LFM2.5とは？Liquid AIの全モデル一覧（230M〜24B-A2B）と選び方・Ollama実行・ライセンス【2026年10月時点】

LFM2.5は、米Liquid AIがスマートフォンやノートPCなど端末上での実行（オンデバイス）向けに公開しているオープンウェイトのモデル群です。2026年1月5日の初回公開時は1.2Bのテキストモデルと日本語版・画像版・音声版の計5種でした。その後に230M・350M・2.6B・8B-A1Bが加わり、2026年10月13日には系列で最大のLFM2.5-24B-A2Bが公開されました。Liquid AIはこれをLFM2.5の「最後のモデル」と位置づけています。この記事では全モデルの公開日と仕様、用途別の選び方、Ollama・Transformersでの動かし方、商用利用の条件を一次情報で整理します。

まとめ：LFM2.5の要点（2026年10月時点）

• テキスト生成は230M／350M／1.2B／2.6B／8B-A1B／24B-A2Bの6サイズ。最新は2026年10月13日公開の24B-A2Bで、系列の最終モデルとされています。
• 24B-A2Bは総パラメータ24Bのうち1トークンあたり約2.45Bだけを使うMoEで、ツール呼び出しやエージェント処理に向けて学習されています。Q4_K_MのGGUFでも14.5GBあります。
• 日本語特化版は旧1.2B-JPの後継のLFM2.5-1.2B-JP-202606です。ただし2026年10月27日時点のLiquid AI公式モデル一覧では「Deprecated models（非推奨の旧モデル）」に入っており、新規採用では2.6Bなど日本語に対応する現行モデルとも比べてください。
• ollama run lfm2.5（latest）で取得されるのは8B-A1B（5.2GB）です。24B-A2Bはlfm2.5:24b、1.2Bや日本語版は別の名前で指定します。
• ライセンスはLFM Open License v1.0。年間売上1,000万米ドル以上の法人による商用利用は許諾の範囲外です。
• 1.2B-Instruct・350M・2.6B・8B-A1B・24B-A2Bのモデルカードは、知識を問う用途での利用を制限または非推奨としています。検索と組み合わせるRAGや、データ抽出・ツール呼び出しで使う前提です。

以下、Liquid AIと系列の成り立ち、24B-A2B、全モデル一覧、選び方、実行方法、ライセンスの順に説明します。

Liquid AIとLFM2.5の仕組み

Liquid AIの設立背景と創業者

Liquid AIは、MIT CSAIL（マサチューセッツ工科大学のコンピュータ科学・人工知能研究所）から生まれた2023年設立の企業です。同社の会社概要には、創業者としてRamin Hasani（CEO）、Mathias Lechner（CTO）、Alexander Amini（CSO）、Daniela Rusの4人が載っています。モデルの名前にあるLFMは「Liquid Foundation Models」の略です。

畳み込みとアテンションの混成構造

LFM2.5は前世代LFM2の構造を引き継いでいます。LFM2の技術報告（arXiv 2511.23404）によると、端末での遅延とメモリを制約にしてアーキテクチャを探索した結果、ゲート付きの短い畳み込みブロックに少数のGQA（グループ化クエリアテンション）ブロックを組み合わせた構造になっています。1.2Bは16層のうち10層が畳み込み、6層がGQAで、24B-A2Bは40層のうち30層が畳み込み、10層がGQAです。

解説記事の中には、LFM2.5を「Transformerを使わないLiquid Neural Networks（液状ニューラルネットワーク）を採用したモデル」と紹介しているものがあります。しかし、上の層構成のとおりアテンション層は残っています。技術報告の関連研究の節は、創業者らが研究してきたLiquid Time-Constant（LTC）ネットワークから「着想を得た」と書いていますが、LTCそのものを層として使ってはいません。全層をアテンションにしないので長い入力でもメモリと計算が増えにくく、CPUやモバイルNPUで速く動く、と理解するのが正確です。

LFM2からの変更点

1.2B-Instructのモデルカードによると、事前学習は10兆トークンから28兆トークンへ拡大し、多段階の強化学習を加えています。カードの公称値はAMD CPUで毎秒239トークン、モバイルNPUで毎秒82トークン、メモリは1GB未満です。24B-A2Bでも、前身のLFM2-24B-A2Bと比べて事前学習が約17兆から約33兆トークンへ増え、コンテキスト長が32,768から131,072トークンへ伸びています。名称はLFM2.5のまま、サイズと用途が後から追加されてきた点が、この系列を追うときの前提になります。

2026年10月の最新モデル：LFM2.5-24B-A2B

2026年10月13日の発表ブログ「LFM2.5-24B-A2B: Built for Fast On-Device Agents」で公開された、LFM2.5で最も大きいモデルです。ブログとモデルカードの位置づけは、230Mから始まった系列の「largest and final model（最大で最後のモデル）」です。

モデルカードは推奨用途を「推論し、ツールを呼び、端末上で安定して動くエージェント」としています。学習の最終段では、OpenClaw・Hermes Agent・Pi・OpenCodeといったエージェント実行環境の中で強化学習をしており、カードにはそれぞれの接続設定例もあります。

ベンチマークの公表値（Qwen3.6-35B-A3Bとの比較）

モデルカードは16のベンチマークで、同程度の規模のMoEモデルと比べています。数値はLiquid AIによる測定です。

ブログによると、総パラメータと活性パラメータがともに約1.5倍あるQwen3.6-35B-A3Bに対し、ツール呼び出し・エージェント系8種のうち5種で上回り、指示追従の3種（IFEval・IFBench・Multi-IF）ではすべて上回ります。一方、知識を問うGPQA Diamondでは約9ポイント、コーディングを測るSWE-Bench Verifiedでは約15ポイント下回ります。ブログも、知識とコーディングでは大きいモデルが優位だと認めています。社内システムをツールとして呼ばせるエージェントには候補になりますが、コード生成の主力には向きません。

24B-A2Bの必要メモリ・推論速度・API料金

計算に使うのは約2.45B分でも、重みは全部メモリに載せる必要があります。公式のQ4_K_MのGGUFは14,526MBあり、会話の履歴（KVキャッシュ）の分も要るので、メモリ24GB以上のMacやGPUが目安になります。速度の公称値は、llama.cppのQ4_K_M・入力4Kトークンの条件で、Apple M5 Maxが毎秒184トークン、AMD Ryzen AI Max+ 395が毎秒114トークンです。スマートフォン向けの1.2B級とは対象の端末が違います。手元で動かせないときは、Liquid ConsoleのAPIを入力100万トークンあたり0.05ドル、出力100万トークンあたり0.70ドルで使えます（2026年10月27日確認の公式料金表。キャッシュ済み入力は0.025ドル、新規組織に2ドル分のクレジット）。発表ブログの記載（入力0.10ドル・出力1.00ドル）から値下げされています。

LFM2.5の全モデル一覧と公開日

表の日付は、Liquid AIブログがある場合は発表日、ない場合はHugging Faceのリポジトリ作成日です。リポジトリ作成日は、モデルの一般公開開始日と一致するとは限りません。パラメータ数とコンテキスト長は各モデルカードの記載によります。

テキスト生成モデル（230M〜24B-A2B）

どのサイズにも追加学習用のBase版があります。1.2B-Thinking・2.6B・8B-A1B・24B-A2Bは推論型（reasoning model）で、2.6B・8B-A1B・24B-A2Bのカードは、回答の前に必ず思考過程を出力すると明記しています。8B-A1Bと24B-A2BはMoE（Mixture of Experts）です。2.6Bはツール呼び出しや複数手順のエージェント処理向けに強化学習されており、24B-A2Bと同じく16言語に対応します。

日本語モデル（1.2B-JP・1.2B-JP-202606・Audio-1.5B-JP）

日本語特化版は3つあります。2026年1月公開のLFM2.5-1.2B-JP、2026年5月26日にHugging Faceへ登録された後継のLFM2.5-1.2B-JP-202606、日本語の音声入出力に対応したLFM2.5-Audio-1.5B-JPです。202606のモデルカードは対応言語を英語と日本語の2つに絞り、学習量は31.5兆トークンです。知識・指示追従・数学・コード・ツール使用のすべてで旧1.2B-JPを上回るとしています。一方、Liquid AIの公式モデル一覧は2026年10月27日時点で、202606をLFM2系の旧モデルと並べて「Deprecated models」に分類しています。Hugging Faceの重みとモデルカードは残っていますが、カードに非推奨の注記はありません。音声のAudio-1.5B-JPは現行モデルの欄に残っています。性能の詳細と導入手順はLFM2.5-1.2B-JPの性能・使い方・ライセンス、音声版はLFM2.5-Audio-1.5B-JPと英語版の違いで扱っています。

画像・音声・検索のモデル

VLの3サイズは画像エンコーダにSigLIP2 NaFlexを使い、512×512ピクセルを超える画像はタイルに分けて処理します。用途の推奨はサイズで分かれます。1.6Bは文書読解とOCR、450Mはキャプションと物体検出で、450Mのカードは細かいOCRを推奨外としています。3Bはレイアウト注記つきの全ページOCRまで対応します。無印のAudio-1.5Bはモデルカードの対応言語が英語だけです。

Embedding-350MとColBERT-350Mは、LFM系で初めて双方向に文脈を読むモデルで、扱える文書の長さは512トークンです。ColBERTはトークンごとに128次元のベクトルを持ち、単一ベクトル方式より索引が大きくなる傾向があります。細かな語句の対応を評価できますが、検索精度の改善幅は対象文書と質問で確認する必要があります。違いはColBERTの遅延相互作用の仕組みで詳しく説明しています。

DSpark（投機的デコーディングのドラフトモデル）

DSparkは、小さいモデルが先に数トークンを提案し、本体がまとめて検証する投機的デコーディング用のドラフトモデルです。2026年8月20日に1.2B-Instruct・2.6B・8B-A1B用、9月24日に実験版としてVL-3B用、10月19日に24B-A2B用がHugging Faceに登録されました。2.6B用と24B-A2B用のカードでは、提案側は3億2,770万パラメータです。2.6B用のカードでは、H100で毎秒326トークンが1,000トークン（MATH500で3.06倍）になります。24B-A2B用のカードは、NVIDIA B300・FP8・同時1リクエストで平均2.38倍としています。同じカードは、まとめて検証する際の浮動小数点の差で、貪欲デコーディング（温度0）でも本体単独とは違う文章になり得ると注記しています。出力の完全な再現が必要な処理では、DSparkを外した結果と比べてから採用してください。

Hugging Face APIによる追加モデルの確認

LFM2.5は名称を変えずにモデルが増えてきたので、記事やまとめサイトの一覧はすぐ古くなります。以下のHugging Face APIの例では、LiquidAIのリポジトリを作成日の新しい順に10件表示します。変換版や別系列も含むため、一覧にないことだけでLFM2.5の追加がないとは判断できません。

curl -s "https://huggingface.co/api/models?author=LiquidAI&sort=createdAt&direction=-1&limit=10" \
  | python3 -c "import json,sys; [print(m['createdAt'][:10], m['id']) for m in json.load(sys.stdin)]"

このAPIで-GGUF・-ONNX・-MLX・-FP8で終わる名前は、同じ重みを変換した配布形式です。新しいモデルではないので、一覧を作るときは除外します。このほか、画像から指定した項目をJSONで抜き出すタスク特化版のVL-1.6B-Extract／VL-450M-Extract（2026-05-26）や、Encoder-350MをPII検出・スペルチェックなどに追加学習した派生版も公開されています。24B-A2Bが「最終モデル」とされたので、次に増えるのは別の世代名になる可能性があります。

用途別のLFM2.5モデル選定表

同じ1.2B級でも用途ごとに別のモデルがあり、サイズよりも先に用途で絞る方が迷いません。各モデルカードの推奨用途をもとに、選ぶ順番を表にしました。

日本語の業務チャットを端末内で完結させたいなら、JP-202606が公式一覧で非推奨（Deprecated）に分類されている点を踏まえ、2.6Bなどの現行モデルと日本語品質・ツール呼び出し精度・必要メモリを比較して選びます。24B-A2Bは、ノートPCやワークステーションで社内ツールを呼ぶエージェントを動かす場合に選びます。スマートフォンやメモリが限られる組み込み機器では、24B-A2Bより小さいモデルを優先します。日本語の小型モデルを比べるなら、TinySwallow-1.5BやSarashinaのモデル一覧も候補になります。端末内で動くLLMを業務システムへ組み込むときの要件整理は、生成AI導入支援でもご相談を受けています。

日本語ベンチマークの公表値

Liquid AIは2026年1月5日の発表ブログで、旧版の1.2B-JPについて3つの日本語ベンチマークの結果を公表しました。数値は同社による測定で、ブログの値を載せています（TinySwallowのM-IFEvalはモデルカードでは36.5）。

TinySwallow-1.5Bとの差は、JMMLU（知識）で2.7ポイント、M-IFEval（指示追従）で21.5ポイントです。日本語版の強みは知識量よりも「指示どおりの形式で返す」点にあり、抽出や定型応答に向くという各カードの推奨とも一致します。後継の202606は評価セットを変えており（JMMLU-ProX・J-MIFEval・JFBenchなど）、上の表とは直接比べられません。202606のモデルカードの表では、JMMLU 54.19、J-MIFEval 79.08、J-GSM8K 62.20です。同じ表のTinySwallow-1.5B-Instructは47.98／36.55／47.2です。24B-A2Bのカードには日本語のベンチマークが載っていません。

必要メモリとGGUFのファイルサイズ

CPUで動かすときは、量子化したGGUFファイルの大きさがメモリ量の目安になります。Liquid AIが公式に配布しているGGUFのサイズを、Hugging Face APIで取得しました。

MoEの8B-A1Bと24B-A2Bは、計算に使う量が少なくても重みは全部メモリに載せるので、ファイルサイズは総パラメータで決まります。「活性1.5Bだから1.2B並みの端末で動く」「活性2Bだから2.6B並み」とは考えないでください。230M・350M・1.2B-Instruct・2.6B・24B-A2BのGGUFには、通常のQ4系とは別にQAD-Q4_0というファイルもあります。これは量子化を前提に蒸留し直した版（Quantization-Aware Distillation）です。量子化形式の違いはLLM量子化の仕組みとGGUFの違いで説明しています。

OllamaとTransformersでの動かし方

Ollama：lfm2.5のlatestは8B-A1B、24Bは別タグ

Ollama公式ライブラリのlfm2.5には、2026年10月時点で8B-A1Bと24B-A2Bの2系統のタグがあります。latestは8B-A1B（5.2GB）のままで、24B-A2Bはlfm2.5:24b（Q4_K_M・15GB）やlfm2.5:24b-a2b-q8_0（25GB）で指定します。1.2Bを使いたいのにollama run lfm2.5を実行すると、8Bモデルのダウンロードが始まります。1.2Bの推論版は公式ライブラリのlfm2.5-thinking（731MB）、Instruct・350M・2.6BはLiquidAI/名前空間にあります。日本語版のJP-202606はOllamaのライブラリに無いので、Hugging FaceのGGUFリポジトリを直接指定します。

# 24B-A2B（Q4_K_M・15GB）
ollama run lfm2.5:24b

# 1.2B Instruct（731MB）
ollama run LiquidAI/lfm2.5-1.2b-instruct

# 日本語版はHugging FaceのGGUFを直接指定（量子化はタグで選ぶ）
ollama run hf.co/LiquidAI/LFM2.5-1.2B-JP-202606-GGUF:Q4_K_M

hf.co/から始める指定方法は、Hugging Faceのドキュメント「Use Ollama with any GGUF Model on Hugging Face Hub」に従っています。量子化のタグを省略すると、リポジトリにQ4_K_Mがあればそれが選ばれます。前世代のlfm2:24b（コンテキスト32K）とは別物なので、名前の打ち間違いに注意してください。

Ollama表示とモデルカードのコンテキスト長の差

Ollamaのタグ一覧は、1.2B-Instructや1.2B-Thinkingのコンテキスト長を「125K」と表示します。一方、モデルカードの記載は32,768トークンです。config.jsonのmax_position_embeddingsは1.2B系・350M・230Mとも128,000になっていて、表示とカードがずれています。長い文書を一度に入れる設計にするなら、モデルカードの32,768トークンを上限と考え、Ollamaのnum_ctxもその範囲で設定するのが安全です。128K級が必要なら、カード上も131,072トークンをうたう2.6Bか24B-A2Bを選びます（24B-A2Bはconfig.jsonも131,072で、Ollamaの表示は128K）。

Transformers：CPUでも動く最小コード

Pythonから使う場合は、TransformersのAutoModelForCausalLMで読み込めます。チャット形式はChatML風なので、apply_chat_templateに任せるのが確実です。下の例は結果を再現できるよう貪欲デコーディングにしていますが、202606のカードの推奨値はtemperature=0.1・top_k=50・repetition_penalty=1.05です。

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "LiquidAI/LFM2.5-1.2B-JP-202606"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, dtype=torch.float32)

messages = [{"role": "user", "content": "オンデバイスAIの利点を2文で説明してください。"}]
inputs = tok.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt", return_dict=True)
out = model.generate(**inputs, max_new_tokens=96, do_sample=False, repetition_penalty=1.05)
print(tok.decode(out[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))

このコードは、2026年10月5日にIntel Mac（x86_64・GPUなし）のPython 3.11環境で、Transformers 4.57.3とPyTorch 2.2.2を使って実行を確認しました。読み込まれたパラメータ数は1,170,340,608で、カードの1.17Bと一致します。日本語で2文の回答が返りましたが、float32のCPU推論のため、75トークンの生成に61秒（毎秒約1.2トークン）かかりました。実用的な速度を出すなら、前節のGGUFか、ONNX・MLX形式を使ってください。return_dict=Trueを指定しているのは、Transformers 5.xでも同じコードで動かすためです（5.xでは戻り値が辞書形式になります）。24B-A2Bのカードはtransformers>=5.0.0を前提にしています。

Apple Siliconでは、MLX形式の重みも公式に配布されています。手順はMLXでLLMを動かすmlx-lmの導入手順を参照してください。

自社データでの追加学習（Base版・Unsloth・TRL）

継続事前学習にはBase版、既存の指示追従能力を使った応答形式の調整にはInstruct版など、学習目的に合わせて土台を選びます。24B-A2Bのモデルカードは、Unslothによる継続事前学習とLoRAでのSFT、TRLによるSFT・DPO・GRPOの手順をノートブック付きで案内しています。どちらを土台にしても、チャット形式や思考過程の出し方が学習前と変わり得るので、評価用の質問を先に用意してから比べてください。案内されているノートブックはGoogle ColabのGPU環境で動かす前提です。

LFM Open License v1.0の商用利用条件

LFM2.5の全モデルは、Apache 2.0ではなく独自のLFM Open License v1.0で配布されています（24B-A2Bのモデルカードのlicense_nameはlfm1.0）。原文の第5条は、商用利用の許諾を「法人の年間売上が閾値を超えないこと」に結びつけており、閾値は年間売上1,000万米ドル以上と定義されています。この基準を超える法人の商用利用は、このライセンスでは許諾されていません。

注意すべきは「Legal Entity」の範囲です。原文の定義は、支配・被支配・共通支配の関係にある組織を含みます。子会社単体の売上が小さくても、グループ全体で基準を超えるなら対象外と読むのが自然です。売上基準が掛かるのは商用利用（直接・間接の商業的利益を目的とする利用）だけです。第5条(c)は、適格な非営利団体による非商用・研究目的の利用には基準を適用しないと定めています。企業内の研究開発でも、間接的な商業目的に当たり得る点に注意してください。製品に組み込む前に、法務部門で原文の第1条（定義）と第5条を確認してください。

LFM2.5が向かない用途

1.2B-Instruct・1.2B-Thinking・350Mのモデルカードは、知識を問う用途（knowledge-intensive tasks）とプログラミングを推奨外と明記しています。230Mのカードは高度な数学・コード生成・創作などを推奨外とし、2.6B・8B-A1Bのカードは知識量が要る用途や重いコード生成を外し、最大の24B-A2Bでさえ、知識が要る用途は検索（RAG）やWeb検索と組み合わせるよう求めます。1.2B・350M・230Mの知識の期限は2024年半ばです。社内FAQボットの回答を、文書を検索させずにモデルの知識だけで作らせると、誤答がそのまま出ます。

採用すべきでないのは、端末内で完結させる理由が無いのに、クラウドの大型モデルの代わりとして汎用アシスタントに据えるケースです。コーディング支援の主力にするなら、24B-A2Bを含めて別のモデルを選ぶべきです。逆に、決まった形式で項目を抜き出す処理、端末内の文書を検索して答えるRAG、通信できない現場での定型応答、社内ツールを呼ぶエージェントのように、入力やツールに答えの材料がある用途では、小さく速く動く利点がそのまま生きます。

LFM2.5に関するよくある質問

LFM2.5は日本語に対応していますか？

はい。1.2B-Instruct・350M・230M・2.6B・8B-A1B・24B-A2Bは、いずれもモデルカードの対応言語に日本語を含みます。日本語特化のLFM2.5-1.2B-JP-202606もありますが、公式モデル一覧では非推奨（Deprecated）に分類されています。新規採用では、日本語に対応する現行モデルと比較してください。

LFM2.5は商用利用できますか？

年間売上1,000万米ドル未満の法人や個人なら、LFM Open License v1.0の範囲で商用利用できます。売上はグループ会社を含めて判定する定義なので、それ以上の規模の法人はLiquid AIとの個別の契約が必要です。

LFM2.5-1.2B-JPはOllamaで動きますか？

Ollama公式ライブラリには登録されていません。ollama run hf.co/LiquidAI/LFM2.5-1.2B-JP-202606-GGUF:Q4_K_Mのように、Hugging FaceのGGUFリポジトリを直接指定すれば動かせます。

LFM2.5の最新モデルはどれですか？LFM2.6やLFM3はありますか？

2026年10月27日時点の最新は、10月13日公開のLFM2.5-24B-A2Bです。Liquid AIはこれをLFM2.5の最終モデルとしています。LFM2.6やLFM3という名前のモデルは、Liquid AIのブログとHugging Faceにまだありません。

8B-A1BやA2Bの「A1B」とは何ですか？

MoEモデルで1トークンあたりに使う活性パラメータの量を表します。8B-A1Bは総8.3Bのうち約1.5B、24B-A2Bは総24.0Bのうち約2.45Bが活性です。速度は活性パラメータに、必要メモリは総パラメータに左右されます。

関連記事

• LFM2.5-1.2B-JPとは？Liquid AIの日本語オンデバイスLLMの性能・使い方・ライセンス
• LFM2.5-Audio-1.5B-JPとは？英語版との違い・日本語性能・GGUFでGPUなし実行・商用ライセンス【2026年10月】
• MoE（Mixture of Experts）とは？疎活性化とルーターの仕組み・VRAM要件と採用判断を実装者向けに解説
• TinySwallow-1.5Bとは？TAIDの仕組み・Ollamaでの動かし方と商用利用の条件
• LLM量子化とは？仕組みとGPTQ・AWQ・GGUFの違い・企業の採用判断を解説【2026年版】