטקטורת הרשת מבוססת על 40 שכבות ו־64 מומחים בכל בלוק MoE, עם ניתוב לארבעה מומחים מובילים בכל פעם, לצד שילוב של קונבולוציות קצרות ו־GQA. חלון ההקשר צמח ל־131K טוקנים בהשוואה ל־32K בלבד בגרסה הקודמת, מה שמאפשר להחזיק היסטוריית פעולות ארוכה ופלט מורכב של כלים מקומיים. אימון המודל כלל הרחבה מ־17T ל־33T טוקנים בשלב המקדים, לצד אימון ביניים של 2T טוקנים בחלון 32K ו־300B טוקנים בחלון 131K שהתמקדו בהנחיות, קוד, מתמטיקה ומשימות רב שלביות.
מצטיין בכלים, מדשדש בקוד
במשימות סוכנים והפעלת כלים, המודל מציג יתרון ברור על פני מתחרים בעלי משקל כבד בהרבה. במבחן AutomationBench הוא מקבל ציון של 27.69, לעומת 8.72 בלבד של Qwen3.6-35B-A3B ו־5.46 של Gemma-4-26B-A4B-it. במבחן LiveClaw הוא מגיע ל־48.09 נקודות לעומת 38.19 של Qwen3.6. הוא מוביל גם ב־ToolSandbox עם 80.71 נקודות מול 75.02 של המתחרה הסיני, ורושם 65.01 במבחן BFCLv4 ו־8.04 בבנקאות של τ³-Bench. במבחני מעקב אחר הנחיות כמו IFEval הוא משיג 96.75 נקודות, וב־IFBench הוא עומד על 74.69. ההסבר טמון בתהליך אימון שכלל שלבי זיקוק ייעודיים ולמידת חיזוק ישירות בתוך סביבות סוכנים כמו OpenClaw ו־Hermes Agent.
הוא מציג ביצועים תחרותיים מול מודלים בעלי כ־50% יותר פרמטרים כוללים ופעילים במשימות סוכנים ושימוש בכלים.Liquid AI בבלוג ההשקה
אבל יש מחיר לחסכון בפרמטרים. כשבוחנים משימות קידוד טהורות וידע מעמיק, הפער מתהפך לחלוטין. במבחן SWE-Bench Verified, שבודק תיקון באגים מעשיים בפיתוח תוכנה, המודל מסתפק ב־51.00 נקודות, בזמן ש־Qwen3.6-35B-A3B משיג 66.20 נקודות. במבחן SciCode הוא מקבל 32.71 לעומת 37.35 של המתחרה. במבחני ידע כמו GPQA Diamond הוא מגיע ל־74.42 מול 83.69 של Qwen3.6, ובמבחן הניווט WebArena Verified הוא רושם 26.75 בלבד לעומת 37.62.
אם אתם בונים סוכן שנועד לשכתב קוד מורכב במקום מפתח, זה לא המודל המתאים. החוקרים עצמם מסייגים וממליצים לחבר את המודל למנוע חיפוש או למאגר מידע חיצוני אם אתם זקוקים לתשובות עובדתיות מדויקות. מה שבאמת מעניין כאן הוא שהחברה בחרה להתמקד בהפעלת כלים ולא בניסיון לנצח בכל מדד אפשרי, וזה שווה רק אם התרחיש שלכם מוגדר סביב פעולות מערכת.
| מודל | פרמטרים פעילים / סך הכל | AutomationBench (סוכנים) | SWE-Bench (קוד) | LiveClaw (כלים) |
|---|---|---|---|---|
| LFM2.5-24B-A2B | 2B / 24B | 27.69 | 51.00 | 48.09 |
| Qwen3.6-35B-A3B | כ־3B / 35B | 8.72 | 66.20 | 38.19 |
| Gemma-4-26B-A4B-it | כ־4B / 26B | 5.46 | 25.80 | 41.25 |
| Nemotron-3.5-Lightning | כ־3B / 30B | 2.61 | 53.40 | 37.72 |
האותיות הקטנות של הרישיון והשפה
לפני שאתם משלבים את המודל בתשתיות של החברה, בדקו את תנאי השימוש. לפי דף המודל והרישיון הרשמי, הוא מופץ תחת LFM Open License v1.0. הרישיון מאפשר שימוש מסחרי חינמי רק לעסקים שסך הכנסותיהם השנתיות אינו עולה על 10 מיליון דולר. ארגון גדול יותר יצטרך לפנות לחברה ולהסדיר רישיון מסחרי בתשלום.
ההגבלה הזו הופכת רלוונטית במיוחד לחברות מבוססות שרוצות להטמיע אוטומציות מקומיות בצוותי הפיתוח בלי לפתוח חוזי תוכנה חדשים מול ספקי מודלים חיצוניים. לא הייתי ממהר לשלב אותו בקוד ארגוני בלי אישור משפטי.
נוסף על כך, הזווית המקומית דורשת בדיקה זהירה. אוצר המילים של הטוקנייזר הורחב מ־65K ל־128K טוקנים כדי לשפר ייצוג של תווים שאינם לטיניים, אך השפה העברית אינה נכללת ברשימת 16 השפות הנתמכות רשמית. המודל אומן בעיקר על אנגלית וקוד. שימוש בעברית יוביל לצריכת טוקנים מוגברת, להאטה בקצב העבודה ולטעויות בפענוח הנחיות.
מבחינת פרטיות, הריצה על החומרה אכן שומרת את הפענוח והמחשבה על המכשיר שלכם. עם זאת, ברגע שהסוכן מתוכנן לפנות לשירותי רשת חיצוניים או ל־APIs ברשת, המידע יוצא מהסביבה המקומית. אם הסוכן קורא לשירות ענן, היתרון המקומי מתפוגג במהירות.
איך לבדוק אותו כבר היום
המשקלים של גרסת הבסיס וגרסת ההוראות זמינים להורדה חופשית, וישנה תמיכה מהיום הראשון במנועי הרצה מקומיים כמו llama.cpp ו־MLX של Apple, לצד ספריות ענן כמו vLLM, SGLang ו־ONNX. להרצה פייתונית בסיסית דרושה ספריית transformers מגרסה 5.0.0 ומעלה, וניתן לטעון את המשקלים ישירות בדיוק של bfloat16 עם דגימה בטמפרטורה של 0.1 ועונש חזרתיות של 1.05.
כדי לחבר סוכן אוטונומי, אפשר להרים שרת תואם OpenAI מקומית על פורט 8080 ולהגדיר את Hermes Agent או OpenClaw ישירות מולו, כאשר סביבות כמו LM Studio יאזינו בפורט 1234 ו־vLLM בפורט 8000. לפי מדריכי החברה בבלוג, התצורה דורשת הפעלת אכיפת שימוש בכלים והגדרת אורך הקשר של 131072 טוקנים.
מי שמחפש פענוח ספקולטיבי באמצעות DSpark שיאיץ עוד יותר את הריצה במחשב הנייד יצטרך לחכות, שכן משקלי ההאצה לגרסת ה־24B עדיין לא שוחררו. בינתיים, המודל הזה מתאים בעיקר למפתחים שרוצים סוכן מקומי שיודע להריץ פקודות מערכת, לנהל קבצים ולקרוא לכלים שוב ושוב בלי לחשוב על חשבון ה־API החודשי.
רק אל תבקשו ממנו לכתוב לכם את הפרויקט הבא מאפס.
מה שואלים על זה
- Run fast, private agents on-device with LFM2.5-24B-A2Bhuggingface.co · המקור
- LiquidAI/LFM2.5-24B-A2B on Hugging Facehuggingface.co · קריאה נוספת
- LFM2.5-24B-A2B: Built for Fast On-Device Agentsliquid.ai · קריאה נוספת
30 עובדות בכתבה נבדקו אחת־אחת מול המקורות המקושרים ומול חיפוש ברשת ב־14 באוקטובר 2026. מה שלא אומת הוסר או מסומן כטענה של החברה. הכתיבה נעשתה בעזרת AI מהמקורות האלה בלבד, בעריכה ובאחריות של סלבה מלנדוביץ׳. טעות? כתבו לנו.