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.
- 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
- 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
- 2026-08-04 product_launch Liquid AI released the LFM2.5-2.6B language model, focusing on agentic capabilities. 来源
- 2026-08-04 product_launch LiquidAI released the LFM2.5-2.6B model for local agent deployment. 来源
- 2026-08-04 product_launch LiquidAI released the LFM2.5-2.6B model for local agent deployment. 来源
9 天有情绪数据
-
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。
-
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。
-
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。
-
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…
-
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。
-
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。
-
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…
-
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。
-
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。
-
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。
-
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。
-
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。
-
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…
-
Liquid AI 发布 LFM2.5-2.6B 模型，侧重于智能体能力
Liquid AI 发布了 LFM2.5-2.6B，这是一款新推出的小型语言模型。此次发布强调增强的智能体能力，旨在擅长文档摘要等高吞吐量任务。鉴于开发者对 LFM 系列先前小型模型的积极体验，他们特别期待看到这款模型的表现。
-
LiquidAI 发布 LFM2.5-2.6B 以实现高效的本地代理部署
LiquidAI 发布了 LFM2.5-2.6B，这是一款专为高效本地代理部署设计的新型语言模型。尽管体积小巧，该模型在工具使用和指令遵循等任务上展现出与规模大得多的模型相媲美的性能。LFM2.5-2.6B 利用了代理强化学习和扩展上下文窗口，在 CPU 和 GPU 上均实现了快速推理速度，使其适用于边缘设备上的高吞吐量工作负载。
-
LiquidAI 发布 LFM2.5-2.6B 模型，实现高效的设备端 AI
LiquidAI 发布了 LFM2.5-2.6B 和 LFM2.5-2.6B-GGUF 系列混合模型，专为高效的设备端部署而设计。这些模型拥有 128K 上下文窗口和先进的代理能力，使其在工具使用和指令遵循等任务上能够与更大的模型竞争。这些模型针对高效推理进行了优化，以最小的内存使用量实现了高令牌生成速度，并兼容各种流行的推理提供商和本地应用程序。
-
Liquid AI 开源 Antidoom 以修复 AI 模型灾难循环 · 已追踪 2 个来源
Liquid AI 推出了 Antidoom，这是一种开源方法，旨在缓解 AI 推理模型中的“灾难循环”。此问题会导致模型反复输出相同文本，消耗上下文窗口，在面临复杂任务的小型模型中尤为普遍。Antidoom 专门针对并重新训练触发循环的初始 token，鼓励模型选择连贯的替代方案。该技术已取得显著成功，将 LFM2.5-2.6B 的循环率从 10.2% 降低到 1.4%，将 Qwen3.5-4B 的循环率从 22.9% 降低到 1%…