LFM2.5 local: o modelo decide, o agente executa
A Liquid AI documenta integração com agentes locais; permissões e execução continuam sendo decisões da aplicação.
A tarefa muda de mãos quando o modelo pede uma ferramenta. No LFM2.5-24B-A2B, escolher a ação faz parte da proposta; executá-la continua exigindo o programa que recebe essa chamada. É nessa passagem que eu concentraria a avaliação de um agente local.
No artigo publicado em 13 de outubro de 2026, Raahul Vignesh e coautores, da Liquid AI, apresentam um modelo de pesos abertos que sempre raciocina antes da resposta. A documentação inclui suporte em llama.cpp, MLX, vLLM e SGLang, além de configuração do Hermes Agent para um servidor local com API compatível com OpenAI.
Minha escolha arquitetural seria manter permissões e validação dos argumentos no executor. Também registraria o pedido da ferramenta e sua saída, para distinguir uma decisão inadequada de uma falha na execução.
A comparação publicada pela própria Liquid AI mostra resultados diferentes conforme a tarefa: o modelo não lidera todos os testes de programação e conhecimento. Eu usaria essa diferença para escolher tarefas de avaliação, sem transformar velocidade divulgada em garantia operacional.
Fica uma decisão concreta: quais ações o agente poderá concluir sozinho e quais precisarão de aprovação?