LFM2.5
PulseAugur coverage of LFM2.5 — every cluster mentioning LFM2.5 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
LFM2.5的Draft模型发布，速度提升高达3.2倍
一款专为LFM2.5设计的Draft模型已免费发布，可提供高达3.2倍的速度提升。此举旨在增强利用LFM2.5框架的AI系统的性能。
-
Liquid AI 通过 DSpark 投机性解码将 LFM2.5 模型速度提升高达 3.18 倍
Liquid AI 发布了其 LFM2.5 系列的 DSpark 草稿模型，这些模型在不改变输出质量的情况下，将解码速度提高了高达 3.18 倍。该方法使用投机性解码，其中一个较小的草稿模型提出代币候选，然后由一个较大的目标模型进行验证。这种方法显著加快了推理速度，尤其适用于延迟至关重要的代理应用。这些模型可供自托管，并兼容 llama.cpp 和 SGLang 等工具。
-
Liquid AI 发布 LFM2.5 模型的 QAD 版本，以实现高效的边缘部署
Liquid AI 发布了其 LFM2.5 系列小型 AI 模型的量化感知蒸馏 (QAD) 版本。新版本旨在减少内存使用量，同时最大限度地降低性能下降，使其更适合智能手机和笔记本电脑等低规格设备。QAD 技术涉及蒸馏高精度教师模型以提高量化学生模型的性能。四款 LFM2.5 模型（230M、350M、1.2B-Instruct 和 2.6B）已接受此 QAD 处理，并作为开放模型提供。
-
32个本地LLM模型进行正面比较；大多数表现相似
对32个本地大型语言模型（LLMs）在一个事实提取语料库上进行的全面正面比较显示，大多数模型表现相似。该研究利用消费者级显卡上的配对bootstrap测试，发现只有排名前两位的模型表现出可辨别的差异，其中一个35B MoE模型以微弱优势优于同一系列的27B密集模型。值得注意的是，最近发布的LFM2.5模型表现出乎意料地差，得分低于小得多的模型，这表明新模型或测试方法可能存在问题。
-
Hugging Face 集成 GGML 和 llama.cpp 以支持本地 AI 开发
Hugging Face 宣布集成了 GGML 和 llama.cpp，这两个是在消费级硬件上本地运行大型语言模型（LLM）的关键项目。此举旨在确保本地 AI 能力的长期发展和可访问性。此外，Hugging Face 还重点介绍了 LFM2.5 编码器，它能够在 CPU 上实现快速的长上下文推理，进一步增强了 AI 模型在无需专用硬件的情况下的可用性。
-
Masked Diffusion Language Models outperform AR models for agentic RL
一篇新的研究论文介绍了掩码扩散语言模型（MDLM）作为文本世界模型在代理强化学习中优于自回归（AR）模型的替代方案。MDLM 通过利用双向锚点感知去噪，展示了增强的一致性和扎实性，即使在后者规模大得多的情况下，其性能也优于 AR 模型。该研究还提出了一个新的 GRPO 训练框架，并在各种代理骨干网络上展示了在未见过环境中的大量零样本迁移收益。
-
20款小型LLM在6GB GPU上进行基准测试，评估实际可用性
一位用户在6GB RTX 4050 GPU上对20款小型语言模型进行了基准测试，以评估它们在文件整理和日志分类等夜间任务中的实际效用。评估侧重于低资源环境下的定性测试和性能指标，而非标准的排行榜。包括LFM2.5变体和Gemma-4-e2b在内的几款模型表现良好且显存效率高，其中一些在速度或上下文长度等特定领域表现出色。
-
Ollama 发布新的开源模型 minimax-m3 和 lfm2.5
Ollama 发布了两个新的开源模型：minimax-m3 和 lfm2.5。这些模型可通过 Ollama 库下载，为用户提供了在本地运行 AI 的新选择。此次发布表明 Ollama 的模型产品在持续开发和扩展中。
-
Liquid AI 发布日语文本和音频大模型
Liquid AI 发布了两款新的日语模型：LFM2.5-1.2B-JP-202606，一个在知识、指令遵循和编码方面表现有所提升的文本聊天模型；以及 LFM2.5-Audio-1.5B-JP，一个多模态语音到语音模型。该音频模型专为实时对话交互而设计，集成了语音识别和合成能力，无需单独的组件。这两款模型均可在 Hugging Face 上获取，旨在为开发日语应用程序的开发者提供支持。