10 月 13 日，主打”液态神经网络”的初创公司 Liquid AI 发布了新一代开源模型 LFM 2.5-24B-A2B。这是一款混合专家（MoE）推理模型，总参数 24B、激活参数仅 2.45B，定位非常明确：为会调用工具的 AI Agent 而生。模型已上线 OpenRouter，开发者现在就能通过 API 调用。
一句话理解它：小而专的 Agent 推理模型
LFM 2.5 最大的特点是“回答前必先推理”——无论任务大小，模型都会先走一遍推理流程再输出结果。官方明确建议，把它用在需要调用工具、执行多步任务的 Agent 场景里，而不是当通用聊天机器人。对于知识密集型的任务，官方推荐搭配检索（RAG）或联网搜索一起使用。
- 架构：MoE 混合专家，24B 总参数、2.45B 激活参数，推理时算力开销很低；
- 上下文：128K 窗口；
- 定位：Agent 工具调用 + 推理，非通用对话模型。
定价：开源模型里的”白菜价”
LFM 2.5 在 OpenRouter 上的标价为 $0.05 / 百万输入 token、$0.70 / 百万输出 token，实测加权平均价约 $0.03 / $0.84。这个输入价格比很多开源大模型还要便宜，配合 2.45B 的激活参数，跑 Agent 工作流的成本极低。它的吞吐量约 115 token/秒，延迟 0.31 秒，适合对延迟敏感的应用。
谁该用它：几个典型场景
Liquid AI 是一家由 MIT 研究团队创办的初创公司，长期押注”液态神经网络”（LFM 系列）路线，主张用更小的模型解决更聚焦的问题。LFM 2.5 延续了这一思路，最适合下面几类场景：
- 多步骤工具调用 Agent：把多个 API、函数调用串成一条工作流，让模型在每一步之间做推理决策；
- 低成本推理任务：对延迟和预算敏感、又需要一定推理能力的场景，用它的激活参数换取极低的 token 成本；
- 本地 / 边缘部署：2.45B 激活参数的体量，让它成为少数能塞进消费级显卡的开源推理模型。
局限：结构化输出是明显短板
一个需要正视的问题：LFM 2.5 在 OpenRouter 上的结构化输出错误率高达 45%，工具调用错误率约 9%。这意味着如果你让它严格输出 JSON 或固定格式，失败率会偏高。这也是为什么官方强调”搭配检索/搜索使用”——它的强项是推理和调用，而非稳定的格式化输出。
与其他开源模型横向对比
| 模型 | 参数规模 | 核心定位 |
|---|---|---|
| LFM 2.5-24B-A2B | 24B（激活 2.45B） | Agent 工具调用推理 |
| Mistral Large 4 | 1 万亿 | 最强开源通用 |
| Reflection Beam | 501B | 低算力对标国产 |
| Qwen3.8 2.4T | 2.4 万亿 | 开源推理旗舰 |
和动辄千亿、万亿参数的开源巨头相比，LFM 2.5 走的是“小而专”路线：牺牲了通用知识广度，换来极低的推理成本和明确的 Agent 定位。如果你的场景是大量轻量级工具调用，它是值得关注的选项。
常见问题（FAQ）
LFM 2.5 免费吗？
模型权重开源，可通过 OpenRouter 按 API 计费调用，输入约 $0.05/百万 token；也可自行下载权重本地部署。
LFM 2.5 和通用大模型有什么区别？
它是为调用工具的 Agent 设计的推理模型，回答前必先推理，知识面不如 GPT、Gemini 等通用旗舰广，需搭配检索或联网搜索使用。
LFM 2.5 本地部署需要什么配置？
激活参数仅 2.45B，算力开销低，普通消费级显卡即可运行，是本地部署门槛很低的开源推理模型。
LFM 2.5 有什么明显缺点？
结构化输出错误率偏高（约 45%），不适合严格 JSON 格式化的场景；工具调用错误率约 9%，需在工程侧做容错。
怎么快速上手
想在项目里试跑 LFM 2.5，最简单的方式是通过 OpenRouter 的 API 直接调用，模型名称为 liquid/lfm-2.5-24b-a2b，无需自己搭推理环境。如果要做本地部署，官方也开放了模型权重，按 2.45B 激活参数的体量，一张主流游戏显卡即可带动。建议先用它做一个多步骤工具调用的最小原型，重点观察推理链路和结构化输出的稳定性，再决定是否上生产。
总结
LFM 2.5 不是又一个”堆参数”的旗舰，而是一款定位清晰、成本极低的 Agent 推理模型。如果你在搭需要大量工具调用的 AI 工作流，且能接受结构化输出的不确定性，它值得放进候选名单试跑。它和千亿级开源模型的关系，更像是”专业工具”之于”全能助手”——选哪个，取决于你的任务到底有多窄。
想发现更多好用的 AI 工具？查看我们的 AI 模型库 与 工具对比引擎，或继续阅读：Mistral Large 4 · Reflection Beam · DeepSeek V4 Pro 评测。