Liquid AI lanceert LFM2.5-24B-A2B: lokaal agentmodel
Liquid AI brengt met LFM2.5-24B-A2B een krachtig MoE-model uit voor lokale AI-agents: 24 miljard parameters in totaal, maar slechts 2 miljard actief per prompt.
👁 113 keer gelezen
Liquid AI publiceerde op 5 augustus 2025 het model LFM2.5-24B-A2B op Hugging Face: een architectuur die specifiek is ontworpen voor snelle, privacyvriendelijke AI-agents die direct op eindapparaten draaien. Het is een van de weinige modellen in deze klasse die een aanzienlijk nominaal aantal parameters combineert met een extreem lage activatiebelasting.
24 miljard op papier, 2 miljard in de praktijk
De cijfers in de naam zijn geen toeval. LFM2.5-24B-A2B telt in totaal 24 miljard parameters, maar dankzij het Mixture of Experts-mechanisme (MoE) worden bij elke aanroep slechts 2 miljard daarvan geactiveerd. Deze aanpak is al bekend van modellen zoals Mixtral van Mistral of Google Gemini, maar Liquid AI past het toe in een context die tot nu toe zelden prioriteit kreeg: het lokaal draaien van agents, volledig los van cloudinfrastructuur.
Wat betekent dit in de praktijk? Het model kan functioneren op consumentenhardware of edge computing-apparatuur zonder dat je een datacenter nodig hebt. De actieve ruimte van 2B parameters zorgt ervoor dat de geheugen- en rekenvereisten vergelijkbaar zijn met compacte modellen uit de 2-3B-klasse. Tegelijkertijd beschikt het model over een veel rijkere kennisrepresentatie die in de volledige 24 miljard parameters gecodeerd ligt en per context wordt aangesproken.
Voor ontwikkelaars van agenttoepassingen levert dit een aanzienlijke kwaliteitsverbetering op. Een typische AI-agent voert tientallen of zelfs honderden modelaanroepen uit per gebruikerstaak: status controleren, stappen plannen, tools aanroepen en resultaten verifiëren. Bij een cloudmodel veroorzaakt elke stap een vertraging van honderden milliseconden en dataverkeer over het netwerk. Een on-device model verkleint deze cyclus drastisch en maakt gegevensoverdracht overbodig.
Privacy als architectonisch fundament
Liquid AI positioneert LFM2.5-24B-A2B nadrukkelijk als een oplossing voor scenario’s waarin privacy een harde eis is. Dat is een logische stap. De markt voor on-device modellen groeit onder invloed van twee factoren: regelgeving (zoals de AVG in Europa en sectorspecifieke regels in de financiële wereld en de zorg) en een toenemende terughoudendheid bij gebruikers om gevoelige data naar externe servers te sturen.
Binnen Europa speelt dit aspect sterk mee. Bedrijven die AI willen integreren in processen rond personeelszaken, juridische advisering of medische dossiers staan voor een afweging: kiezen voor krachtige cloudmodellen met bijbehorende AVG-compliancerisico’s, of genoegen nemen met minder capabele lokale modellen. LFM2.5-24B-A2B wil die kloof overbruggen met een model dat capabel genoeg is voor serieuze taken en compact genoeg om lokaal te draaien.
Het is niet het eerste initiatief in dit segment. Apple Intelligence hanteert een vergelijkbare filosofie: verwerking op het apparaat, met alleen een uitwijkmogelijkheid naar de cloud voor zware opdrachten. Microsoft experimenteert met Phi-modellen op Copilot+-laptops, en Qualcomm en NVIDIA leveren SDK’s die geoptimaliseerd zijn voor on-device gebruik. Liquid AI betreedt deze markt met een model dat volgens de documentatie niet primair is getraind voor algemene benchmarks, maar juist voor meervoudige, stapsgewijze agenttaken.
LFM: een andere opzet dan de Transformer
De LFM-familie (Liquid Foundation Models) verschilt wezenlijk van conventionele taalmodellen. Liquid AI, opgericht door onderzoekers van MIT, bouwt modellen op basis van zogeheten Liquid Neural Networks. Deze architectuur is geïnspireerd op biologische zenuwstelsels, waarbij de dynamiek van het netwerk verandert afhankelijk van de data die binnenkomt. Dat wijkt fundamenteel af van de klassieke Transformers waarop GPT, Claude, Gemini en Llama zijn gebaseerd.
Eerdere LFM-modellen lieten zien dat deze architectuur bijzonder effectief omgaat met lange contexten en sequentiële informatieverwerking. Dat zijn eigenschappen die onmisbaar zijn voor een AI-agent die complexe taken over meerdere stappen heen bewaakt. De modelkaart op Hugging Face beschrijft LFM2.5-24B-A2B als de volgende stap binnen deze ontwikkelingslijn, uitgebreid met MoE om de kenniscapaciteit te vergroten zonder de inferentiekosten op te drijven.
LFM2.5 vormt tevens een doorontwikkeling van de eerdere LFM2-generatie. Liquid AI blijft zijn architectuur gestaag verfijnen, ook al is het bedrijf compacter en minder zichtbaar in de media dan partijen als OpenAI, Anthropic of Mistral. De interesse op Hugging Face - ruim 2,91 duizend likes en 351 downloads binnen enkele dagen na publicatie - toont dat de open-sourcegemeenschap het project nauwgezet volgt.
Google · Jouw bronnenHoger in Google - met één klikToevoegen aan voorkeursbronnen →Wat betekent dit voor ontwikkelaars van AI-applicaties?
De introductie van LFM2.5-24B-A2B past binnen een bredere beweging die in 2024 en 2025 steeds duidelijker zichtbaar werd: de decentralisatie van inferentie. Jarenlang draaide de markt vooral om alsmaar grotere cloudmodellen. Inmiddels zien steeds meer partijen, van hardwarefabrikanten tot gespecialiseerde startups, toekomst in een hybride model: zware cloudinfrastructuur voor training en zeldzame complexe verzoeken, gecombineerd met lichte, gespecialiseerde modellen direct op het eindapparaat voor dagelijks agentwerk.
Voor ontwikkelaars en organisaties die AI-producten bouwen, biedt dit een duidelijk alternatief. In plaats van volledige afhankelijkheid van commerciële API’s met doorlopende kosten per aanroep, kan een lokaal model als basislaag dienen. LFM2.5-24B-A2B staat publiek op Hugging Face, waardoor je de gewichten kunt downloaden en draaien op je eigen hardware - zonder tokenkosten, zonder API-limieten en zonder risico op plotselinge prijswijzigingen door externe platformen.
De vraag blijft hoe LFM2.5-24B-A2B zich op gestandaardiseerde agentbenchmarks verhoudt tot directe concurrenten zoals Mistral Small, Phi-3.5, Gemma of Qwen. Liquid AI heeft nog geen complete vergelijkende testresultaten vrijgegeven, terwijl onafhankelijke cijfers cruciaal zijn om claims over on-device prestaties te valideren.
Die meetresultaten zullen uiteindelijk bepalen of LFM2.5-24B-A2B breed in productie wordt genomen, of vooral een interessant experiment blijft voor volgers van alternatieve netwerkarchitecturen.
More on this from HELDER
handleidingen·AI-beleid voor bedrijven: model in 10 punten en foutenPraktisch AI-beleid voor het Nederlandse mkb: tien afspraken over tools, gegevens, controle en verantwoordelijkheid, met voorbeelden en officiële bronnen.