Liquid AI 發表新一代 LFM3，一次推出六款約 2B 參數的開源模型，全部天生多模態。它的目標不是最大的通用模型，而是能塞進裝置、針對場景調校的小模型。
Liquid AI 端出 LFM3：六款約 2B 的開源模型
2026 年 10 月 26 到 27 日，Liquid AI 發表新一代 Liquid Foundation Models，代號 LFM3，主打的定位是「專用智能」。這一系列天生多模態，把文字、視覺、音訊、全能（omni）與決策模型擺在同一條共享骨幹上。
第一個版本落在約 2B 參數的級別。Liquid AI 的思路很明確：不追求一個又大又通用的模型，而是讓你挑一款貼合場景的模型，做點客製，然後直接跑在裝置上。
一條共享骨幹，長出六款模型
首發包含六款模型，全部從同一條 LFM3-1.7B-Base 骨幹分出來。其中四款分別對應不同的輸入模態：文字、視覺、音訊、omni。另外兩款則是從視覺與 omni 模型特化而來的決策模型。
這種安排，讓模型的大小維持在裝置跑得動的範圍，同時保留多模態的能力。對開發者來說，等於拿一份底料，再依用途挑口味，而不是為每個任務重新訓練一個大模型。
把六款模型綁在同一條骨幹上，還有工程上的好處。底層的表示方式一致，團隊要維護、要更新、要針對單一用途微調時，都能共用同一套基礎。模型之間的差異，主要來自後訓練與模態處理，而不是每一款都從頭練起。
新架構：三種層混合的設計
LFM3 換了一套混合架構。在 24 層裡，13 層是門控短卷積，卷積核從上一代 LFM2 的 3 放大到 7；5 層是滑動視窗注意力（SWA，視窗 256 詞元）；剩下 6 層是全局注意力。另外還用上 head-wise 門控注意力、部分旋轉位置編碼（RoPE）與 sandwich norm。
滑動視窗注意力和全局注意力混用，是為了在長文本上省記憶體，同時保住整體的理解力。詞表則沿用 LFM2.5-8B-A1B 的 128K 詞表，對非拉丁文字（例如中文、日文）的處理更有效率。
把不同注意力機制混在一起，近年在小型模型上很常見。短卷積抓局部的模式，滑動視窗注意力處理較近的上下文，全局注意力則顧及整段文字的整體關係。三者分工，讓模型在資料量與記憶體都受限時，仍兼顧品質與速度。
訓練了 22 兆個詞元，最後一段最關鍵
LFM3 的預訓練用掉 22 兆個詞元。最後 3.5 兆個詞元屬於「中期訓練」，餵的是品質更高的資料，裡頭有更多代理（agentic）軌跡與工具呼叫的範例，同時把可處理的上下文拉長到 256K 詞元。
這一段之所以關鍵，是因為它決定模型能不能把學到的知識，用在多步驟、需要動用工具的任務上。詞元可以粗略理解成模型閱讀和輸出文字的基本單位。
手機、樹莓派、筆電、雲端都測過
Liquid AI 把「硬體在環」的搜尋範圍擴大。上一代只試了一部手機加一台筆電，這回擴到 14 種裝置與後端組合，包括手機（Samsung Galaxy S26 Ultra、OnePlus 15）、Raspberry Pi 5、筆電（Apple M4 Max、AMD Ryzen AI）、Arm 與 x86 的雲端 CPU，還有 GPU 與 Qualcomm Hexagon NPU。
換句話說，這些模型不只在資料中心跑得動，也被放進各種邊緣裝置實測。對想在自己裝置上跑模型的團隊，這份清單比單一分數更有參考價值。
LFM3 的效能數字該怎麼看？
那它在裝置上到底有多快？以下數字全部出自 Liquid AI 自報，沒有第三方複核。據該公司說法，LFM3-1.7B 在短提示上與 LFM2-1.2B 持平，在 8K 上下文時快約 25%。在裝置端，它是三個測試裝置上最快的模型，解碼速度比第二名快 1.8 到 2.8 倍，記憶體占用也最低。
長上下文的表現是另一個賣點。據 Liquid AI，128K 上下文只需要 1.6 GB 的 KV 快取，對比 Qwen3.5-4B 的 4.3 GB、MiniCPM5-2B 的 5.6 GB。KV 快取可以想成模型處理長文本時，暫存先前內容的筆記本；筆記本愈小，裝置的記憶體就愈有餘裕，長文本才跑得起來。在單張 NVIDIA B300 搭配 SGLang（BF16）的環境下，1,024 個並行請求一天可處理約 36 億個詞元。
在能力上，Liquid AI 說 LFM3 在代理任務上可與數倍於己的模型競爭，在指令跟隨與函式呼叫上領先（BFCL V4 拿到 71.39、ToolSandbox 80.36），在瀏覽器與業務應用的長任務（WebArena-Verified、AutomationBench）上勝過 Qwen3.5-9B。
但有個邊界要講清楚：在代理式編程與知識類任務上，更大的模型仍然更強。LFM3 的強項是「小而夠用、跑在裝置上」，不是全面碾壓。把它當成一個針對性強的小模型來評估，比拿它去挑戰旗艦模型合理得多。
後訓練怎麼做的，想試的人去哪裡拿
後訓練分成四個階段：監督微調（SFT，1.75 兆個詞元）、混合強化學習、多域同策略蒸餾（用 6 個專門的強化學習教師），以及代理式強化學習。這幾步的目的，是把通用底子調成更聽話、更會用工具的樣子。
權重已經開放下載，基礎模型與後訓練模型都能在 Hugging Face、Liquid Playground 與 Liquid AI API 取得。如果你手上有一台規格普通的筆電或單板電腦，想找一個能離線跑、又天生看得懂圖片與聲音的小模型，LFM3 值得排進測試清單。至於那些亮眼的速度與記憶體數字，記得先打點折扣，自己實測最準。
