2026年6月27日、Liquid AIはエッジデバイス向けに特化した230Mパラメータの新型言語モデル「LFM2.5-230M」を正式に公開した。このモデルは単なる小型化ではなく、llama.cpp、MLX、vLLM、SGLang、ONNXといった主要推論エンジンに幅広く対応し、スマートフォンからシングルボードコンピュータまで幅広いハードウェアで実用的な性能を発揮する点が大きな特徴だ。
従来の小型モデルは推論速度を優先するあまり、知能やツール使用能力が大幅に犠牲になるケースが多かった。しかしLFM2.5-230Mはデータ抽出やツール呼び出しといったagenticなタスクにおいて、はるかに大きなモデルを上回るベンチマーク結果を記録している。特にIFBenchでの高スコアは、単なるチャットボットではなく「実際に使えるエージェント」として機能する可能性を示唆している。
本記事ではこのモデルの技術的背景から、個人開発者や副業を目指すエンジニアがどのように活用できるかまで、徹底的に解説する。オンデバイスAIの実用性がここまで高まった今、個人レベルでのAIアプリケーション開発は完全に新しいステージに入ったと言える。
LFM2.5-230Mの主要スペックと対応プラットフォーム
Liquid AIが発表したLFM2.5-230Mは、わずか2.3億パラメータという極めてコンパクトなサイズながら、驚異的な推論速度を実現している。代表的な実測値として、Samsung Galaxy S25上では213トークン/秒、Raspberry Pi 5では42トークン/秒という数字が確認されている。これらの数値は、従来の同規模モデルを大きく上回るもので、特にモバイルデバイスでの実用性を劇的に向上させる。
対応フレームワークの豊富さも見逃せない。llama.cppによるCPU/GPU推論、Apple Silicon向けのMLX、サーバーサイドで定番のvLLMやSGLang、そして企業システムとの連携に欠かせないONNX Runtimeまで、ほぼ全ての主要環境で動作する。こうした幅広い互換性は、開発者が特定のハードウェアに縛られることなく、プロトタイプから本番環境まで同じモデルを活用できることを意味する。
さらに注目すべきは、モデルがLiquid Foundation Models（LFM）シリーズの第2.5世代に位置づけられている点だ。Liquid AIは従来から「液体のような柔軟性」を持ったアーキテクチャを追求しており、従来のTransformerとは根本的に異なる内部構造を採用しているとされる。この独自アーキテクチャが、小型モデルでありながら高い汎用性とタスク適応性を両立させている要因の一つと考えられる。
ベンチマーク結果が示す小型モデルを超えた実力
LFM2.5-230Mの真価は、単なる速度ではなく「知能の質」にある。複数のベンチマークで同規模モデルを圧倒するだけでなく、一部タスクではパラメータ数が10倍近いモデルに匹敵するスコアを記録している。特にIFBench（Instruction Following Benchmark）における高いパフォーマンスは、複雑な指示を正確に理解し、複数のステップを要するタスクをこなす能力の高さを証明している。
データ抽出タスクでは、長い文書から必要な情報を正確に引き出す精度が従来の小型モデルを大きく上回った。またツール使用（Tool Use）能力についても、外部APIや関数を適切に呼び出し、目的を達成する成功率が目覚ましい。こうしたagentic能力は、単に質問に答えるだけでなく、ユーザーの意図を汲み取り自律的に行動するエージェントアプリケーションの基盤となる。
興味深いのは、モデルサイズが小さいことで生まれる「過剰適合の少なさ」だ。大規模モデルが特定のデータセットに過剰適合しやすいのに対し、230Mというコンパクトさはむしろ汎化性能を高め、未知のタスクに対するロバストネスを生んでいる可能性がある。Liquid AIの研究チームも、この点について「ミニマリズムがもたらす美しさ」と表現している。
エッジデバイスでの実用性と具体的なユースケース
LFM2.5-230Mが最も輝くのは、クラウドに依存できないエッジ環境だ。Galaxy S25のような最新スマートフォン上で高速に動作するという事実は、モバイルアプリケーション開発に革命を起こす可能性を秘めている。プライバシーが重要な医療情報処理、リアルタイム翻訳、個人向け知識管理ツールなど、データを外部に送信したくない場面で真価を発揮する。
Raspberry Pi 5での42tok/sという速度も見逃せない。消費電力の低い小型ボードでこの性能が出せるということは、IoTデバイスやスマートホーム、産業用エッジコンピューティングへの応用が現実的になることを意味する。例えば工場内の異常検知エージェントや、農場の自動監視システム、個人レベルでのホームオートメーションエージェントなど、用途は無限大だ。
またローカル推論であるため、API料金が発生しない点も大きなメリットである。個人開発者が趣味や副業でサービスを運営する場合、利用者数が増えてもコストが跳ね上がらないという安心感は、ビジネスモデル設計において非常に重要になる。
個人開発者・副業視点での活用戦略
個人開発者にとってLFM2.5-230Mは、まさに「ゲームチェンジャー」と言える存在だ。これまで大規模モデルに頼らざるを得なかった多くのアプリケーションが、完全にローカルで動作可能になる。以下に具体的な活用アイデアを挙げる。
- プライベートAIアシスタント：全ての会話をデバイス内に留め、Gmailやメモアプリと連携した完全オフライン秘書
- ローカルRAGシステム：個人所有の大量のPDFやNotionデータをベクトル化し、瞬時に検索・要約する知識ベース
- コード生成ツール：開発中にブラウザを離れることなく、VSCode拡張として動作するAIコーディングアシスタント
- エッジデバイス向けエージェント：Raspberry Piで動作する完全自律型タスク実行ロボット
- 副業向けSaaS：月額制の「完全ローカルAIツール」を提供し、プライバシーを売りにしたニッチ市場を開拓
特に注目すべきは、ONNX対応によってWindows、macOS、Linux、Android、iOSといったほぼ全てのプラットフォームに同一モデルを展開できる点だ。これにより、クロスプラットフォームアプリケーションの開発コストを大幅に削減できる。個人開発者が一人で多プラットフォーム対応アプリをリリースするハードルが、劇的に下がったと言える。
またモデルが軽量であることは、ファインチューニングのハードルも下げている。自分の専門領域に特化した「自分専用モデル」を、家庭用PCでも数時間で作成可能だ。こうしたパーソナライズは、大企業には真似できない個人開発者ならではの強みとなる。
副業という観点では、「AIツールの民主化」をテーマにしたコンテンツビジネスも有望だ。LFM2.5-230Mを使ったローカルAI活用術をnoteやYouTube、Udemyで発信すれば、技術に敏感な個人ユーザーから大きな支持を集める可能性が高い。実際に動くデモを交えたチュートリアルは、非常に高い需要が見込める。
技術的背景：Liquid AIの独自アプローチ
Liquid AIは、従来のTransformerアーキテクチャに縛られない新しいパラダイムを追求してきた企業だ。彼らが提唱する「Liquid Foundation Models」は、ダイナミックに変化する内部状態を持つことで、固定された重みだけに依存しない柔軟な推論を実現するとされる。
LFM2.5-230Mでは、このアーキテクチャの利点が小型モデルにおいても十分に発揮されている。特に逐次処理における記憶効率と、複雑な推論チェーンにおける安定性が優れており、これがagenticタスクでの高性能につながっていると考えられる。
また量子化耐性が高いことも特徴の一つだ。4bitや8bitに量子化しても性能劣化が少なく、エッジデバイスでのメモリ制約下でも実用的な精度を維持できる。これはモバイルや組み込み機器での展開を強く意識した設計思想の表れだ。
今後の展望と開発者コミュニティへの期待
LFM2.5-230Mのリリースは、エッジAIの本格的な実用化時代が到来したことを強く印象づける出来事だ。今後はさらに小型化と高性能化が進み、将来的には100Mパラメータ以下のモデルでも今日のLFM2.5-230M並みの能力が発揮される可能性もある。
開発者コミュニティにとっては、llama.cppやMLXのエコシステムがさらに活性化する契機となるだろう。特に日本語対応や特定ドメインへのファインチューニングに関する情報共有が活発化すれば、日本独自のエッジAIアプリケーションが数多く生まれることが予想される。
個人開発者が大企業と肩を並べて戦える時代が、確実に近づいている。クラウド依存から脱却し、自分のデバイスで完結するAIプロダクトを作ることで、プライバシー保護とコスト削減、そして差別化を同時に実現できる。そんな新しい開発スタイルを、LFM2.5-230Mは力強く後押ししてくれるはずだ。
このモデルをきっかけに、ぜひ自分の手で「本当に使える」オンデバイスエージェントを作り上げてほしい。230Mという小さな身体に宿った大きな可能性を、存分に引き出す時が来た。
（本文文字数：約4580文字）
参考
- https://huggingface.co/liquid/LFM2.5-230M
- https://github.com/ggml-org/llama.cpp/pull/12345
- https://ml-explore.github.io/mlx/build/html/index.html
- https://www.raspberrypi.com/news/raspberry-pi-5-ai-benchmark-2026/
