Liquid AI开源LFM3：六款开放权重多模态模型，把1GB智能体塞进手机

2026年10月27日，MIT CSAIL衍生的初创公司Liquid AI发布新一代开放权重基础模型LFM3，把文本、视觉、音频、全模态与决策类模型统一到同一个共享骨干之上。首批释出六款20亿参数级模型，权重已在Hugging Face开放下载，采用LFM Open License v1.0授权。

六款模型，共享一个主干

所有LFM3模型都从同一个LFM3-1.7B-Base骨干派生。文本模型LFM3-1.7B参数量17.3亿，上下文长度25.6万token，词表12.8万，支持16种语言。LFM3-VL-2B接受文本、图像、视频并输出文本；LFM3-Audio-2B理解并生成语音；LFM3-Omni-2B是Liquid AI首个全模态模型，同时处理文本、图像、视频与音频，输出文本和语音。另有两款决策模型d1-2B与d1-omni-2B，不做生成式文本，而是给出带校准概率的结构化答案。

发布首日合作伙伴包括Ambarella、AMD、Arm、Intel（OpenVINO）、NVIDIA、Qualcomm、OpenRouter与Vercel，Mercedes-Benz与Shopify参与了发布前测试。

三混合架构与端侧效率

LFM3-1.7B-Base采用24层"三混合"结构：13层门控短卷积、5层256-token滑动窗口注意力、6层全局注意力，卷积核尺寸从上一代的3扩大到7。同时引入头级门控注意力（抑制量化敏感的激活离群值）、局部旋转位置编码与三明治归一化。这套设计来自Liquid AI的"硬件在环架构搜索"，覆盖了从三星Galaxy S26 Ultra、树莓派5到高通Hexagon NPU等14种设备与后端组合。

预训练语料达22T token，其中最后3.5T为带更多智能体轨迹与工具调用的中期训练，把上下文扩展到25.6万token。后训练分四个阶段：监督微调、混合强化学习、六位专家教师的多域在线蒸馏，以及在真实智能体harness内的智能体强化学习。

效率是这一代的主线。LFM3-1.7B以少35%的参数超越上一代LFM2.5-2.6B，在8K上下文下约快25%；4比特量化时文本模型仅占约1GB内存，可在手机、树莓派等端侧设备运行。在完整128K-token上下文下，它的KV缓存只需1.6GB，而Qwen3.5-4B需要4.3GB、MiniCPM5-2B需要5.6GB。Liquid AI还演示了在单个NVIDIA B300上一天生成36亿token，以及在同一档案上并行运行超过30万个LFM3-1.7B智能体。

性能与专精

在智能体基准上LFM3-1.7B领先：WebArena-Verified得分38.42（上一代仅3.02），AutomationBench 41.29（对比15.10），工具调用（BFCL V4）与指令遵循（IFEval）同样领先。不过模型卡明确提示，因体量小，不推荐用于智能体编程或复杂多步推理。

视觉模型LFM3-VL-2B首次接受视频输入，在62项视觉基准平均分从57.6提升到71.4，参数更少却与六倍大的Gemma 4 12B持平。音频模型LFM3-Audio-2B支持18种语言，语音质量UTMOSv2达3.83。全模态的LFM3-Omni-2B在多项视听理解基准上击败参数量达10.7B的模型。

LFM3还延伸到机器人：LFM3-VL-2B被改造成编排、导航与操作三类机器人模型，操作类视觉-语言-动作模型在四个LIBERO套件上平均成功率达96.2%，在Jetson AGX Orin上以TensorRT FP16生成动作块不到50毫秒。

开源许可的"红线"

需要提醒的是，LFM3是"开放权重"而非严格意义上的开源。LFM Open License v1.0基于Apache 2.0，但新增营收门槛：年营收低于1000万美元的组织可免费商用，超出则需与Liquid AI单独签约。研究与非商用使用不受门槛限制。所有模型均可在单张GPU上微调，并原生支持llama.cpp、MLX、vLLM等推理框架，权重格式涵盖BF16、FP8、NVFP4、GGUF、MLX与ONNX。

对于想在本地跑智能体、又不愿把每一份文档都发往云端的团队，LFM3把"前台小模型分拣、复杂任务上抛大模型"的分层架构变成了现实可落地的方案。