Liquid AI 发布 LFM3：6 款约 2B 参数的开放权重模型，覆盖文本、视觉、音频、全模态与决策

核心背景与行业痛点

端侧模型参数少，能力往往撑不起智能体任务；而云端大模型又有延迟、成本和隐私问题。Liquid AI 此前的 LFM2 证明了「短卷积 + 注意力」混合结构能在手机上跑得快，LFM3 的目标是在同样的体量里塞进更多智能体能力。

架构亮点与底层机制

LFM3 用硬件在环的架构搜索，在 14 种设备与后端组合（三星 S26 Ultra、树莓派 5、M4 Max、高通 Hexagon NPU 等）上重新设计结构。24 层里 13 层是门控短卷积（卷积核从 3 扩到 7），5 层是 256 token 滑窗注意力，6 层是全局注意力，并加入按头门控、部分 RoPE 和 sandwich norm。预训练 22T token，最后 3.5T 为含大量智能体轨迹的中期训练，并把上下文扩到 256K。

权威 Benchmark 与实测跑分对比

以下均为官方/厂商口径：LFM3-1.7B 在 BFCL V4 得 71.39、IFEval 96.66、WebArena-Verified 38.42，后两项智能体任务超过 Qwen3.5-9B；但在 SWE-bench Verified（43.40 对 51.20）和 GPQA Diamond（63.37 对 80.40）上仍落后更大的模型，官方也承认编码与知识类任务「体量更重要」。目前尚无第三方独立复测。

开发者实战落地与开箱指南

权重已在 Hugging Face 的 LFM3 合集上架，附 GGUF、MLX、ONNX、FP8、NVFP4 等量化版本，也可在 Liquid Playground 和 API 试用。官方称每个模型都能单卡微调，适合把小模型训练成邮件分拣、日程、工具检索等专项智能体。注意许可证是 LFM Open License v1.0，并非 MIT/Apache，商用前请先读条款。