Liquid AI发布LFM3：一个基座撑起六款2B级模型

Liquid AI于10月27日在Hugging Face博客发布新一代Liquid Foundation Models——LFM3。这与其说是一次单点升级，不如说是一次产品结构重排：文本、视觉、音频、全模态与决策六款2B级模型，全部从同一个LFM3-1.7B-Base基座分叉而来，官方把这套设计称为“一个基座，六个模型”。

按博客的说法，LFM3相对上一代LFM2有四点变化：每参数能力更强、所有模态共享一个基座、明确面向边缘设备、以及为专用化而生——每款模型都能在单张GPU上用自己的数据微调。文本模型在4比特精度下约1GB，配合256K上下文，被定位为可在设备上跑agent的体量。

架构上，LFM3-1.7B-Base共24层，采用三混合层组合：13层门控短卷积、5层窗口为256 token的滑动窗口注意力，以及6层全局注意力，卷积核从LFM2的3扩大到7。此外还有按头门控注意力、只在全局注意力层对高频一半维度施加旋转位置编码的部分RoPE，以及每个模块对输入输出各做一次归一化的sandwich norm。这套结构来自硬件在环架构搜索，搜索空间覆盖手机、树莓派5、笔记本、云CPU与GPU、高通Hexagon NPU等14种设备与后端组合。

训练方面，基座在22T token上预训练，沿用与LFM2.5-8B-A1B相同的128K词表；最后3.5T token的中训练阶段提高了agent轨迹与工具调用的比例，并把上下文窗口扩展到256K。官方给出的端侧数字是：短提示下每参数表现与LFM2-1.2B持平，而在8K上下文时约快25%。

六款模型的输入输出分工很清楚：LFM3-1.7B处理纯文本；LFM3-VL-2B接受文本、图像和视频；LFM3-Audio-2B接受文本与音频、输出文本与语音；LFM3-Omni-2B四类输入齐全；d1-2B与d1-omni-2B则在对应模型之上输出“校准后的答案”。视觉与音频都换用了自研编码器。

据博客披露，新的视觉编码器只有1.64亿参数，在相同语言骨干下精度追平Qwen3.5-2B的视觉编码器，而FLOPs少2.2倍，相比此前LFM视觉模型使用的SigLIP2编码器算力降到三分之一；处理视频时它把每两帧采样压成一个时间切片，使时间序列长度减半。音频编码器全因果，可以在用户说话时同步预填充，首token延迟低至50毫秒；新音频分词器LiquidCodec在Apple M4 Max的单CPU线程上约达87倍实时，并支持流式解码。

基准数字是这次发布最有说服力的部分。LFM3-1.7B在WebArena-Verified上拿到38.42分，上一代LFM2.5-2.6B只有3.02分，官方称其在浏览器和业务应用的长任务上甚至超过Qwen3.5-9B。视觉侧，LFM3-VL-2B以19亿参数把62项视觉基准的平均分从57.6拉到71.4，官方对标的是参数量六倍于它的Gemma 4 12B。

把这些数字放在一起看，Liquid AI押注的是一条与“更大更通用”相反的路：用统一的小基座承载多种模态，让用户按输入类型挑模型、在自己的数据上微调、再部署到应用所在的地方。官方还提到模型经过后训练，可直接跑在Hermes Agent、Pi、OpenClaw等agent框架里。真正的考验在发布之后——端侧实测速度、微调后的实际效果，以及这套六模型家族能否在开源社区形成可持续的生态。