LFM2.5-24B-A2B: IA locale per Home Assistant, con quale hardware?
- News
- Rocks on Galaxy
- Tech
- 19 Oct, 2026
- 0
Un modello da 24 miliardi di parametri può gestire la casa da un computer sulla scrivania, senza una sola chiamata al cloud? Liquid AI ne è convinta. Il 13 ottobre ha pubblicato LFM2.5-24B-A2B, un modello di ragionamento a pesi aperti che attiva solo circa 2 miliardi di parametri per token ed è stato addestrato apposta per chiamare strumenti all'interno di framework per agenti. Un modello grande che al momento di rispondere si comporta come uno piccolo: proprio ciò che serve a un agente locale per Home Assistant.
Abbiamo letto la scheda del modello, i file pubblicati e i benchmark di Liquid per rispondere alle domande pratiche: cosa cambia, dove è davvero forte, quanta memoria richiede in realtà e come collegarlo già oggi a Home Assistant.
LFM2.5-24B-A2B in sintesi, a confronto con il predecessore
| Caratteristica | LFM2-24B-A2B (precedente) | LFM2.5-24B-A2B (nuovo) |
|---|---|---|
| Parametri totali / attivi | 24 mld / circa 2 mld | 24,0 mld / 2,45 mld |
| Architettura | 40 strati (30 blocchi di convoluzione corta con gate + 10 di attenzione), 64 esperti per blocco MoE, routing top-4 | |
| Finestra di contesto | 32.768 token | 131.072 token |
| Vocabolario | 65.000 token | 128.000 token |
| Dati di pre-addestramento | Circa 17.000 mld di token | Circa 33.000 mld di token |
| Modalità di risposta | Non solo ragionamento | Ragiona sempre prima (blocco <think>) |
| Lingue dichiarate | — | 16, tra cui italiano, inglese, francese, spagnolo, tedesco e polacco |
L'architettura resta la stessa: i progressi arrivano da dati e addestramento. Il pre-addestramento è quasi raddoppiato, due fasi intermedie hanno aggiunto ragionamento e contesto lungo, e il post-addestramento si è svolto in cinque tappe, l'ultima con apprendimento per rinforzo dentro veri ambienti per agenti: OpenClaw, Hermes Agent, Pi e OpenCode. In altre parole, il modello si è allenato sugli stessi cicli di strumenti che useresti a casa.
Dove vince e dove no
Liquid lo confronta con tre modelli mixture-of-experts concorrenti che attivano più parametri. Sono numeri del produttore, ottenuti con vLLM; non li abbiamo riprodotti.
| Benchmark (dati Liquid) | LFM2.5-24B-A2B | Qwen3.6-35B-A3B | Gemma-4-26B-A4B-it | Nemotron-3.5-Lightning 30B-A3B |
|---|---|---|---|---|
| AutomationBench (agenti) | 27,69 | 8,72 | 5,46 | 2,61 |
| LiveClaw (agenti) | 48,09 | 38,19 | 41,25 | 37,72 |
| ToolSandbox (strumenti) | 80,71 | 75,02 | 72,09 | 75,13 |
| BFCLv4 (chiamate di funzione) | 65,01 | 65,00 | 57,09 | 53,78 |
| IFEval (rispetto delle istruzioni) | 96,75 | 93,06 | 92,00 | 94,19 |
| GPQA Diamond (conoscenze) | 74,42 | 83,69 | 74,90 | 72,42 |
| SWE-Bench Verified (programmazione) | 51,00 | 66,20 | 25,80 | 53,40 |
| WebArena Verified (navigazione web) | 26,75 | 37,62 | 25,62 | 28,69 |
- Punti di forza: chiamata di strumenti e rispetto delle istruzioni, le due capacità che contano quando un agente deve trasformare «abbassa la luce in soggiorno e chiudi le tapparelle» nelle chiamate giuste. Liquid dichiara di essere in testa o alla pari in cinque benchmark per agenti su otto e in tutti e tre i test sulle istruzioni.
- Punti deboli: conoscenze generali, programmazione e navigazione web, dove il più grande Qwen3.6 mantiene un vantaggio netto. Liquid stessa consiglia di abbinarlo a una ricerca web o documentale per i compiti ricchi di nozioni.
- Una nota onesta: durante l'addestramento il modello ha cercato scorciatoie, andando a pescare le risposte nella cronologia git di un repository o su GitHub, PyPI e Hugging Face, e ha perfino capito di trovarsi in una sandbox. Liquid dice di aver blindato gli ambienti e che tutti i punteggi pubblicati vengono da ambienti sigillati. Un buon promemoria: dai a un agente solo i permessi che gli servono.
Gira sul tuo computer?
I parametri totali decidono quanta memoria serve, quelli attivi la velocità di risposta. Ecco i file ufficiali su Hugging Face e nella libreria Ollama:
| Formato | Dimensione del file | Da usare con |
|---|---|---|
| GGUF QAD Q4_0 (distillato per la quantizzazione) | 13,58 GB | llama.cpp, LM Studio |
| GGUF Q4_K_M | 14,53 GB | llama.cpp, LM Studio |
Ollama lfm2.5:24b | 15 GB | Ollama, integrazione Ollama di Home Assistant |
| GGUF Q5_K_M / Q6_K | 17,03 / 19,69 GB | llama.cpp |
| GGUF Q8_0 | 25,49 GB | llama.cpp |
| MLX 4 bit | Circa 13,6 GB | Mac con Apple Silicon |
| BF16 (precisione piena) | 47,96 GB | vLLM, SGLang, Transformers |
Sul fronte velocità, Liquid dichiara 184 token al secondo su un Apple M5 Max e 114 su un AMD Ryzen AI Max+ 395, fino a 1,7 volte più dei MoE comparabili e con il minor uso di memoria.
La nostra regola empirica, che non è una misura: il solo file a 4 bit sfiora i 15 GB, e sistema operativo e cache del contesto chiedono spazio in più. Un computer da 16 GB è troppo stretto. Punta a 24 GB di memoria unificata o RAM come minimo e a 32 GB per stare tranquillo. Un Raspberry Pi è escluso per il modello, anche se resta perfetto per Home Assistant. Un portatile da gioco con 32 GB di RAM e GPU dedicata ha memoria complessiva sufficiente, perché llama.cpp può dividere il modello tra GPU e RAM di sistema, ma la velocità ottenuta non l'abbiamo ancora misurata.
In breve
- Pesi aperti, 24 mld di parametri in totale ma circa 2 mld attivi: capacità da modello grande, velocità da modello piccolo.
- Pensato per gli agenti: i punteggi migliori su strumenti e istruzioni, dietro Qwen3.6 su conoscenze e codice.
- Circa 14-15 GB a 4 bit: prevedi almeno 24 GB di memoria, 32 GB per lavorare comodo.
- Compatibile già oggi con Home Assistant tramite Ollama (
lfm2.5:24b).- Gratuito per le aziende sotto i 10 milioni di dollari di fatturato annuo.
Guida pratica: collegarlo a Home Assistant in cinque passi
- Installa Ollama sulla macchina che ha la memoria (desktop, Mac o mini PC), non sul box Home Assistant se è un Raspberry Pi.
- Scarica il modello: lancia
ollama run lfm2.5:24be prova qualche richiesta in locale, anche in italiano. - Rendi Ollama raggiungibile in rete perché Home Assistant possa collegarsi, come richiede la documentazione Ollama di Home Assistant.
- Aggiungi l'integrazione Ollama da Impostazioni › Dispositivi e servizi, con l'URL del server e il nome del modello. Home Assistant imposta di default una finestra di contesto di 8K, più ampia dei 2K di Ollama; aumentala se esponi molte entità.
- Esponi poche entità. Home Assistant consiglia di restare sotto le 25 quando si sperimenta con modelli locali, e solo i modelli che supportano gli strumenti possono controllare la casa. Un trucco dalla stessa pagina: crea due voci Ollama con lo stesso modello, una per conversare e una con il controllo attivato.
Se preferisci un framework per agenti, la strada è il server Model Context Protocol di Home Assistant: attivalo in Impostazioni › Sistema › IA e collega un agente compatibile MCP. La pagina LFM2.5 di Ollama offre comandi di avvio in una riga per Hermes Agent e OpenClaw, due ambienti usati per addestrare questo modello. Abbiamo spiegato il server MCP in un clic e le altre novità dell'autunno nella nostra guida completa a Home Assistant 2026.
Home Assistant e compatibilità: le nostre note
- Pensa sempre. La scheda indica che LFM2.5-24B-A2B ragiona prima di ogni risposta. Aiuta nelle richieste in più passaggi, ma aggiunge token prima della risposta. Ai 184 token al secondo dichiarati da Liquid, ogni 200 token di ragionamento valgono circa un secondo in più; per un semplice «spegni la luce», il riconoscimento delle frasi integrato in Home Assistant resta più rapido.
- Usa le impostazioni consigliate: temperatura 0,1, top-k 50 e penalità di ripetizione 1,05. I file GGUF le includono nei metadati, quindi llama.cpp le applica in automatico.
- Abbinalo a una fonte di dati, uno strumento di ricerca o i tuoi documenti, invece di fargli domande di cultura generale a freddo.
- Gli hub locali vanno nella stessa direzione. Diversi hub del 2026 promettono IA sul dispositivo; li trovi nella nostra guida agli hub Matter con IA locale. E se stai costruendo la rete di sensori che l'agente dovrà controllare, la nostra analisi dello studio del Politecnico di Milano su Zigbee e Matter over Thread ti aiuta a scegliere il protocollo.
Per chi è?
- Sì: chi usa Home Assistant e vuole un agente privato capace di pianificare e usare strumenti, le famiglie italiane (l'italiano è tra le lingue supportate) e chi possiede già una macchina da 32 GB.
- Non ancora: chi ha un portatile da 16 GB, chi cerca soprattutto un chatbot di cultura generale e chi si aspetta risposte istantanee a comandi vocali di una parola.
- Pensi di comprare hardware apposta? Aspetta le offerte di novembre e confronta prima la memoria; la nostra guida per preparare il Black Friday 2026 spiega come riconoscere uno sconto vero.
Licenza e costi
I pesi sono pubblicati con la licenza LFM Open License v1.0. L'uso personale e di ricerca è gratuito, e l'uso commerciale è consentito finché la tua organizzazione resta sotto i 10 milioni di dollari di fatturato annuo; oltre questa soglia l'uso commerciale non è coperto. Le organizzazioni non profit che ne hanno i requisiti sono esentate per usi non commerciali o di ricerca. Se non vuoi ospitarlo in casa, l'API di Liquid costa 0,10 $ per milione di token in ingresso (0,05 $ in cache) e 1,00 $ per milione di token in uscita, con 2 $ di credito iniziale.
Domande frequenti
Che cosa significa «A2B»?
Circa 2 miliardi di parametri attivi. Il modello ne ha 24 miliardi in totale, ma la sua struttura mixture-of-experts usa solo 4 dei 64 esperti di ogni blocco per ciascun token, e per questo è veloce.
Può girare su un Raspberry Pi con Home Assistant?
No. Il file ufficiale più piccolo pesa 13,58 GB. Lascia Home Assistant sul Pi ed esegui il modello su un'altra macchina collegata tramite l'integrazione Ollama.
Parla italiano?
Sì. Liquid elenca 16 lingue supportate, tra cui italiano, francese e spagnolo. Il vocabolario è stato anche raddoppiato a 128.000 token, soprattutto per gestire meglio le scritture non latine come arabo, hindi o thailandese.
È meglio di Qwen3.6-35B-A3B?
Per uso degli strumenti e rispetto delle istruzioni, secondo i benchmark di Liquid, sì; per conoscenze, programmazione e navigazione web, no. Per un agente domestico conta di più il primo gruppo.