Liquid AI 发布 LFM3：一个 1.7B 底座分出文本、视觉、音频、全模态和决策共 6 个 2B 级开放权重模型，文本版 4 位量化约 1 GB

一个底座，六个模型

Liquid AI 10 月 27 日发布第三代 Liquid 基础模型 LFM3。首批 6 个模型都在 2B 参数量级，全部从同一个 LFM3-1.7B-Base 底座分支出来，底座在 22 万亿 token 上预训练，最后 3.5 万亿 token 是以智能体轨迹和多样工具调用为主的中期训练，并把上下文扩到 256K：

• LFM3-1.7B：文本模型，256K 上下文，针对 Hermes Agent、Pi、OpenClaw 等智能体框架做了后训练；
• LFM3-VL-2B：视觉语言模型，LFM 系列首次支持视频输入，带空间推理；
• LFM3-Audio-2B：语音对话、转写、合成和翻译，支持 18 种语言；
• LFM3-Omni-2B：视觉、音频和语言合一，可用文本、语音或两者回答；
• d1-2B、d1-Omni-2B：分别从视觉和全模态模型特化出来的决策模型。

基座和后训练模型都是开放权重，已上架 Hugging Face，并可通过 Liquid 的 Playground 和 API 使用；每个模型都能在单张 GPU 上微调。

架构与官方数据

LFM3 用的是 Liquid 所说的「三混合」结构：24 层里 13 层是门控短卷积（卷积核从 LFM2 的 3 增到 7），5 层是 256 token 窗口的滑动窗口注意力，6 层是全局注意力。设计在 14 种设备与后端组合上做了「硬件在环」的架构搜索，包括三星 Galaxy S26 Ultra、树莓派 5、Apple M4 Max 和高通 Hexagon NPU。

Liquid 公布的数字包括：LFM3-1.7B 以少 35% 的参数超过上一代 LFM2.5-2.6B；4 位量化约 1 GB；128K 上下文的 KV 缓存只需 1.6 GB，而 Qwen3.5-4B 要 4.3 GB；8K 上下文时比 LFM2-1.2B 快约 25%。Liquid 还公布了一组在 65 个真实 macOS 智能体任务上的对比：LFM3-1.7B 成功率 64%、Qwen3.5-2B 为 48%，前者每个任务少用 58% 的 token，卡住的比例不到 1%（后者为 15%），Mac 软件公司 MacPaw 的工程师在发布文中为这一结果背书。视觉模型的新编码器算力只有原 SigLIP2 编码器的三分之一。

适合谁

这类 2B 模型的定位不是和大模型比综合能力，Liquid 自己也承认在智能体编程和知识类任务上更大的模型仍然领先。它更适合的是：数据不能出设备的场景、需要大量并发小智能体的批处理（Liquid 演示了 30 多万个智能体并行梳理安然邮件档案），以及愿意用自家数据做一次单卡微调、把小模型训练成某个窄任务专家的团队。多数基准成绩是 Liquid 自报，上手前建议用自己的任务先跑一遍。