Liquid AI发布LFM3模型家族，首批推出六款约20亿参数级模型，覆盖文本、视觉、音频与多模态决策，权重已开放并可通过Hugging Face与API获取。公司强调小模型、本地部署与结构化决策能力，但性能与资源需求需在实际硬件与任务上验证。
Liquid AI于2026年10月27日公布新一代液态基础模型LFM3，首批推出六款约20亿参数级模型，覆盖文本、视觉、音频、多模态交互和结构化决策。公司称，基础模型与后训练模型现已开放权重，可从Hugging Face模型集合获取，也可通过其API和Playground使用。Liquid AI官方公告
这次发布的重点不只是把多种输入能力装进一个模型。LFM3家族以LFM3-1.7B-Base为共同基础，随后分化为不同用途的模型：文本型号面向本地智能体和专用应用；视觉与音频型号分别处理图像、视频和声音；Omni型号把视觉、音频与语言结合；两款决策模型则侧重从输入中提取结构化判断，而非生成长篇回答。
小模型与本地部署的取舍
Liquid AI称，LFM3文本模型支持256K上下文窗口，4-bit量化版本约需1GB内存。该公司还表示，LFM3-1.7B在其测试中优于参数量更大的前代LFM2.5-2.6B，并称整个基础模型的预训练使用了22万亿个token。这些数字和性能比较目前属于厂商披露；它们不能单独说明模型在不同硬件、量化方案或实际任务上的表现。
公司称，LFM3采用卷积与注意力结合的混合架构，并针对长上下文和设备运行作出设计。文本模型的长上下文能力、量化后的内存占用，以及在手机、电脑或边缘设备上的速度，彼此相关但并非同一指标：实际资源需求仍取决于上下文长度、精度、推理框架和硬件配置。公告提到对llama.cpp、MLX和vLLM等工具的支持，并称模型可以在单张GPU上微调；部署者仍需按具体工作负载验证吞吐量和内存需求。
从回答问题转向执行专门任务
决策模型是这次发布中较有辨识度的一类。Liquid AI介绍，d1-2B可处理文本和图像，d1-Omni-2B还可接收音频；模型可针对同一份材料回答一组问题，并输出结构化结果及概率。官方列出的能力包括定位图像中的对象、读取文件中的文字和数字，以及对数值作估计。这类设计适用于票据提取、工单分类或界面识别等狭窄任务，但厂商演示和基准分数并不等同于对真实业务准确率的独立验证。
多模态覆盖也各有边界。公告称，视觉型号可处理视频输入和空间关系；音频型号支持语音识别、合成及音频理解；Omni型号则可结合画面和声音回应问题或生成工具调用。对于需要稳定识别、低延迟响应或在端侧处理敏感数据的应用，模型大小只是考量之一，还要评估数据质量、错误处理、安全防护和长期维护成本。
开放权重不等于开箱即用
开放权重让开发者能够下载模型、进行微调并选择部署环境，但不意味着模型已适合所有生产场景。不同型号的能力、许可条件和硬件要求可能不同；部署前应查看对应模型卡和使用条款，并在目标设备及真实数据上测试。Liquid AI在公告中列出的基准与性能数据，适合作为进一步验证的起点，而不是独立结论。
LFM3的发布反映出小型模型竞争的一条路径：不单纯追求参数规模，而是把模型拆分为更贴近具体任务的版本，并强调本地运行和定制。它能否在成本、可靠性与实际效果之间形成优势，仍有赖开发者测试及后续独立评估。