LFM2
PulseAugur coverage of LFM2 — every cluster mentioning LFM2 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
llama.cpp 增强测试套件以实现更广泛的模型兼容性
llama.cpp 项目发布了更新 b10666，其中包含对其测试套件的重大改进。一项关键的变更是将 `test-save-load-state` 功能扩展到覆盖指定目录中的所有架构和模型，而不仅仅是单个模型。此次更新还解决了 `deepseek4`、`gemma2`、`minimax-01` 和 `dsv4` 等不同模型架构中的各种问题，以确保兼容性和正确的状态保存/加载。此外，还对 dummy DSA 索引器进行了优化，以更好地与…
-
Liquid AI 发布支持 8K 上下文的快速、CPU 友好型双向编码器
Liquid AI 发布了两款新的开源双向编码器模型 LFM2.5-Encoder-230M 和 LFM2.5-Encoder-350M。这些模型基于 LFM2 混合骨干网络构建，支持 8192 个 token 的上下文窗口，专为在 CPU 上高效运行而设计。350M 版本在一个包含 17 个任务的基准测试中取得了第四名的好成绩，性能优于更大的模型，并展示了其在边缘设备和敏感数据处理等各种应用中的能力。
-
LiquidAI 发布 LFM2.5 多语言双向编码器
LiquidAI 发布了两款基于 LFM2 架构的新型多语言双向编码器 LFM2.5-Encoder-230M 和 LFM2.5-Encoder-350M。这些模型专为设备端效率和跨 15 种语言的各种下游任务微调而设计。较小的 230M 模型针对低延迟和内存进行了优化，而较大的 350M 模型则追求最高质量，两者都提供 8k 上下文窗口和具有竞争力的性能。
-
新的“WOOFER”指标揭示了令人惊讶的 LLM 性能得分
一位用户开发了一个“WOOFER”指标，使用“Probe_prompt”来评估大型语言模型 (LLM) 的性能。该指标产生了一些令人惊讶的结果，一些模型的得分出人意料地低，例如 # bigpickle 得分为 25，而一组小型模型（LFM2、Gemma3 (2B)、Llama32 和 Quen25）的共识得分仅为 18。值得注意的是，# Claude # Opus 评估自己的回应是天才，而较新的 # Nvidia 模型 nematro…
-
教程展示了使用QLoRA和DPO微调LFM2
本教程演示了如何在Google Colab上使用QLoRA和直接偏好优化（DPO）微调LFM2模型。它涵盖了使用4位量化加载基础LFM2模型、准备监督微调（SFT）数据集以及训练轻量级LoRA适配器。该过程通过DPO进行扩展，以根据用户偏好对模型的响应进行对齐，从而得到一个准备好部署的改进型检查点。
-
Liquid AI 发布 LFM2-24B-A2B，一款高效的 24B 参数 MoE 模型
Liquid AI 发布了其 LFM2-24B-A2B 模型的早期检查点，这是一种稀疏专家混合（MoE）架构，总参数量为 240 亿，每个 token 激活参数量为 20 亿。该模型证明了 LFM2 架构能够有效地扩展到更大的规模，并且随着该系列的不断发展，在基准测试中观察到了持续的质量提升。LFM2-24B-A2B 设计为可容纳在 32GB RAM 中，旨在部署在云和边缘环境，包括消费级笔记本电脑和台式机。