# LFM2.5-24B-A2B çıktı: 2 milyar etkin parametreli yerel ajan modeli

Kaynak: https://3dsinifi.com/haber/lfm2-5-24b-a2b-cikti-2-milyar-etkin-parametreli-yerel-ajan · Kategori: AI Modeller · Yayın: 13 Ekim 2026

> Liquid AI, 13 Ekim’de LFM2.5-24B-A2B modelini duyurdu. 24 milyar toplam parametreli model, token başına 2 milyar etkin parametreyle yerel çalışan ve araç kullanabilen ajanları hedefliyor.

## Kısaca
- LFM2.5-24B-A2B, 24 milyar toplam ve token başına 2 milyar etkin parametreye sahip.
- Modelin bağlam penceresi 131 bin token; önceki sürümde bu değer 32 bin token’dı.
- Liquid AI, modelin Apple M5 Max’te saniyede 184 token ürettiğini bildiriyor.
- Model ve temel sürümü Hugging Face üzerinden açık ağırlıklı olarak sunuluyor.

Liquid AI, 13 Ekim 2026’da Hugging Face’te yayımladığı duyuruyla LFM2.5-24B-A2B adlı akıl yürütme modelini tanıttı. Şirket, modeli cihaz üzerinde çalışabilen, araç çağıran ve birden fazla adımdan oluşan işleri yürüten ajanlar için konumlandırıyor. Model, 24 milyar toplam parametreye sahip; her token işlenirken 2 milyar parametre etkinleştiriliyor.

## Daha uzun bağlam ve akıl yürütme odağı

LFM2.5-24B-A2B, önceki LFM2-24B-A2B modelinin mimarisini koruyor. Liquid AI’nin aktardığı bilgilere göre yapı 40 katman, her MoE bloğunda 64 uzman ve top-4 yönlendirme kullanıyor. Model, yanıt vermeden önce açık bir akıl yürütme süreci izleyen bir sürüm olarak geliştirildi.

Bağlam penceresi önceki sürümdeki 32 bin token’dan 131 bin token’a çıkarıldı. Kelime dağarcığı da 65 bin token’dan 128 bin token’a yükseltildi; şirket bunun Latin alfabesi dışındaki dillerde token kullanımını iyileştirmeyi amaçladığını belirtiyor. Ön eğitim yaklaşık 17 trilyon token’dan yaklaşık 33 trilyon token’a ölçeklendirildi. Şirket ayrıca uzun bağlam, akıl yürütme, matematik, kod ve çok dilli metinlere yönelik ek eğitim aşamalarını açıklıyor.

## Araç kullanımı kıyaslamalarda öne çıkıyor

Liquid AI, modeli 16 kıyaslamada Qwen3.6-35B-A3B, Gemma-4-26B-A4B-it ve Nemotron-3.5-Lightning ile karşılaştırdığını bildiriyor. Şirketin sonuçlarında LFM2.5-24B-A2B, AutomationBench’te 27,69; BFCLv4’te 65,01; ToolSandbox’ta 80,71 ve LiveClaw’da 48,09 puan aldı. LiveClaw sonucunda karşılaştırılan Qwen3.6-35B-A3B’nin puanı 38,19 olarak verildi.

Duyuruya göre model, araç kullanımı ve ajan iş akışlarına yönelik sekiz testin beşinde rakipleriyle başa baş ya da daha iyi sonuç elde etti; ayrıca üç talimat izleme kıyaslamasının tümünde öne çıktı. Buna karşılık şirket, bilgi ağırlıklı GPQA Diamond ve kodlama odaklı SWE-Bench Verified gibi testlerde daha büyük modellerin avantajını koruduğunu belirtiyor. Bu nedenle Liquid AI, bilgi yoğun görevlerde arama veya bilgi getirme sistemleriyle birlikte kullanım öneriyor. Bu sonuçlar şirketin kendi değerlendirmeleridir; kaynakta tüm modellerin vLLM ile test edildiği belirtiliyor.

## Yerel çalıştırma ve donanım sonuçları

Model; llama.cpp, MLX, vLLM, SGLang ve ONNX desteğiyle sunuluyor. Liquid AI’nin ölçümlerine göre model, Apple M5 Max üzerinde saniyede 184 token, Ryzen AI Max+ 395 üzerinde saniyede 114 token üretiyor. Şirket ayrıca tek bir NVIDIA B300 GPU’da yüksek eşzamanlılık altında saniyede 21 binin üzerinde çıktı token’ı bildirdi. Bunlar üreticinin açıkladığı sonuçlar; farklı donanım ve ayarlarda aynı hızın elde edileceği garanti edilmiyor.

Model ve LFM2.5-24B-A2B-Base sürümü Hugging Face’te açık ağırlıklı olarak erişime açıldı. Duyuruda fiyat bilgisi yer almıyor. Yerel sunucu üzerinden OpenAI uyumlu bir arka uç kurulup desteklenen ajan sistemlerine bağlanabildiği aktarılıyor. Örnek kurulumda bağlam uzunluğu 131.072 olarak ayarlanıyor; kullanılan sunucu yazılımına göre bağlantı noktası değişiyor.

## Mimarlık ve görselleştirme iş akışlarına etkisi

Mimarlık ofisleri, iç mimarlar ve görselleştirme ekipleri açısından modelin ilgi çekici yanı, araç çağırabilen bir ajanı kendi donanımında çalıştırma olanağı. Bu özellik, tekrarlanan metin ve bilgi işleme adımlarını yerel ajanlarla denemek isteyen ekipler için değerlendirilebilir; ancak duyuru, modelin belirli CAD, BIM veya görselleştirme yazılımlarına doğrudan entegre olduğunu söylemiyor. Dolayısıyla olası kullanım, desteklenen ajan altyapısı ve kurulacak araç bağlantılarıyla sınırlı olarak ele alınmalı.

Yerel kullanım kararı öncesinde donanım performansı, kurulum uyumluluğu ve açık ağırlıkların kullanım koşulları kontrol edilmeli. Duyuru farklı işlemci ve GPU’larda hız sonuçları veriyor, ancak gereken bellek miktarını veya Türkiye’deki donanım maliyetlerini açıklamıyor. Bu nedenle ekiplerin kendi görevleriyle deneme yapması ve sonuçları mevcut iş akışlarıyla karşılaştırması önemli.

## Pro ipucu
Kurulumdan önce kullanılacak çıkarım altyapısının model desteğini ve bağlantı noktasını doğrulayın; ajan yapılandırmasında bağlam uzunluğunu 131.072 olarak ayarlayın.

## 3dsınıfı yorumu
LFM2.5-24B-A2B’nin mimarlık ekipleri için asıl değeri, ajan iş akışlarını yerel donanımda denemeye imkân vermesi. Araç kullanımı ve talimat izleme sonuçları umut verici olsa da bunlar Liquid AI’nin kıyaslamaları; ofis içindeki gerçek görevlerde ayrıca sınanmalı. Duyuruda CAD ya da BIM yazılımlarıyla hazır entegrasyon belirtilmiyor.

Donanım ve lisans koşulları kararın merkezinde olmalı. Fiyat ve gerekli bellek miktarı açıklanmadığından, yatırım hesabı yapmak için yeterli veri yok. Açık ağırlıklı sunulması tek başına kullanım koşullarının tüm ayrıntılarını açıklamıyor; ekipler lisans metnini ve kullandıkları çıkarım yazılımlarının uyumluluğunu kontrol etmeli.

## Kaynaklar
- [Hugging Face Blog](https://huggingface.co/blog/LiquidAI/lfm25-24b-a2b) (özet)

_Yapay zekâ ile yazıldı, kaynaklarla doğrulandı. © 3dsınıfı_