Liquid AI 发布 LFM3：非 Transformer 架构的多模态突围战

核心事件

MIT 衍生初创公司 Liquid AI 正式发布了其第三代流体基础模型（Liquid Foundation Models, LFM3）。该模型系列标志着从纯文本模型向全多模态（文本、图像、音频、视频）的重大跨越。LFM3 旨在通过其独特的非 Transformer 架构，在保持高性能的同时，显著降低推理成本并提升长序列处理能力，直接挑战当前由 Transformer 架构主导的 AI 市场格局。

• ▶ 架构范式转移： LFM3 并非基于传统的 Transformer，而是采用了 Liquid AI 专有的动力学系统架构。这种设计在处理变长序列（尤其是长视频和音频）时，表现出优于传统注意力的计算效率和内存占用。
• ▶ 全模态原生集成： 不同于通过适配器“拼接”的多模态模型，LFM3 在底层实现了对视觉、听觉和文本数据的统一表征，使其在专业领域的复杂任务（如工业检测、实时音视频分析）中具备极高的精度。

八卦洞察

Liquid AI 的崛起代表了硅谷对“后 Transformer 时代”的集体焦虑与探索。当 Scaling Laws 在 Transformer 架构上遭遇算力和能效比的双重瓶颈时，LFM3 的出现提供了一个极具吸引力的替代方案。从技术深度来看，LFM3 的核心优势在于其“连续时间”动力学特性，这使得模型在边缘侧部署和实时流数据处理上具有天然优势。我们认为，Liquid AI 并不打算在通用聊天领域与 OpenAI 硬碰硬，而是通过提供更轻量、更高效的“专业智能”，切入企业级私有化部署和高带宽多模态分析的蓝海市场。

行动建议

• 算力优化： 算力受限的企业应密切关注 LFM3 的推理基准测试。如果其在同等参数下能提供更高的吞吐量，这将是降低 GenAI 运营成本的关键路径。
• 场景锁定： 建议专注于工业自动化、安防监控及实时流媒体处理的团队，优先评估 LFM3 的音视频多模态能力，其架构特性可能解决当前 Transformer 模型在长视频理解上的延迟痛点。
• 技术对冲： 开发者在构建 RAG 或 Agent 框架时，应考虑架构不可知论（Architecture-agnostic）的设计，以便在 LFM 等非 Transformer 模型成熟时快速迁移。