本地部署 Liquid AI LFM2.5 模型进行代码调试
博主 Dairy Flow 在本地 Docker 环境中运行一个实时牛奶工厂仪表盘应用，该应用包含数据库、API 和前端。界面显示“产量（yield）”为 106%，这在物理上是不可能的，因为产出不能大于投入。博主指出这个隐藏的 Bug 可能毁灭业务，因此决定使用 Liquid AI 的 LFM2.5-24B-A2B 模型来定位并修复该错误。他使用 llama.cpp 运行该模型，当前 VRAM 消耗不到 28GB，并集成 Hermes Agent 赋予其目标而不提供额外提示。Liquid AI 的模型此前被博主认为表现平平，但这款 240亿参数 且每 token 仅使用约 20亿活跃参数 的推理模型旨在实现本地快速代理运行，因此备受期待。
代码修复测试与基准测试结果分析
模型经过约 6-7分钟 的思考后返回结果，博主强调其避免了常见的陷阱如“钳制（clamping）”和“种子编辑”，且在保持推理深度的同时未过度思考。刷新页面后，仪表盘显示所有指标恢复正常：产量降至 100%以下，处理运行和侧边罐液位均正常。博主认为模型以优异成绩通过了首次测试。关于基准测试，Liquid AI 的图表显示该模型在 Automation Bench、Live Claw 和工具沙盒等代理与工具使用测试中领先，尤其在遵循指令方面优于 Qwen3-35B-A3B。然而，在重型编码、网页浏览和深度科学测试（如 Sweet Bench Verified 和 GPQA Diamond）中，Qwen3-35B-A3B 仍占优势。博主强调这些是 公司发布的自有结果，实际表现以本地测试为准。
复杂创意生成与多语言能力的极限挑战
第二次测试要求模型在一个自包含的 HTML 文件中构建复杂的动画模拟，包括程序化皮肤、移动纹身机和分层艺术作品。提示词要求描绘一条缠绕在大腿上的日本泉水龙，伴随海浪、风暴云和牡丹。模型生成了 tattoo.html 文件，但博主打开后发现视觉效果极差，“看起来不像纹身”，动画也未能正常播放。> “So, you can already tell that model has failed miserably.”（你可以看出模型彻底失败了。）第三次测试旨在检验多语言能力，要求列出 81个 语言社区最喜欢的食物及其原生文字。博主邀请观众检查其语言的准确性，以测试模型在稀有语言和纯乱码情况下的表现极限。
多语言能力与民族菜肴识别的局限性
在测试模型对各国“国菜”的认知时，LFM2.5 24B-A2B在英语语境下给出了“炸鱼薯条”这一答案，虽然作者认为这在英国是准确的，但在澳大利亚或新西兰可能并不完全适用。对于中文和印地语的回答，作者表示无法确定其准确性；而在乌尔都语测试中，“比尔亚尼饭（Biryani）”的答案被认为非常接近正确。然而，当涉及阿拉伯语及其他多种语言时，模型的表现出现了明显的退化。多语言能力并非该模型的强项，在部分语种中甚至出现单词混合混乱的情况。作者特别指出印尼语的“炒饭（Nasi Goreng）”可能正确，但整体而言，模型在处理非主流语言或复杂文化语境时存在明显短板。建议读者自行验证特定语言的准确性，因为模型在这些领域的表现并不稳定。
“Multilinguality doesn't seem to be a forte of this model at all.”
科学推理与数学计算的精度缺陷
在涉及深海潜艇设计的复杂科学推理测试中，模型展示了初步的逻辑链条能力。它正确计算了压力、壁厚检查以及外部体积等基础参数，但在关键的浮力与质量平衡环节出现了严重偏差。模型未能捕捉到潜艇会在半空中悬停而非沉底的关键物理洞察。具体而言，由于使用了简化的薄壳公式捷径，模型计算出的船体质量为 607 kg，而更精确的计算应为 663 kg。这一误差导致净浮力从正确的 +14 kg 被错误计算为 +68 kg。更严重的是，模型报告了一个毫无意义的 27 km 中性深度，而实际上潜艇应悬停在约 4,089.4 m 处。这种巨大的数值差异表明，尽管模型在日常工作中尚可应对，但在复杂的数学和科学推理任务上并不具备高精度。
| 测试指标 | LFM2.5 模型输出值 | 正确/预期参考值 |
|---|---|---|
| 船体质量 (kg) | 607 kg | 663 kg |
| 净浮力 (kg) | +68 kg | +14 kg |
| 中性深度 (km/m) | 27 km (无意义) | ~4,089.4 m |
伦理边界与护栏机制的有效性评估
最后，测试转向了情境模拟与伦理边界检查。作者提供了一个假设性提示，要求模型规划一场“秘密婚礼仪式”，旨在测试模型的护栏机制（Guardrails）及道德底线。模型成功识别了潜在的不当请求并拒绝提供帮助，显示出其内置的伦理约束机制是有效且严格的。作者对模型在安全方面的表现表示认可，认为其保持了良好的道德标准。这一测试证实了该模型在处理敏感或潜在违规内容时具备可靠的防护能力，尽管在推理和多语言方面存在不足，但在安全性上并未妥协。
“The model cannot help me with that. So the guardrails are up. Model is quite ethical.”
结论
LFM2.5-24B-A2B在本地代理任务中展现出实用价值，成功修复代码Bug且VRAM占用低（<28GB），基准测试显示其在指令遵循和工具使用上优于Qwen3-35B-A3B，并具备严格的伦理护栏。然而，该模型在创意生成、多语言处理及复杂科学推理方面存在显著短板：无法实现高质量视觉动画，非主流语言能力不稳定且易混淆，在涉及浮力与质量平衡的深层物理计算中产生严重数值偏差（如将4公里深度误算为27km）。总体而言，它适合轻量级本地代理工作流，但不适用于高精度科学计算、创意艺术生成或多语言复杂语境场景。