LiquidAI

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。

核心事件 LiquidAI 近期推出了 d1-3B 与 d1-omni-600M 模型。其中，d1-omni 基于 LFM2.5-Encoder-350M 构建，是一款革命性的多模态决策模型。它通过直接从模型内部状态读取类型化答案，实现了“零输出令牌”（Zero-output token）响应，彻底颠覆了传统的自回归生成模式。 ▶ 极致推理效率：通过消除 Token 生成过程，d1-omni 极大地降低了推理延迟，能够瞬时处理文本、JSON、图像及语音输入并给出决策反馈。 ▶ 非 Transformer 架构红利：基于 Liquid Foundation Model (LFM) 架构，该模型在处理长序列和多模态融合时表现出优于传统架构的计算效率。 八卦洞察 LiquidAI 正在通过 d1 系列精准切入“AI 动作层”（Action Layer）。当整个行业还在卷大语言模型的对话能力时，LiquidAI 意识到在机器人、自动驾驶和实时监控等工业场景中，人类不需要 AI 侃侃而谈，而需要它在毫秒级做出准确判断。d1-omni 的“零 Token”设计本质上是将 LLM 从“创作工具”转化为“数字神经中枢”。这种从 Generative（生成式）向 Discriminative/Decision（决策式）的回归，标志着边缘 AI 正在从实验室走向高频生产环境。 行动建议 对于开发者而言，应关注 d1-omni 在高频分类、实时路由及边缘触发场景中的应用，这比调用传统的 GPT-4o-mini 更具成本和速度优势。企业架构师应评估 LFM 架构在功耗敏感型设备上的表现，考虑将其作为复杂 Agent 系统的“快速反应层”（System 1），而将重型 Transformer 模型留给“深度思考层”（System 2）。

开发者利用自定义 WebGPU 内核，在 M4 Max 浏览器环境下实现了 LiquidAI LFM2.5-230M 模型每秒 1,400 token 的极致推理速度，刷新了端侧 AI 性能认知。▶ 架构红利：Liquid Foundation Models (LFMs) 的线性复杂度在边缘端展现出远超传统 Transformer 的吞吐潜力，为高频交互场景提供了新路径。▶ 开发范式转移：通过 AI 辅助工具（Opus 4.8 与 Fable 5）编写底层 WebGPU 内核，大幅缩短了从模型发布到硬件极致加速的优化周期。八卦洞察这次突破不仅仅是数字上的胜利，它预示着“端侧原生” (Edge-Native) AI 时代的加速到来。1,400 tok/s 的速度意味着模型生成的响应几乎是瞬间完成的，远超人类阅读上限。这种性能表现主要得益于两点：一是 LiquidAI 采用的非 Transformer 架构在处理长序列和内存带宽利用上的天然优势；二是 WebGPU 技术的日趋成熟，它正在抹平浏览器与原生应用之间的性能鸿沟。当浏览器可以像运行原生 C++ 代码一样调用 GPU 时，SaaS 的逻辑将被彻底重写——隐私、低延迟和零服务器成本将成为标配。行动建议对于开发者，应立即评估 WebGPU 在现有 Web 应用中的集成潜力，尤其是针对 RAG 或实时翻译等对延迟敏感的场景。对于企业决策者，在选择底层模型架构时，不应仅局限于 Transformer，应关注 LFMs 或其它线性复杂度架构在降低推理成本（Inference Cost）方面的战略价值。同时，建议关注 AI 辅助编程在高性能计算（HPC）领域的应用，利用 LLM 编写着色器代码（Shaders）已成为提升开发效率的实战利器。

八卦洞察 Liquid AI 发布的 LFM2.5-8B-A1B 标志着边缘模型（Edge AI）正通过暴力美学式的训练规模（38T token）与架构优化，跨越从“玩具”到“生产力工具”的鸿沟。 ▶ 规模红利下放：通过将预训练数据规模提升至 38T token，Liquid AI 证明了即便在 8B 这一参数量级下，通过数据质量与规模的压制，依然能实现对传统架构的降维打击。 ▶ 多语言与工具调用闭环：词汇表的翻倍与强化学习的引入，解决了边缘模型在复杂任务执行中的“智力瓶颈”，使其不仅是文本生成器，更成为具备高度执行力的 Agent 载体。 ▶ 上下文的“边缘化”：128K 上下文窗口的实现，意味着边缘设备处理长文档、复杂 RAG 任务的能力已与云端模型拉平，本地化隐私计算的商业价值被进一步放大。 行动建议 企业应重新评估本地化部署的优先级。对于涉及敏感数据、低延迟要求的场景，LFM2.5-8B-A1B 提供了极具性价比的替代方案。建议研发团队优先测试其在本地 RAG 系统中的表现，并针对非拉丁语系业务场景进行基准测试，以验证词汇表优化带来的实际增益。

核心事件总结 LiquidAI 正式发布 LFM2.5-8B-A1B 模型，这是一款基于其独特的“液体基础模型”（Liquid Foundation Models）架构的混合模型，旨在通过极低的硬件门槛实现高性能端侧推理，支持复杂的工具调用链和个人助手场景。 ▶ 架构范式转移：LFM2.5 并非传统的 Transformer 架构，通过线性扩展特性解决了长文本下的内存瓶颈，使得 8B 规模的模型能在低配端侧设备上流畅运行。 ▶ 端侧推理天花板：该模型经过扩展预训练与强化学习（RL）优化，在指令遵循和多步工具调用方面表现卓越，直接对标端侧部署的行业标杆。 ▶ 硬件友好性：8B-A1B 版本通过架构优化大幅降低了对显存和带宽的需求，标志着“主权 AI”从云端向个人口袋设备的实质性迁移。 八卦洞察 LiquidAI 的这一动作释放了一个明确信号：Transformer 的统治地位在端侧领域正面临严峻挑战。LFM2.5 的核心竞争力在于其“非二次方复杂度”的扩展能力，这直接解决了移动端芯片在处理长上下文时 KV Cache 爆炸的痛点。我们认为，LiquidAI 并非在卷参数量，而是在卷“推理能效比”。在 Apple Intelligence 和高通骁龙芯片大力推动端侧 AI 的背景下，LiquidAI 这种不依赖暴力算力的架构，可能会成为 OEM 厂商摆脱对特定硬件加速器依赖的“解药”。 行动建议 对于端侧应用开发者，建议立即在 LocalLLaMA 环境中对 LFM2.5 进行压力测试，特别是在低内存 Android/iOS 设备上的长文本表现。对于智能硬件厂商，应评估 LFM 架构在电池续航和热管理方面的优势，考虑将其作为离线语音助手或自动化 Agent 的底层引擎，而非盲目追求量化后的 Llama-3 变体。