Liquid AI 今日正式发布 LFM3 系列，这是一组包含六个开放权重模型的家族，旨在将文本、视觉、音频及结构化决策能力整合至一个仅含 17 亿参数的单一共享骨干网络中。目前，所有模型已通过 Hugging Face 开放下载，并支持在单张消费级 GPU 上进行微调。这是该公司自 2025 年开源 LFM2 以来最重要的更新，标志着其历经 14 种设备与后端组合架构搜索后的商业化落地。
核心突破：小参数实现智能体性能倍增
基准测试数据显示，LFM3-1.7B 在 WebArena-Verified 测试中得分 38.42，较前代 LFM2.5-2.6B 的 3.02 分实现了 12.7 倍的提升，尽管其参数量减少了 35%。这一性能飞跃并非源于规模扩张，而是得益于全新的三机制架构以及专门针对智能体任务构建的 3.5 万亿 token 中期训练阶段。
架构革新：三混合层设计
LFM3 的核心在于其三混合层设计，填补了局部卷积与全局注意力之间的中等范围上下文捕获空白。其 24 层结构由以下三种机制组成：
- 13 个门控短卷积层：负责局部模式识别，具备 O(1) 状态，在 CPU 和 NPU 上速度最快，不产生键值（KV）缓存。
- 5 个滑动窗口注意力层（SWA）：拥有 256 个 token 的窗口，提供有限的 O(256) KV 缓存，捕获局部至中等范围上下文。
- 6 个全局注意力层：提供完整的 O(n) KV 缓存，用于处理长程推理，但仅在部分层级启用。
这种设计使 LFM3 的总 KV 缓存占用降至同等深度标准 Transformer 的约 27%。此外，模型还引入了头级门控注意力、部分 RoPE（旋转位置编码）以及三明治归一化三项优化，进一步稳定训练并提升量化质量。
硬件在环：面向实际设备的架构搜索
层比例并非手工设定，而是通过 Liquid AI 的 STAR 硬件在环架构搜索确定。团队在手机、Raspberry Pi 5、笔记本电脑、云 CPU/GPU 及高通 Hexagon NPU 等 14 种组合上评估延迟与质量的权衡，确保模型在目标设备上而非仅在数据中心 GPU 上达到最优运行效果。
基础模型 LFM3-1.7B-Base 基于 22 万亿 token 预训练，并在最后 3.5 万亿 token 的中期训练阶段聚焦智能体轨迹、工具调用及长上下文序列，将上下文窗口扩展至 256K token。在 4-bit 精度下，文本模型内存占用仅约 1 GB，可运行于中高端智能手机。
多模态与决策能力全面升级
视觉语言模型：LFM3-VL-2B 采用定制的 1.64 亿参数视觉编码器，计算量比 SigLIP2 少 3 倍。其在 62 项视觉基准测试中的平均分从 LFM2.5-VL-3B 的 57.6 提升至 71.4，参数量却从 31 亿降至 19 亿。Liquid AI 称其性能与参数量大六倍的 Gemma 4 12B 相当（自我报告）。该模型还支持视频输入及思维链推理。
机器人技术：基于 LFM3-VL-2B，Liquid AI 开发了编排器、导航器及视觉-语言-动作（VLA）模型。VLA 模型在 LIBERO 基准套件中平均成功率达 96.2%，在 Jetson AGX Orin 上的动作生成时间低于 50 毫秒，满足实时控制需求（自我报告）。
音频与全能模型：LFM3-Audio-2B 支持流式解码，首 token 生成时间低至 50 毫秒，语音质量基准得分提升 19%。LFM3-Omni-2B 作为首个全能模型，可同时处理文本、图像、视频和音频输入，Liquid AI 称其在多项基准测试中优于高达 107 亿参数的模型（自我报告）。
结构化决策：d1 系列模型不生成开放式文本，而是在单次前向传播中输出结构化决策及校准概率。d1-2B 参数量减少三分之一，内部基准得分从 64.0 提升至 75.5；d1-omni-2B 则扩展了对音频输入的支持。
开发者资源与注意事项
所有六个 LFM3 模型均已作为开放权重在 Hugging Face 发布，兼容 transformers 库。Liquid AI 还提供了 10 个 Colab 笔记本，涵盖监督微调（SFT）、直接偏好优化（DPO）等流程，示例任务包括文档 JSON 提取及智能家居命令映射。
需要指出的是，文中引用的所有性能数据均由 Liquid AI 自我报告，截至发稿时，尚未有第三方研究人员对 LFM3 进行独立复现或评估。