LFM2.5-24B-A2B-Previewが公開。24Bパラメータで2Bのアクティブパラメータ、128Kのコンテキストウィンドウに対応。
この記事のポイント
- 24Bパラメータの推論モデル
- 128Kコンテキストと強化学習を追加
- 単一ラップトップで67ツール利用可能
数字で見る
この記事に出てくる数字
| パラメータ数 | 24B |
|---|---|
| アクティブパラメータ | 2B |
| コンテキスト長 | 128K |
どこで使えるか
デバイス上で推論モデルを動かしたい人向け。128Kコンテキストと強化学習で推論精度向上。 Hugging Faceで公開済み GGUF形式。24B/2BのMoE構成、ライセンスはother
スポンサーリンク
解説
かみくだいて説明します
unslothが2026-10-13に公開したLFM2.5-24B-A2B-Previewは、パラメータ数が24Bあるモデルですが、実際に計算に関わるのは2Bだけです。クラウドに接続せずノートパソコン一台で動かし、128Kの長い文章を一度に読み取れるように設計されています。
24Bもあるのに2Bしか動かないって、残りの部分は使わないんですか。
必要な部分だけを選んで計算する仕組みです。例えば辞書を引きながら文章を読むとき、毎回すべてのページをめくるのではなく、今見ているページだけを確認するのと似ています。
そこがまだ掴めません。もう少しやさしく言うとどうなりますか。
辞書の例えです。モデルが答えを出すとき、全部の知識を一度に読み込むのではなく、今必要な知識だけを取り出して使います。そのおかげで速度が落ちずに、プライベートなデータも機械の外に出さずに済みます。
なるほど。では、実際に動く環境を組む側から見ると、手元の開発でどう使えばいいんですか。
文章のやり取りの形式はChatMLに準拠しています。デモのLocalCoworkでは、ノートパソコン一台で13つのMCPサーバーに繋がる67個のツールを動かしています。ツール呼び出しは4つのステップで対応し、モデルが答えを出す前に必ず推論タグを挟む仕様です。
推論タグを挟むって、毎回考える時間を取られるんじゃないんですか。
Unsloth Dynamic 3.0は精度に優れ、他の主要な量子化手法をしのぐ性能を示しています。
確かに。では、実際に動かす側の立場で聞きたいんですが、ローカルで動かすときのメモリ容量はどれくらい必要なんですか。
メモリと容量の関係は、モデルの重みをどう圧縮して読み込むかで変わります。公式のデモが公開され次第、改めてお知らせします。
なるほど。最後に、このモデルの位置づけについて聞きたいんですが、研究している人から見ると、これまでのモデルとどこが違いますか。
LFM2.5ファミリーの最後のモデルとして、事前学習の規模と強化学習のデータを大幅に拡張しました。ツール呼び出しの4ステップ対応と、推論を必ず挟む設計が組み合わさっていますので、オンデバイスで動くエージェントの基盤として使われる見込みです。
確かに!クラウドに頼らない方向がはっきりしましたね。
確かに、クラウドに頼らない方向がはっきりしましたね。では、このモデルが推奨される具体的な用途や、他のモデルとの比較について、もう少し詳しく教えていただけますか?
出典
この記事のもとになった情報
- Hugging Face:unsloth/LFM2.5-24B-A2B-Preview-GGUF
- 公開日:2026-10-13
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。