Liquid AI发布LFM3：6款2B级开放权重多模态模型，单卡可微调

一句话看懂：Liquid AI 于 2026 年 10 月 27 日发布 LFM3 系列，6 款开放权重模型共享同一基座，覆盖文本、视觉、音频、全模态和决策任务，均可在单张 GPU 上微调。对想在本机或私有环境跑智能体的开发者，这是一条低成本路线。

事件核心：发生了什么

Liquid AI 推出第三代 Liquid Foundation Models（LFM3），6 个模型都从 LFM3-1.7B-Base 分支而来。旗舰文本模型 LFM3-1.7B 为 1.73B 参数、256K 上下文；视觉模型 LFM3-VL-2B 为 1.92B、128K 上下文；全模态 LFM3-Omni-2B 为 2.2B。另有音频模型 LFM3-Audio-2B（18 种语言语音输入输出，支持工具调用），以及 d1-2B、d1-Omni-2B 两个决策模型，可在一次前向传播中回答多个问题。

基座采用“三混合”架构：24 层中混合 13 层门控短卷积、5 层滑动窗口注意力和 6 层全局注意力，滑动窗口为 256 token。据官方披露，基座训练 22T token，后 3.5T 为偏智能体的中期训练，同时把上下文扩至 256K。4-bit 量化下约需 1GB 内存，可跑在手机和笔记本上；权重已在 Hugging Face、Liquid Playground 和 API 上线，并提供 GGUF、MLX、ONNX、FP8、NVFP4 等格式。

为什么重要

2B 级模型正面竞争的是“够用且便宜”的本地部署场景。Liquid 自家评测显示，LFM3-1.7B 在 29 项基准上平均 49.37，高于其对比的 Qwen3.5-9B 的 47.24，且参数少约 35%；BFCL V4 智能体工具调用为 71.39，WebArena-Verified 为 38.42。但差距也真实存在：GPQA Diamond 仅 63.37（对手 80.40），SWE-bench Verified 43.40（对手 51.20），RULER 128K 为 65.56（对手 87.11）。这说明它走的是“工具使用和指令遵循优先”的窄路，而非知识广度和长上下文检索。需注意这些均为 Liquid 自行评测，不宜跨任务外推为永久排名。

视觉模型 LFM3-VL-2B 在 62 项视觉基准上均分 71.4，与 Gemma 4 12B 的 71.7 接近，在视觉定位（77.3）和 GUI 理解（83.1）上领先，但视频（61.2）和智能体任务（42.5）仍落后于更大的 API 模型。全模态模型 Daily-Omni 得分 70.1，高于 Qwen2.5-Omni-7B 的 61.3。

对用户/开发者/创作者的影响

对开发者，单卡微调加手机、笔记本、私有服务器和云端的多端部署选项，降低了做端侧智能体和隐私敏感应用的试错成本；llama.cpp、vLLM、SGLang、Ollama 等运行时覆盖，意味着迁移门槛不高。对创作者和企业，音频和视觉模型提供了离线字幕、GUI 自动化等可能性。但需注意许可证为 LFM Open License v1.0，设有 1000 万美元营收门槛，并非 Apache 2.0 式的完全宽松，商用前应核对条款。