Deploy local agents everywhere with LFM2.5-2.6B
Di cosa parla
Un modello pensato per far funzionare agenti direttamente sui dispositivi personali, come laptop e telefoni. Supporta strumenti esterni e flussi di lavoro multipasso, permettendo agli sviluppatori di distribuire agenti ovunque, mantenere i dati sul dispositivo e ridurre i costi cloud. Dopo l'addestramento, il modello viene trasformato in agente tramite fasi separate che curano l'ottimizzazione, la produzione delle azioni e la gestione delle interazioni.
Cosa permette di osservare
Permette di chiedersi se eseguire agenti sui dispositivi personali risolve problemi pratici come privacy, costi e facilità di distribuzione, e quali nuovi limiti operativi o questioni regolatorie potrebbero emergere.
Dalla fonte
LFM2.5-2.6B is built to power capable agents entirely on-device. It supports tool calling and multi-step workflows while staying small and fast enough for everyday hardware, from laptops to phones. This enables developers to deploy agents everywhere, keep data private on the device, and scale usage without a cloud inference bill. LFM2.5-2.6B is pre-trained on ~34T tokens, with a mid-training phase that extends the context window to 128K. Post-training then turns the base model into an agent in four stages: The Agentic RL pipeline separates model optimization, inference, and environment execution into distinct components. The Training Engine optimizes the model, while the Rollout Engine generates actions using the latest policy. The RL framework orchestrates the training loop by launching rollouts, collecting trajectories and rewards, and updating the model.