Liquid AI LFM3 2B模型挑战了规模为其6倍的AI模型。时间是2026年10月29日。哪个AI模型更聪明？是拥有120亿参数的大型模型，还是只有19亿参数的微型模型？你肯定会选择大型的那个，大家都会这么选。但在62项视觉测试中，它们的平均分却持平了。那么，这个微型模型是如何做到的呢？嗨，如果我们还没见过面，我是Julian Goldie的数字化身。他是AIS EO和GEO机构Goldie Agency的首席执行官。当他帮助客户获取更多潜在客户和客户时，我在这里帮助你获取最新的AI资讯。

今天，Liquid AI发布了一个全新的小型模型家族，名为LFM3。我将向你展示其内部构造、使其运作的设计技巧，以及Liquid表示该小型文本模型不适用的工作场景。请坚持看到最后，因为最后一部分将为你节省大量时间。首先介绍基础知识。LFM3是Liquid AI新一代的基础模型。首次发布的不是一个单一模型，而是六个。它们都围绕20亿参数展开，并且全部源自同一个名为LFM3 1.7B的基础模型。该基础模型是在22万亿个token上训练而成的。

以下是产品阵容：LFM3 1.7B是文本模型，拥有256,000个token的上下文窗口。LFM3 VL 2B是视觉模型，它可以接收视频作为输入。LFM3 Audio 2B处理工具调用、语音聊天以及18种语言中的推理任务。LFM3 Omni 2B将视觉、音频和语言能力整合到一个模型中。此外还有两个决策模型：D1 2B和D1 Omni 2B，其中Omni版本增加了音频输入功能。对于如此小型的模型来说，这覆盖的范围非常广泛，且所有六个分支都源自一个共享的基础。因此，Liquid构建了一个基础并向不同方向扩展它。

这很重要，我稍后会详细说明。先插播一个小插曲：什么是决策模型？它提供类型化的输出，这意味着以固定格式回答；并提供校准过的概率值，即显示其确定程度的数值。所有这些都在单次传递中完成。整个家族的目标很简单：选择适合你工作的模型，进行定制，并在你自己的设备上运行。其中最受关注的是一个视觉模型LFM-3 VL 2B，它仅有19亿参数。Liquid表示它在62项视觉测试中与规模比其大六倍以上的Gemma 4 12B模型表现持平。我稍后会详细拆解这些数据。

Liquid在62项视觉基准测试中对LFM-3 VL 2B进行了平均评分，得分为71.4。Gemma 4 12B的平均分也是71.4。Liquid还表示，它击败了Gemini 3.5 Flashlight，并且与GPT-5.6 Luna的差距仅在两个点以内。在与自身规模相当的模型对比中，Liquid称其胜出至少7.4分。现在看看Liquid自家产品线的变化：较旧的LFM-2.5 VL 3B拥有31亿参数，平均分为57.6。新模型更小，但分数跃升至71.4。需要注意的是，这些数字来自Liquid自身，因此在更多人测试该模型之前，请将其视为声明。

好消息是权重已开源，你可以亲自测试。在我展示下一部分之前暂停一下：我们在AI Profit Boardroom内有一个30天路线图，旨在引导你逐步学习AI工具。这样，每次新发布都不会让你不知从何开始。每周有四次辅导电话，所以当你像设置LFM-3这样遇到卡顿时，你可以提问并摆脱困境。而你刚刚学到的知识，例如哪个模型适合哪种工作，正是我们帮助你按自己的节奏转化为实际工作流程的内容。链接在描述中或访问airprofitboardroom.com。

好的，回到那些视觉数据上：它能做什么？Liquid表示它处理视频、逐步推理和空间理解。空间理解仅意味着它可以找到物体并理解它们相对于彼此的位置。Liquid提到了诸如询问关于录制讲座或摄像头 feed 视频的问题等场景。他们还在此基础上构建了三个机器人模型，用于编排、导航和操作。其新的视觉编码器使用的计算量仅为SigLIP-2编码器的三分之一左右。那么，为什么如此小的模型能做到这一点？这归结于设计。Liquid称之为三混合架构。“Tri”意味着三个。

基础模型有24层，分为三种类型：13个是门控短卷积。你可以将其视为快速阅读器，但只查看彼此紧邻的单词。5个是滑动窗口注意力机制，每次只看附近的一小块内容。还有6个是全球注意力机制，可以查看整个提示词的内容。因此，你获得了快速的局部阅读、附近的上下文以及大局观的混合体。上一代LFM2仅混合了其中两种，而现在有三种。我喜欢的一点是：Liquid并非手动猜测这种布局。他们使用了一种自动化搜索来在真实硬件上测试设计。

对于LFM3，该搜索涵盖了GPS、CPS和NPS上的14种处理器设置。其中包括手机、Raspberry Pi 5和笔记本电脑。因此，该模型是为真实设备构建的，而不仅仅是大型数据中心。接下来是文本模型LFM 3 1.7B，这是大多数人会首先尝试的型号。它有17.3亿参数和256,000个token的上下文窗口。在4位量化下，它占用约1GB内存。Liquid表示这可以运行在任何手机或笔记本电脑上。它是为了在代理设置（如Hermes agent、Pi和Open Claw）内工作而训练的。

它专为工具调用和结构化输出设计。Liquid表示，与拥有35%更多参数的旧模型LFM 2.5 2.6B相比，它表现更好。在Liquid自己的表格中，它的平均分为49.37，而Qwen 3.5 9B的平均分为47.24。Liquid甚至表示，它可以驱动过去需要约90亿参数的代理应用程序。团队称其在Pipette网站上的设备智能帕累托前沿上排名第一。这是一种花哨的说法，意味着它是智慧与小巧的最佳平衡点。

现在是我承诺的部分：你不应该用它做什么？Liquid非常明确地表示，不建议用于代理编码或复杂的多步推理，因为它很小。对于知识密集型任务，应配合检索或搜索一起使用。所以不要指望它能取代大型模型处理所有事情。它是一个专家型工具。那么速度如何？在模型卡片上，Liquid在三台设备上测试了它在32,000个token上下文下的表现：AMD Ryzen AI Max Plus 395、Apple M5 Max和iPhone 17 Pro。

在与该测试中的其他模型对比时，它处理提示词的速度至少快2.5倍，生成答案的速度至少快1.8倍，同时使用的内存最少。再次强调，这是Liquid自己的测试结果，但它展示了他们的目标所在。那么如果模型不太适合你的工作怎么办？那是另一个核心理念：Liquid表示，该家族中的每个模型都可以在单个GPU上进行微调。微调只是指教模型使用你自己的格式、工具或语言。在文本模型页面上，Liquid链接了四个入门笔记本教程：一个从杂乱文档中提取干净数据；一个根据检索到的文档回答问题或拒绝回答。

在拥有108种工具的App内部选择正确的工具，其中一种功能可以从原始文本中教模型学习一门新语言——土耳其语。那么，如何尝试使用它呢？权重已在Hugging Face上开源开放。您也可以使用Liquid的游乐场或其API进行体验。如果要在本地运行，有适用于llama.cpp、Ollama和LM Studio的版本，还有针对Apple芯片优化的版本以及ONNX格式。社区中也存在其他衍生版本。

Atomic Chat 1 Alex推荐的设置约为1.13 GB，且需要支持LFM-3版本的llama.cpp。从该页面有一个诚实的提示：这个小模型对量化压缩相当敏感，因此过度压缩会导致精度损失。这里有一个简单的起步方法：第一步，选择符合您需求的模型类型（文本、视觉、音频或决策）；第二步，用你自己的示例进行测试，而不是依赖官方图表数据。

第三步，如果结果接近完美但仍有瑕疵，请考虑进行微调。综上所述，LFM-3并不是一个试图包揽一切的大型单一模型，而是一个小型专注模型的家族。您可以将其运行在自己的硬件上，并根据自身需求进行调整。Liquid提供的数据仍需外部验证，因此不要仅凭我或他们的说法就轻信结论。下载一个模型，用你自己的示例运行它，看看实际效果如何。这才是真正掌握工具的方法。

目前存在一个时间窗口，大多数企业主尚未理清其中的门道，而这个窗口不会永远敞开。AI利润董事会（The AI Profit Boardroom）旨在帮助您抢先掌握像LFM-3这样的工具。内部提供每日教程，确保您总有下一步的学习方向；每周有四次辅导通话，您可以带着问题参与讨论。此外还有提示词库供您使用，无需从零开始；以及成员地图以保持社区连接。每一个板块都旨在帮助您更快地学习并构建更优的工作流。链接在描述中，或访问AI Profit Boardroom.com。

如果您想要完整的流程、标准作业程序（SOPs）以及超过100个像这样的AI用例，请加入“AI成功实验室”（The AI Success Lab）。这是一个免费的社区。链接在评论区和描述中加入后，您将获取本集的所有视频笔记，并接入93,900名成员的网络。AI成功实验室免费加入，专为共同学习AI而设计。这是一个友好的场所，您可以提出问题并与其他成员一起学习。

本集的视频笔记将LFM-3的关键要点汇总在一处，方便您日后回顾而无需重新观看视频。欢迎与我们一起学习。