PulseAugur
中
实时 09:58:47
实体 LFM2.5-2.6B

LFM2.5-2.6B

PulseAugur coverage of LFM2.5-2.6B — every cluster mentioning LFM2.5-2.6B across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
5
90 天内 24
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 0
层级分布 · 90 天
主题
关系
时间线
  1. 2026-08-12 research_milestone The LFM2.5-2.6B model, also referred to as Liquid, has been added to an AI model tracking service, highlighting its open weights and 128k token context window. 来源
  2. 2026-08-05 product_launch Liquid AI released LFM2.5-2.6B, an on-device agentic model with a 128K context window and open weights. 来源
  3. 2026-08-04 product_launch Liquid AI released the LFM2.5-2.6B language model, focusing on agentic capabilities. 来源
  4. 2026-08-04 product_launch LiquidAI released the LFM2.5-2.6B model for local agent deployment. 来源
  5. 2026-08-04 product_launch LiquidAI released the LFM2.5-2.6B model for local agent deployment. 来源
情绪 · 30 天

4 天有情绪数据

最近 · 第 1/2 页 · 共 24 条
  1. TOOL · CL_355440 ·

    小型本地LLM在日语分类任务中受限于token数而非理解能力

    最近对小型本地运行的语言模型进行的评估显示,它们在日语分类任务上的表现受到token预算限制的严重阻碍,而非理解能力不足。LFM2.5-2.6B和Phi 4 Mini等模型常常在512个token的限制内无法生成完整答案,导致它们被判为错误,尽管它们的推理是准确的。当token预算增加时,这些模型的答案率和准确性有所提高,尽管有些模型仍然会达到上限或生成无法解析的输出。最终,即使有这些改进,在这些特定任务上,经过测试的本地模型并未超越…

  2. SIGNIFICANT · CL_341869 ·

    Liquid AI 发布高效1GB LFM3模型系列,面向本地智能体

    Liquid AI 发布了 LFM3,一个专为高效和本地部署设计的新型开放权重模型系列。旗舰模型 LFM3-1.7B 重约 1GB,拥有 256K token 的上下文窗口和独特的混合三元架构。虽然它在智能体任务和指令遵循方面表现出色,在特定基准测试中优于 Qwen 3.5 9B 等更大模型,但在需要广泛知识或复杂编码的领域则表现不佳。LFM3 模型针对内存效率和设备性能进行了优化,使其适用于手机、边缘设备和旧硬件上的应用。

  3. SIGNIFICANT · CL_326188 ·

    Hugging Face 发布 LFM3 多模态模型,用于专业化人工智能

    Hugging Face 发布了 LFM3,这是一个新的 Liquid Foundation Models 系列,专为跨多种模态的专业化智能而设计。这些模型参数量在 2B 范围内,与前代 LFM2 相比,每参数性能有所提升。LFM3 模型针对边缘部署进行了优化,其文本模型在 4 位精度下约占 1 GB,并具有用于设备上代理的 256K 上下文窗口。该架构支持在共享骨干网上运行文本、视觉、音频、全能和决策模型,并配备了新的视觉和音频编码…

  4. SIGNIFICANT · CL_322326 ·

    新型 EdgeRock-4B 模型将 KV Cache 使用量削减 99%,吞吐量提升 6 倍

    香港科技大学和卡内基梅隆大学的研究人员与燕山科技合作,开发并开源了一个名为 EdgeRock-4B 的新模型。该模型将 KV Cache 的使用量显著减少了 99.1%,能够在不增加内存消耗的情况下实现更长的上下文窗口。与基础模型 Qwen3.5-4B 相比,EdgeRock-4B 的吞吐量提高了 6.42 倍,同时保持了强大的推理能力。这项创新在于一种名为 Rock Memory Anchors (RMA) 的新型内存机制,该机制选…

  5. TOOL · CL_295437 ·

    LiquidAI 发布 d1-3B 决策模型,非聊天机器人

    LiquidAI 发布了其 d1-3B 模型,这是一个拥有30亿参数的视觉模型,专为决策任务设计,而非文本生成。与典型的语言大模型不同,d1-3B 处理文本、JSON 和图像,以回答预定义的问题,输出形式为“是/否”或评分,产生零输出 token。虽然它在某些决策基准测试中表现出色,但在视觉推理和网页截图解释方面的性能不如其前代产品。

  6. SIGNIFICANT · CL_241042 ·

    OpenBMB发布MiniCPM5-2B,一款性能媲美Gemma 4-12B的2B模型

    OpenBMB发布了MiniCPM5-2B,这是一款拥有20亿参数的AI模型,其性能可与Gemma 4-12B等更大模型相媲美。该模型在智能密度方面表现出色,并提供强大的日语语言能力,这在其模型尺寸中非常罕见。它在人工智能分析指数上名列40亿参数以下开源模型之首,并根据Apache License 2.0在Hugging Face和ModelScope上免费提供。

  7. TOOL · CL_215056 ·

    LFM2.5-2.6B 模型通过 Ollama 在 Linux iGPU 上运行

    一位用户已成功在 Linux 操作系统下,使用 Ollama 在集成显卡 (iGPU) 上运行了 LFM2.5-2.6B 语言模型。该过程涉及特定的配置和步骤,详细信息可在链接的博客文章中找到,证明了在性能较低的硬件上运行小型高效模型的可行性。

  8. SIGNIFICANT · CL_211527 ·

    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。

  9. TOOL · CL_211162 ·

    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。

  10. SIGNIFICANT · CL_197175 ·

    Liquid AI 发布用于设备端的 3B 视觉语言模型

    Liquid AI 推出了 LFM2.5-VL-3B,这是一个拥有 31 亿参数的视觉语言模型,专为设备端应用而设计。该模型在读取数字屏幕、识别带坐标的物体以及处理文档和图表方面表现出色。它还支持函数调用,使其能够根据文本或图像输入与工具进行交互。虽然在各种基准测试中取得了强劲的性能,但它被认为是一个非推理模型,优先考虑低延迟。

  11. SIGNIFICANT · CL_196863 ·

    LiquidAI 发布 LFM2.5-VL-3B,增强边缘视觉能力

    LiquidAI 发布了 LFM2.5-VL-3B,这是一款专为边缘设备设计的视觉语言模型。该新模型在屏幕理解、对象定位、多图像推理和函数调用方面有了显著改进。LFM2.5-VL-3B 在包含增强视觉数据的海量数据集上进行了训练,在各种视觉和文本基准测试中表现强劲,在其尺寸级别中处于领先地位,在实际图像任务上与 Gemma-4-E2B 和 Qwen3.5-2B 等模型在工具使用方面相当。该模型针对 CPU 和 GPU 的高效推理进行了…

  12. TOOL · CL_195485 ·

    开放权重 LFM2.5-2.6B 模型,支持 128k 上下文,已加入追踪器

    LFM2.5-2.6B 模型,又称 Liquid,已被添加到一个 AI 模型追踪服务中。该模型具有开放权重和免费套餐,上下文窗口为 128,000 个 token。

  13. TOOL · CL_192932 ·

    Liquid AI 发布紧凑型代理模型;Mistral 推出安全分类器

    Liquid AI 发布了 LFM2.5-2.6B,一个针对代理框架和工具交互优化的紧凑型纯文本模型,具有大上下文窗口和多语言支持。虽然不推荐用于复杂编码,但其小巧的尺寸和高效的 GGUF 格式使其适用于本地部署以及路由、提取和 RAG 等任务。Mistral 还推出了 Shieldstral 1.0 3B,一个多模态安全分类器,它使用自然语言策略来评估提示、模型响应和图像。

  14. RESEARCH · CL_192297 ·

    新AI模型发布:DeepSeek、LiquidAI、OMLAB和MiniMaxAI登陆Hugging Face

    多个AI模型已发布并在Hugging Face上可用。DeepSeek-V4-Pro-0813是来自DeepSeek的模型。LiquidAI发布了LFM2.5-VL-3B,这是一个专为设备端部署设计的、能够处理文本和图像的多模态模型,提供了改进的接地和OCR能力以及高效的推理速度。OMLAB推出了VLX-Seek-1.5-10B,这是一个开源模型,专注于为无人机和机器人等具身场景提供细粒度的视觉接地,采用了区域-参考定位方法。此外,M…

  15. TOOL · CL_189120 ·

    本地 AI 更新:llama.cpp、PyTorch、Kimi-K3 和 NVIDIA NeMo Speech 3.0

    本地 AI 和开源模型领域的最新更新包括 llama.cpp 通过 CUDA Fusion 实现的性能增强,解决了 PyTorch 中针对 AMD GPU 的关键量化错误,以及备受关注的 Moonshot AI Kimi-K3 模型,该模型利用压缩张量实现高效推理。此外,NVIDIA 发布了 NeMo Speech 3.0,专注于核心语音 AI 任务,LiquidAI 的 LFM2.5-2.6B 模型在本地代理部署方面也日益受到欢迎。

  16. TOOL · CL_187832 ·

    新的 5.72B MoE 模型融合了 Qwen3.6-35B-A3B 的编码专家

    Akahsizrr/fuse-1-Lite 模型是一个 5.72B 参数的混合专家(MoE)模型,它将一个轻量级语言模型与 Qwen3.6-35B-A3B 的编码专家相结合。这种融合方法涉及移植专家权重,并使用路由器为与编码相关的 token 激活它们,为编码辅助和代理工作流提供了一种高效的方法。该模型专为本地应用而设计,可以与 Transformers、vLLM 和 SGLang 等库集成。

  17. TOOL · CL_185952 ·

    LFM2.5-2.6B 模型在 OnePlus 13 CPU 上以每秒 17 个 token 的速度运行

    一位用户已成功在 OnePlus 13 智能手机上仅使用设备的 CPU 运行了 LFM2.5-2.6B 语言模型。该模型拥有 26.9 亿个参数和 128K 上下文窗口,实现了每秒 17 个 token 的速度。用户开发了一个自定义推理引擎,该引擎仅占 450kb 空间,并支持多种其他模型架构,目标是将处理速度提高到每秒 30 个 token。

  18. FRONTIER RELEASE · CL_182987 ·

    Liquid AI 发布 LFM2.5-2.6B:支持128K上下文的设备端智能体模型

    Liquid AI 发布了 LFM2.5-2.6B,这是一款开源权重、专为移动和边缘设备设计的设备端智能体模型。该模型拥有26.9亿参数,128,000个token的上下文窗口,并且无需依赖云API即可执行多步任务,包括规划和工具调用。Liquid AI 报告称,LFM2.5-2.6B 在指令遵循和工具使用基准测试中,与远大于自身的模型相比,表现具有竞争力,同时在各种硬件上保持了低内存使用和快速解码速度。

  19. TOOL · CL_182909 ·

    新型AI模型LFM2.5-2.6B性能超越9B模型,支持智能手机AI智能体

    一款名为LFM2.5-2.6B的新型AI模型已发布,据称其性能超越了9B参数模型。这一发展标志着AI智能体可以在智能手机上运行的新时代的到来。

  20. TOOL · CL_182505 ·

    Liquid AI发布了能够支持手机上128K上下文的2.6B模型

    Liquid AI发布了LFM2.5-2.6B,这是一款专为本地AI应用设计的紧凑型语言模型。尽管其参数量仅为26.9亿,但该模型拥有128K的上下文窗口并支持工具调用,使其适用于多步代理工作流。初步基准测试表明,在特定任务上,其性能可与Qwen3.5-9B等更大模型相媲美,尽管编码和知识密集型工作仍有改进空间。该模型的效率得到了其报告速度的体现,包括在手机上达到30 tokens/秒的速度和低于2.5 GB的内存使用量,这表明其在设…