Liquid AI LFM2 简调
Liquid AI 面向端侧部署的第二代基础模型家族，以卷积与注意力混合架构、较小参数规模和开放权重为核心。
Liquid AI LFM2 端侧模型 小模型 开放权重 Liquid AI 面向端侧部署的第二代基础模型家族，以卷积与注意力混合架构、较小参数规模和开放权重为核心。
Liquid AI LFM2
1. 项目是什么
LFM2 是 Liquid AI 在 2025 年 7 月发布的第二代 Liquid Foundation Model 家族，首批提供 350M、700M 和 1.2B 三个检查点。它从手机、笔记本、汽车和嵌入式设备的延迟与内存限制出发设计。[S1]
2. 为什么值得关注
端侧模型常在质量、速度和设备兼容性之间取舍。LFM2 把架构搜索、训练和部署放在同一目标函数里：不只看榜单，还看能否在真实 SoC 上快速运行。这与单纯压缩云端大模型不同。[S1]
3. 核心架构
官方披露的基础版本共有 16 个块，其中 10 个是双门控短程卷积块，6 个是分组查询注意力块，并配合 SwiGLU 与 RMSNorm。它因此不是“完全抛弃 Transformer”，而是用短卷积承担部分序列计算，再保留注意力处理需要全局交互的内容。[S1]
4. 产品与使用方式
开发者可通过 Liquid Playground、Hugging Face 和兼容的本地推理工具试用模型。官方后续还给出 ExecuTorch、llama.cpp 与 vLLM 的部署指引，意味着 LFM2 同时面向移动端原型、本地助手和服务器批处理，而非只有论文结果。[S1][S2]
5. 开放程度
LFM2 已发布模型权重和技术报告，但“开放权重”不等于训练数据、完整训练流水线和所有商业组件均开源。本文因此把开放状态记为 partial。用户在采用前仍应逐项核对具体检查点的许可证及商用条款。[S2]
6. 竞争位置
它直接面对 Gemma、Qwen、SmolLM、Llama 小模型及设备厂商自有模型。LFM2 的差异不是参数更大，而是把 CPU 上的预填充、解码速度和峰值内存当作设计约束。若这些优势能跨硬件复现，它更适合离线、隐私敏感和低延迟应用。[S1]
7. 商业价值
对企业而言，本地推理可减少网络依赖、云端调用费和敏感数据外发，但会把适配、量化、更新与设备测试成本转移给部署方。Liquid AI 的机会，是把模型、优化工具和企业部署能力打包，而不是只靠公开权重获得收入。
8. 主要风险
官方速度和质量比较来自项目方评测，硬件、量化方式与提示设置都会影响结果。小模型也更容易在复杂推理、长任务和知识覆盖上遇到上限。采购或集成前应在目标设备、目标语言和真实任务集上复测，不能直接外推宣传数字。[S1]
9. 观察结论
LFM2 代表一条清晰路线：以设备为中心重新设计模型，而不是把大模型事后塞进终端。它最值得跟踪的指标，是后续版本能否保持可部署性、许可证是否稳定，以及社区工具链能否降低跨 CPU、GPU、NPU 的适配成本。[S2]