LFM2.5-2.6B Yerel Ajan Modeli: Kurulum, Lisans ve M4 Testi

Kısa özet: Liquid AI, 4 Ağustos 2026’da LFM2.5-2.6B adlı 2,69 milyar parametreli, metin tabanlı ve yerel çalışmaya odaklanan ajan modelini yayımladı. Modelin Q4_K_M sürümünü Apple M4 ve 16 GB belleğe sahip bir Mac’te Ollama ile denedim. Yaklaşık 1,67 GB’lık paket 53 belirteç/sn civarında üretim yaptı; fakat Ollama entegrasyonu araç çağrısını kabul etmedi, düşünme metnini kullanıcıya gösterdi ve kısa Türkçe yanıtta hata yaptı. Üstelik “açık ağırlık” ifadesi sınırsız ticari kullanım anlamına gelmiyor: LFM Open License v1.0, yıllık geliri 10 milyon dolar veya üzerinde olan kuruluşların ticari kullanımını kapsamıyor.

Yenilik: Küçük bir modeli doğrudan ajan işlerine hazırlamak

LFM2.5-2.6B’nin asıl iddiası yalnızca telefonda ya da dizüstünde metin üretmek değil. Liquid AI modeli araç kullanımı, bilgi çıkarma, araştırma, belge işleme ve çok adımlı görevler gibi ajan işlerine göre sonradan eğittiğini söylüyor. Model kartına göre 2,69 milyar parametre, 30 katman, 128 bin sözcük parçacığından oluşan sözlük ve 131.072 belirteçlik bağlam penceresi var. Eğitim dilleri arasında İngilizce, Çince, Arapça, Almanca, Fransızca, İspanyolca ve başka diller bulunuyor; Türkçe listede yok.

Bu boyut önemli. Bulut API’sine her istek için ödeme yapmak yerine, çok sayıda basit sınıflandırma ya da veri çıkarma işi yerel cihazda yürütülebilir. Verinin cihazdan çıkmaması da sağlık notları, iç yazışmalar veya erişilebilirlik destek kayıtları gibi hassas içeriklerde avantaj sağlayabilir. Yine de “yerel model” otomatik olarak “özel sistem” demek değildir: Ajanın web araması, e-posta, dosya veya takvim araçları ağ üzerinden veri gönderebilir. Gizlilik, modelin bulunduğu yer kadar aracın izinlerine ve kayıt politikasına bağlıdır.

Nasıl çalışıyor?

Liquid AI’nin teknik açıklaması dört aşamalı bir son eğitim hattı tarif ediyor. Önce geniş kapsamlı ve ardından ajan işlerine ağırlık veren denetimli eğitim uygulanıyor. Belirli alanlar için ayrı öğretmen modeller hazırlanıyor; bunların becerileri tek öğrenci modele aktarılıyor. Son aşamada model, gerçek ajan çalışma ortamlarında araç kullanarak görev tamamlamaya çalışıyor ve sonuç odaklı ödülle iyileştiriliyor.

Şirket, eğitim sırasında OpenClaw ve Hermes Agent gibi ajan çalıştırıcılarını kullandığını belirtiyor. Bu, modelin belirli araç şemalarını ve uzun görev akışlarını eğitim sırasında görmüş olabileceği anlamına geliyor. Ancak model ile çalıştırıcı aynı şey değil. Model bir araç çağrısı üretse bile çalıştırıcının bu biçimi tanıması, izni denetlemesi, çağrıyı güvenli biçimde yürütmesi ve sonucu modele geri vermesi gerekiyor.

Üreticinin kendi tablolarında LFM2.5-2.6B; talimat izleme ve bazı araç kullanımı testlerinde daha büyük Gemma 4 ve Qwen3.5 sürümleriyle rekabet ediyor. Bu sonuçlar bağımsız bir genel sıralama değil. Test ayarları modele göre değişiyor, bazı ölçümler üreticinin kendi ajan iskelesini kullanıyor ve gerçek iş yükünüz Türkçe olabilir. Bu nedenle puanları satın alma kararı değil, denenecek senaryoların başlangıç listesi olarak okumak daha doğru.

Gerçek test: Hız iyi, entegrasyon henüz pürüzlü

7 Ağustos 2026’daki testte Apple M4 işlemcili, 16 GB belleğe sahip bir Mac kullandım. Hugging Face’te yayımlanan Q4_K_M GGUF dosyası 1.674.454.848 bayt. Ollama 0.22.1 çalışma zamanına şu komutla indirildi:

ollama run hf.co/LiquidAI/LFM2.5-2.6B-GGUF:Q4_K_M

Basit bir Türkçe soruda model 311 belirteci 6,15 saniyede üretti; üretim hızı yaklaşık 53,1 belirteç/sn oldu. Bu, etkileşimli kullanım için rahat bir hız. Ancak yanıtın içeriği sorunsuz değildi. Model, kullanıcıya gösterilmemesi gereken uzun <think> bölümünü açıkça yazdı, sistemdeki “düşünmeni kısa tut” ifadesini cevaba taşıdı ve “iki yarar” yerine hatalı bir sözcük üretti. Kısa çıktı sınırlarında ise düşünme bölümü bütün bütçeyi tükettiği için asıl cevap tamamlanmadı.

İkinci kontrolde Ollama’nın yerel sohbet API’sine işlev şeması verdim. Sunucu, bu model paketinin araçları desteklemediğini belirten HTTP 400 yanıtı döndürdü. Bu sonuç model kartındaki araç kullanımı iddiasını tek başına geçersiz kılmaz; Ollama manifesti ile modelin çağrı biçimi arasında entegrasyon eksikliği olabilir. Fakat “indir ve hemen ajan olarak kullan” beklentisinin bu yolda karşılanmadığını gösteriyor.

Ayrıca Python 3.12 üzerinde Transformers 5.14.1 ile yapılandırma ve sohbet şablonunu geçici ortamda doğruladım. Yapılandırma 30 katman, 128 bin sözlük ve 131.072 bağlam değerlerini döndürdü. Yalnız transformers kurulumu sohbet şablonunu çalıştırmaya yetmedi; ayrıca jinja2 kurulması gerekti. Tam BF16 ağırlıkları yaklaşık 5,39 GB olduğu için bu yolda ikinci bir tam çıkarım testi yapmadım. Testten sonra indirilen Ollama modeli ve geçici Python ortamı kaldırıldı.

Kimler için önemli?

Model; çevrimdışı not sınıflandırma, yerel RAG, belge alanlarını JSON’a çıkarma, hassas metni buluta göndermeden özetleme ve düşük riskli masaüstü otomasyonları geliştiren ekipler için ilginç. Özellikle aynı kısa görevi binlerce kez çalıştıranlar, belirteç başına API ücreti yerine mevcut donanımın enerji ve bakım maliyetini tercih edebilir.

Buna karşılık Türkçe ağırlıklı son kullanıcı desteği, yoğun kodlama, güncel bilgi gerektiren işler veya hatanın maddi sonuç doğurduğu otomasyonlar için daha güçlü bir model ya da insan onayı gerekir. Model kartı da ajan tabanlı kodlama ve bilgi yoğun görevleri önerilen kullanım alanları arasında saymıyor. Testteki Türkçe hata, dil listesindeki eksikliğin pratik bir uyarısı olarak görülmeli; tek örnek kesin kalite ölçümü değildir.

Somut kullanım: Yerel destek talebi ön elemesi

Uygun bir pilot senaryo, erişilebilirlik destek taleplerinden ürün adı, sorun türü ve istenen geri dönüş kanalını yerel olarak çıkarmaktır. Model yalnız öneri üretmeli; bilet kapatma, kullanıcıya mesaj gönderme veya hesapta değişiklik yapma yetkisine sahip olmamalıdır. Akış şu şekilde kurulabilir:

1. Girdi metnindeki ad, e-posta ve telefon gibi kişisel verileri mümkünse modelden önce maskeleyin.
2. Modele dar bir JSON şeması ve iki olumlu, bir hatalı örnek verin.
3. Çıktıyı JSON şemasıyla doğrulayın; biçim bozuksa otomatik işlemi durdurun.
4. Düşük güven, güvenlik riski veya erişilebilirlik engeli içeren kayıtları insana yönlendirin.
5. Araca yalnız gereken klasör ve uç nokta için izin verin; tüm çağrıları denetlenebilir kayda alın.

Ollama testindeki araç uyumsuzluğu nedeniyle gerçek bir ajan kuracaksanız Liquid AI’nin Transformers, llama.cpp, MLX, vLLM ve SGLang belgelerinden çalışma zamanınıza uygun yolu seçin. Önce sahte veriyle, ağ erişimi kapalı ve yazma izni olmayan bir ortamda deneyin.

Maliyet, lisans ve erişim sınırları

Ağırlıklar Hugging Face üzerinden giriş kapısı olmadan indirilebiliyor. Yerel çıkarımda API belirteç ücreti yok; buna karşılık cihaz, elektrik, depolama, güncelleme ve güvenlik sorumluluğu size ait. Üreticinin “2,5 GB altında bellek” ve yüksek hız ölçümleri belirli donanım, nicemleme ve test koşullarına dayanıyor. Ham BF16 dosyaları yaklaşık 5,39 GB, Q4_K_M dosyası ise yaklaşık 1,67 GB; uzun bağlam kullanıldıkça ek bellek gerekir.

En önemli hukuki ayrım lisans. LFM Open License v1.0, yıllık geliri 10 milyon doların altında olan kuruluşlara ticari kullanım hakkı veriyor. Bu eşiğe ulaşan veya aşan bir tüzel kişinin ticari kullanımı lisans kapsamında değil. Nitelikli kâr amacı gütmeyen kuruluşların ticari olmayan araştırması için ayrı istisna var. Yeniden dağıtımda lisans ve bildirimleri koruma yükümlülüğü de bulunuyor. Dolayısıyla blogdaki “kısıtlama olmadan indir, ince ayar yap ve dağıt” anlatımını hukuki hüküm gibi değil, tanıtım cümlesi gibi okuyun; bağlayıcı metin lisans dosyasıdır.

Sınırlamalar ve karar

LFM2.5-2.6B, küçük yerel modellerin yalnız sohbet değil araç kullanan görevler için de özel olarak eğitildiğini gösteren güncel ve yararlı bir örnek. M4 üzerindeki hız gerçekten kullanılabilir düzeyde. Fakat Türkçe kalitesi, düşünme metninin sızması, kısa çıktı bütçesinin boşa harcanması ve Ollama’daki araç uyumsuzluğu, üretim ortamına doğrudan geçmemek için yeterli neden.

En sağlıklı yaklaşım dar, geri alınabilir ve ölçülebilir bir görev seçmek; Türkçe veriyle doğruluk testi yapmak; araç izinlerini en aza indirmek ve her sonucu insan denetimine açık tutmaktır. Büyük şirketler ise teknik değerlendirmeden önce lisans eşiğini hukuk ekibiyle incelemelidir.

Kaynaklar

• Liquid AI: LFM2.5-2.6B duyurusu — 4 Ağustos 2026, 5 Ağustos’ta güncellendi.
• Hugging Face model kartı ve teknik kullanım ayrıntıları.
• LFM Open License v1.0.
• Resmî GGUF dosyaları ve boyutları.
• Liquid AI yerel çıkarım belgeleri.
• LFM2 teknik raporu — ön baskı.