LFM2.5-2.6B 徹底解説

Liquid AIは2026年8月4日、パラメータ数約2.69B（2.6B）のオンデバイス・エージェント特化モデル「LFM2.5-2.6B」を公開した。公式のメモリフットプリントは2.5GB未満に抑えられており、スマートフォンやRaspberry Pi級の小型機でも動作すると報じられている。ライセンスはApache 2.0ではなく独自の「LFM1.0ライセンス」であり、商用利用の可否は公式ライセンス本文の確認が必要だ。同社はすでにLiquid AI 日本語特化2モデル徹底解説で日本語特化モデルを公開しており、LFM2.5-2.6Bはそのラインの汎用エージェント版という位置付けになる。

FP16/Q8_0/Q4_K_M列はパラメータ数2.69Bから算出した一般的な量子化サイジングの目安であり、実際のメモリ使用量は推論エンジンやコンテキスト長設定によって変動する。Liquid AIが公表している「2.5GB未満」という数値は同社配布形態における実測値であり、スマートフォンやRaspberry Pi級デバイスでの動作報告と整合する。

LFM2.5-2.6Bは30層構成で、22層の double-gated short convolution ブロックと8層の GQA（Grouped Query Attention）を組み合わせたハイブリッドアーキテクチャを採用する。コンテキスト長は131,072トークン（128K）、語彙数は128,000で、約34兆トークンで学習されている。対応言語は英語・アラビア語・中国語・フランス語・ドイツ語・イタリア語・日本語・韓国語・ポルトガル語・スペイン語・ベトナム語・タイ語・インドネシア語・ヒンディー語・ロシア語・ポーランド語の16言語で、日本語も含まれる。設計思想はクラウド依存を前提とせず、ツール呼び出しやマルチステップ実行、Web検索といったエージェント用途をデバイス上で完結させる点にある。

Liquid AIはToolSandboxベンチマークにおいて、約4倍のサイズを持つQwen3.5-9B（76.44）をLFM2.5-2.6B（77.83）が上回ったと発表している。比較対象にはGemma-4-E2B（5.1B）、Gemma-4-E4B（8B）、Qwen3.5-4B（4.7B）も含まれ、指示追従系のベンチマークではいずれのモデルに対してもリードしていると同社は主張する。ただし個別スコアの詳細は公表資料の内容に限られ、第三者による独立検証は確認されていない。導入判断の際は自社ユースケースでの実測評価を併用することが望ましい。

- Ollama: コマンド一発で導入できる手軽さが強み。エージェントの試作や個人利用向き
- LM Studio: GUIでモデル管理・チャット検証ができ、非エンジニアでも扱いやすい
- llama.cpp: GGUF形式を直接利用でき、CPU実行や組み込み用途に適する
- MLX: Apple Silicon向けに最適化されており、Macでの高速推論に向く
- vLLM / SGLang: サーバーサイドでの高スループット・多並列処理が必要な場合に選択

配布形式はTransformersネイティブ、GGUF（llama.cpp用）、ONNX、MLX（Apple Silicon向け）の4種類が用意されており、実行環境に応じて選択できる。サーバー用途ではvLLMやSGLang、ローカル用途ではllama.cpp・LM Studio・Ollama・Transformersが対応する。

LFM2.5-2.6BはApache 2.0のような汎用オープンソースライセンスではなく、Liquid AI独自の「LFM1.0ライセンス」の下で配布されている。商用利用の可否や条件（利用規模による制限、再配布条件など）はライセンス本文によって定められるため、業務での採用を検討する場合は必ず公式ライセンス文書を確認し、必要に応じて法務部門にレビューを依頼することを推奨する。

- 向いている用途: ツール呼び出しを伴うエージェントタスク、マルチステップの業務フロー実行、Web検索連携、構造化データ抽出、軽量なRAGのオンデバイス実装
- メモリ制約下の導入: 2.5GB未満のフットプリントを活かし、スマートフォンやエッジデバイス、Raspberry Pi級の小型機での常駐実行が可能
- 限界: 2.69Bというパラメータ数の制約上、複雑な多段推論や広範な知識を要するタスクでは大規模モデルに劣る場面がある
- 検証の必要性: ベンチマーク値はLiquid AI公表値であり第三者検証は確認されていないため、本番導入前に自社データでの評価を行うべき

LFM2.5-2.6Bは、2.5GB未満という小さなメモリフットプリントと128Kの長いコンテキスト長を両立させたオンデバイス・エージェント特化モデルである。ToolSandboxベンチマークでは自社比較においてQwen3.5-9Bを上回ったと公表されており、ツール呼び出しやマルチステップ実行を伴う軽量エージェント用途の選択肢として注目に値する。同クラスのモデルを検討する際は、Gemma 4 E4B完全ガイドやQwen3.5-9B×RAGで社内ナレッジ検索を構築も合わせて比較することで、用途に応じた最適なモデル選定がしやすくなる。ライセンス条件の確認と自社データでのベンチマーク検証を行った上で、本番導入の判断を進めることが望ましい。