Liquid AI LFM3：2B 级端侧多模态家族

2026 年 10 月 27 日，Liquid AI 发布 LFM3（Liquid Foundation Models 第三代）：约 2B 参数量级的多模态家族，文本、视觉、音频、全模态（Omni）与决策模型共用同一套新骨干。基础与后训练权重已在 Hugging Face、Playground 与 Liquid API 开放。短快讯只报了体积和上下文。下面按官方博文与 LiquidAI/LFM3-1.7B 模型卡，把架构、评测口径和「专用智能」定位摊开。本站未下载权重做加载测速。

做本机 本地模型 Agent 或边缘多模态助手时，优先看 Hugging Face 权重与 llama.cpp / MLX / vLLM 的日一支持清单；商用前核对模型卡上的 LFM Open License v1.0（卡上标注为 other 时也以许可证全文为准）。

为什么现在发 2B 级家族

Liquid 把 LFM3 写成「专用智能」底座：参数小到能在单卡微调、能塞进手机或笔记本，又要在工具调用和长上下文上够用。博文对比表里，LFM3-1.7B 在 BFCL V4（71.39）、部分浏览器/办公自动化任务上能压过更大的开源模型；agentic coding 与知识类仍常输给更大模型——模型卡也写明：不推荐把它当复杂 agentic coding 主力。

先选模态实例，再短微调；别指望一颗 2B 通吃编码、知识和端侧延迟。

三混合骨干与训练量

相对 LFM2 的「短卷积 + 注意力」，LFM3 在架构搜索里为 agentic、长上下文加了滑动窗注意力（SWA，窗口 256）。24 层里 13 层门控短卷积（核大小 7）、5 层 SWA、6 层全局注意力；另有 head-wise 门控、部分 RoPE、sandwich norm 等稳定与量化友好改动。词表 128K，与 LFM2.5-8B-A1B 同系。

预训练合计约 22T token：主阶段加科研论文、仓库级代码与数学；最后 3.5T 为 mid-training，提高 agentic 轨迹与多样工具调用占比，并把上下文拉到 256K。后训练四段：SFT（约 1.75T）、混合 RL、多域 on-policy 蒸馏（MOPD）、真实 harness 里的 agentic RL。

端侧与吞吐数字怎么读

博文给出的边缘测速：llama.cpp Q4_0、32K 上下文下，LFM3-1.7B 在所列三台设备上预填充与解码都快于对比组，且内存最低；完整 128K 的 KV 约 1.6GB（对比表中 Qwen3.5-4B 约 4.3GB）。GPU 侧宣称单卡 NVIDIA B300、BF16、1024 并发时日产约 36 亿 token——属于厂商自测峰值，换引擎与量化会变。

视觉侧官方称在 62 项视觉评测上平均分显著高于同尺寸对比模型，并接近更大的 Gemma 4 12B；音频侧强调自研编码器可边说边做 prefill，首 token 可低至约 50ms。这些分数与延迟均未在本站复测。

专用智能：微调示例与许可

博文用风机叶片缺陷检测说明短微调：约 3000 张公开图、单卡 A100 数小时，分类准确率提到约 67%（基座与某闭源小模型在同设定下宣称不足 10%）。另有把 VL 模型接到机器人编排 / 导航 / 操作的研究向微调（Isaac Sim、Jetson 等数字同样来自官方）。应用侧更稳的做法是：先选文本或 VL 权重，按 HF 上的 TRL notebook 做 SFT/DPO/GRPO，再用自己的评测集验收。

日一生态包括 llama.cpp、MLX、vLLM、SGLang、Ollama、LM Studio 等（以各项目当日说明为准）。本站未实测下载、量化与端到端对话延迟。

最后

手机或笔记本上的工具 Agent、垂直视觉质检，可以先从 LiquidAI/LFM3-1.7B（或 VL）拉 GGUF/MLX 看延迟；上生产前自己复跑 BFCL 或业务集，并读完 LFM Open License。云端通用推理仍需要更大模型时，把 2B 级 LFM3 当专家小模型即可。