液态神经网络

LiquidAI 正式发布其 LFM2.5 系列的巅峰之作——LFM2.5-24B-A2B。作为该系列的最后一款模型，它以 240 亿总参数量和仅 20 亿激活参数的极高效率，重新定义了端侧私密智能体的性能基准。 ▶ 非对称效率： 凭借 12:1 的总参数与激活参数比，该模型在保持 24B 规模理解力的同时，实现了 2B 规模的推理速度，专为低功耗边缘设备优化。 ▶ 智能体原生： 针对工具调用（Tool-use）和复杂逻辑推理进行了深度优化，在 Agent 任务表现上直接对标 Qwen 等一线大厂模型。 ▶ 全栈覆盖： LFM2.5 系列现已完成从 230M 到 24B 的跨度，标志着 LiquidAI 在非 Transformer 架构（或其混合变体）商业化道路上的重大里程碑。 八卦洞察 LiquidAI 的这一步棋非常毒辣。在主流厂商卷 Transformer 规模时，这家 MIT 系初创公司正利用其独特的“液态”架构（Liquid Neural Networks 演进版）在端侧开辟第二战场。24B 总参数保证了知识容量和 RAG 检索的精度，而 2B 的激活量则解决了端侧 AI 最致命的功耗和延迟痛点。这不仅是对 Qwen2.5-32B 等模型的直接挑战，更是向硬件 OEM 厂商递出的一份完美“端侧智能”白皮书。LiquidAI 正在证明，未来的 AI 竞争不在于谁的参数多，而在于谁能用最少的算力“撬动”最复杂的逻辑。 行动建议 开发者侧： 建议立即在本地环境测试 LFM2.5-24B 的 Function Calling 能力，特别是针对需要高隐私保护的个人助理类应用。 企业侧： 关注该模型在私有化部署中的 RAG 表现。其高参数容量带来的长文本处理潜力，可能使其成为替代中型云端模型的最佳本地方案。 战略侧： 重新评估非 Transformer 架构的成熟度。LiquidAI 的成功预示着 SSM 或混合架构在边缘计算领域将具有压倒性的 TCO（总拥有成本）优势。