Liquid AI 10 月 27 日开源 LFM3：6 个 2B 级模型共用一个 1.7B 底座，256K 上下文跑端侧

一个只有 17.3 亿参数的模型，在网页操作自动化基准上拿到 38.42 分，而参数量接近它 6 倍的 Qwen3.5-9B 是 28.94。这组数字出自 Liquid AI 自己的对比表，但它指向的方向值得留意：跑在口袋里那台手机上的模型，开始在「替你把事做完」这类任务上，压过云端的中等模型。

10 月 27 日，MIT 孵化、主打端侧基础模型的 Liquid AI 发布 LFM3 系列。首批 6 个开放权重模型全部从同一个 LFM3-1.7B-Base 底座分叉而来，覆盖文本、图像与视频、语音、全模态，外加两个不写长文的「决策模型」。底座在 22 万亿 token 上完成预训练，文本模型 4-bit 量化后约占 1GB 内存，当天权重上架 Hugging Face，同时开放 Liquid Playground 与官方 API。

先说清楚一件事：它的授权不是 Apache 2.0，也不是 MIT。

一、一个底座，六条分支

六个模型的分工很直白。LFM3-1.7B 是纯文本模型，上下文窗口 256K，针对工具调用与智能体框架做后训练；LFM3-VL-2B 是 19 亿参数的视觉语言模型，接受图像与视频输入，这是 LFM 视觉模型首次支持视频；LFM3-Audio-2B 处理语音；LFM3-Omni-2B 约 21.7 亿参数，是官方所称的首个全模态型号，同时吃进文本、图像、视频与 16kHz 音频，输出文本、24kHz 语音或两者交错的流。

真正的差异在剩下两个。d1-2B 与 d1-Omni-2B 不做对话式生成：输入一段内容和一组问题，一次前向传播就返回带概率标定的结构化判断——可以是图像里的边界框，可以是原文中被挑出来的文本片段，可以是数值区间，也可以是多选项连同每一项的概率。两者替代此前的 d1-3B，参数减少约三分之一。

语言支持要分开讲。文本侧、视觉侧、决策模型以及全模态模型的文本部分，官方公布的是 16 种语言；语音侧（Audio 与 Omni）达到 18 种，多出来的包括荷兰语、瑞典语、丹麦语、芬兰语与希腊语。据 i-scoop 核对，这 16 种文本语言里有 7 种属于欧盟官方语言。对做多语种市场的团队来说，这份清单比参数量更值得先查一眼。

二、把内存压下来，端侧才成立

长上下文真正的开销不在权重，而在 KV cache。按 Liquid AI 公布的数据，LFM3-1.7B 在 128K 上下文下缓存约占 1.6GB，同一测试条件下 Qwen3.5-4B 为 4.3GB，MiniCPM5-2B 为 5.6GB。再叠上 4-bit 下约 1GB 的权重，手机跑长对话这件事才说得通。

省出来的部分靠架构换。24 层里只有 6 层是全局注意力，5 层是窗口 256 token 的滑动窗口注意力，剩下 13 层是门控短卷积，卷积核从上一代的 3 提到 7。注意力头加了一个 sigmoid 门，让某个头可以把自己关掉，官方称这能抑制拖累量化的激活异常值；全局注意力层只对每个头中频率最高的那一半做旋转位置编码，另一半保持不旋转。

这套配比是搜出来的。Liquid AI 称架构搜索覆盖 14 种设备与后端组合：两款手机、一台树莓派 5、两台笔记本、Arm 与 x86 云 CPU、GPU，以及高通的 Hexagon NPU；上一代只搜了一台手机加一台笔记本。速度上，在 llama.cpp 配合 Q4_0 量化、32K 上下文的条件下，三款目标设备上解码比次快模型快 1.8 至 2.8 倍——但官方没有逐项说明这个区间的两端分别对着哪个模型。

三、分数好看，边界也写得很直

看总分容易看偏。LFM3-1.7B 在官方对比表的未加权平均上是 49.37，Qwen3.5-9B 为 47.24。拆到任务层才是信息量所在：IFEval 指令遵循 96.66、IFBench 73.03，函数调用 BFCL V4 71.39、ToolSandbox 80.36，浏览器自动化 WebArena-Verified 38.42（本代 2.6B 只有 3.02），AutomationBench 41.29 对 15.10。

弱项同样摆在同一张表里。SWE-bench Verified 43.40 输给 Qwen3.5-9B 的 51.20，Terminal-Bench 2.1 是 12.92 对 17.98，知识密集的 GPQA Diamond 63.37 对 80.40，长上下文 RULER 128K 是 65.56 对 87.11。Hugging Face 模型卡自己写明：因模型规模较小，不建议用于智能体编码或复杂多步推理。厂商在自家模型卡上写劝退条款，比含蓄留白更可取。

还有个细节值得记：i-scoop 引用的 AA-Omniscience 数据显示，它只答对 7% 的题目，但在没答对的题里，近 93% 的情况选择了拒答而不是瞎编，Qwen3.5-9B 的这个比例是 53%。对「查自家文档」型的客服场景，肯认怂比硬答有价值。视觉侧，LFM3-VL-2B 在 62 项视觉基准上平均 71.4，官方称与 Gemma 4 12B 的 71.7 基本持平，上一代 LFM2.5-VL-3B 是 57.6；新视觉编码器 1.64 亿参数，算力约为此前所用 SigLIP2 的三分之一。但面向智能体的视觉任务平均只有 42.5。以上分数全部为 Liquid AI 自评、测试集也由它自行选定，截至目前尚无第三方独立复现。

四、不是 Apache：那条 1000 万美元的线

标题写「开源」，严格说不够准确。LFM3 用的是 LFM Open License v1.0——文本基于 Apache 2.0，差别在于多了一道商用门槛：年营收低于 1000 万美元的组织可免费商用；达到或超过这条线，本协议下的商用授权即终止，需另行联系 Liquid AI 购买 commercial license。

按 Liquid 官方文档的解释，门槛有三个容易被忽略的地方。其一，营收按整个法律实体及其关联方合并计算，不是按某一个经营主体；其二，你微调出来的版本照样受这条线约束，尽管你可以用自己的条款授权你的改动、也不必开源；其三，超限仍继续使用，许可第 11 条会让 Agreement 自动即时终止，并要求停止使用、删除所有副本。合格的 501(c)(3) 及同类非营利组织做非商业或研究用途时，不受这道门槛限制。

换句话说，绝大多数中小卖家把它当成「免费可用的离线能力」是成立的；体量到了那条线，先把合同谈完再动工。

五、跨境卖家能拿它做什么

比较务实的切入点有三个。一是多语种语音客服与站内语音导购，LFM3-Audio-2B 官方口径首 token 低至 50 毫秒，且能在用户还在说话时就预填充；模型和数据都不出设备，在 GDPR 语境下比调云端 API 少一层数据出境的解释成本。二是商品图与短视频的批量理解，官方给出的例子是拿约 3000 张公开的风机叶片缺陷图、单张 A100 微调几个小时，缺陷分类准确率从不足 10% 提到 67%。三是要「给概率」的环节——退换货判定、评价分级、素材合规初审，d1 系列直接吐带标定的结构化答案，省掉一次对大段文本的正则解析。

Day 0 支持名单说明了它的落点：Ambarella、AMD、Arm、英特尔（OpenVINO）、英伟达、OpenRouter、高通（AI Hub）与 Vercel，开发者侧则有 llama.cpp、MLX、vLLM、Ollama、Unsloth、SGLang。至于列为发布前测试方的梅赛德斯-奔驰（探索 MBUX 车载助手）与 Shopify，后者的 CTO Mikhail Parakhin 公开表示 Shopify 已在生产环境使用 Liquid 模型——名头亮眼，但对卖家的参考价值有限，那属于大厂的集成案例，不是能直接搬的方案。

成本这笔账得自己算。据 VentureBeat 报道，Liquid 官方 API 的定价是每百万输入 token 0.08 美元、输出 0.20 美元，且上下文上限压到 128K；自部署则是把按次付费换成一次性硬件支出。前者适合试水，后者适合调用量稳定、又在乎数据不出境的场景。

真正的问题从来不是参数够不够，而是小模型的天花板在你自己的任务里具体卡在哪。厂商跑分用的是厂商挑的题、厂商搭的框架；你手上那 2000 条真实客服对话和 500 张实拍商品图，才是唯一不撒谎的测试集。先把权重拉下来在自己的数据上跑一遍，再决定它替换掉的究竟是什么。

六、参考资料

• Liquid AI 官网：《Introducing LFM3: Every Modality for Specialized Intelligence》（2026 年 10 月 27 日）
• Hugging Face：LiquidAI/LFM3-1.7B、LFM3-VL-2B、LFM3-Audio-2B、LFM3-Omni-2B 模型卡
• Liquid AI：《LFM License / LFM Open License v1.0》及 Liquid Docs《LFM Open License User Guide》
• VentureBeat：LFM3 相关报道（API 定价与独立复现情况）
• Times of AI：《Liquid AI Releases LFM3, Six Open-Weight Models Around 2B Parameters》（2026 年 10 月）
• 上海纽约大学 RITS：《Liquid AI Opens Six LFM3 Models on One 1.7B Backbone》（2026 年 10 月 28 日）
• i-scoop：《LFM3 puts a 1 GB AI agent on your devices, and Europe should read the licence first》
• CodedTrip：《Liquid AI releases six small LFM3 models for text, vision, audio and decisions》