Liquid Ai
PulseAugur coverage of Liquid Ai — every cluster mentioning Liquid Ai across labs, papers, and developer communities, ranked by signal.
- 2026-06-19 product_launch Liquid AI released two new retrieval models for multilingual search. 来源
- 2026-06-19 product_launch Liquid AI released two new retrieval models, LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M, designed for efficient multilingual search on edge devices. 来源
- 2026-05-29 product_launch Liquid AI released its LFM2.5-8B-A1B model, featuring an expanded context window and increased training data. 来源
- 2026-05-26 product_launch Liquid AI launched two new Japanese-capable AI models, LFM2.5-1.2B-JP-202606 and LFM2.5-Audio-1.5B-JP. 来源
6 天有情绪数据
-
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%…
-
Liquid AI 发布最小的设备端模型 LFM2.5-230M
Liquid AI 推出了 LFM2.5-230M，这是他们迄今为止最紧凑的模型。这个拥有 2.3 亿参数的开放权重模型专为在边缘硬件上进行设备端运行而设计。它在三星 Galaxy S25 Ultra 上的速度为 213 tokens/s，在 Raspberry Pi 5 上的速度为 42 tokens/s，支持工具使用和数据提取。
-
Liquid AI 推出小型 LFM2.5-230M 用于设备端代理任务
Liquid AI 发布了其迄今为止最小的模型 LFM2.5-230M，专为手机和机器人等边缘设备的端侧推理而设计。这个拥有 2.3 亿参数的模型在数据提取和工具使用方面表现出色，在 IFEval 和 IFBench 等特定基准测试中优于更大的模型。虽然不适合数学或编码等复杂推理任务，但其小巧的体积和高效的架构使其能够快速推理，非常适合本地数据处理和轻量级代理工作负载。
-
OpenAI内部AI使用量激增；新开源模型和代理功能涌现
OpenAI报告称，自2025年11月以来，其内部AI模型使用量在各部门显著增加，Codex的平均输出令牌在研究部门增长了高达56倍。这种令牌消耗的激增，尤其是在编码任务之外，凸显了AI工具在公司运营中的日益深入的整合。与此同时，开源AI领域也取得了进展，GLM-5.2在编码和代理基准测试中表现强劲，并且出现了Ornith-1.0等新的专业模型。Google还增强了其Gemini 3.5 Flash模型，使其具备内置的计算机使用能力，…
-
Liquid AI 发布适用于边缘设备的紧凑型多语言搜索模型
Liquid AI 推出了两个新的检索模型 LFM2.5-Embedding-350M 和 LFM2.5-ColBERT-350M，每个模型拥有 3.5 亿个参数。这些模型专为 11 种语言的高效多语言搜索而设计，可在边缘设备和笔记本电脑上运行。它们利用双向架构提供快速的本地搜索功能。
-
AI-DNA初创公司Radical Numerics获得5000万美元种子轮融资
由开发DNA生成AI模型的初创公司Radical Numerics的研究人员创立，该公司已获得5000万美元的种子轮融资。公司旨在通过教会AI同时理解和生成DNA、RNA和蛋白质等各种生物分子来彻底改变生物学。他们的技术已被用于创建首个完全由AI设计的活性病毒，并正在探索在癌症检测和病原体表征方面的应用，同时也关注生物武器的潜在风险。
-
新工具通过精选过滤器简化本地AI模型选择
一款新工具旨在通过精选来自Google和Mistral等多个实验室的选项来简化本地AI模型的选择。该平台允许用户根据特定标准过滤模型，以便快速找到合适的模型。提供了演示视频来展示该工具的功能。
-
Liquid AI 发布免费支持边缘推理的日语AI模型
Liquid AI 发布了一款专为边缘推理设计的新型日语AI模型，并免费提供。该模型能够处理语音和语言，实现设备端AI能力。此次发布旨在支持各种需要在不依赖云连接的情况下进行实时AI处理的应用。
-
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。
-
Anthropic 发布 Opus 4.8；腾讯模型超越 Claude；Groq 寻求 6.5 亿美元融资
Anthropic 发布了 Opus 4.8，但关于其能力的细节很少。另外，腾讯开发的一款模型在 OpenRouter 平台上的性能已超越 Anthropic 的 Claude。与此同时，据报道 Groq 在与英伟达合作后正寻求 6.5 亿美元的融资，Liquid AI 则使用了一个包含 38 万亿个 token 的庞大数据集训练了一个新的边缘混合专家（MoE）模型。
-
Liquid AI 发布了具有 128K 上下文的 8B MoE 模型，用于设备端工具使用
Liquid AI 发布了 LFM2.5-8B-A1B，这是一个拥有 80 亿参数的混合专家（MoE）模型，专为高效的设备端工具调用而设计。新版本显著将上下文窗口扩展到 128,000 个 token，并将预训练规模扩展到 38 万亿个 token，提高了其处理长文档和进行长期任务推理的能力。该模型还拥有扩展的词汇表，以更好地进行非拉丁语的 token 化，并针对消费级硬件上的高吞吐量进行了优化，支持各种推理引擎。
-
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。
-
Liquid AI 发布 LFM2.5-8B-A1B 设备端 MoE 模型
Liquid AI 发布了 LFM2.5-8B-A1B，这是一款新推出的设备端专家混合（MoE）模型，专为复杂任务和工具链设计。该模型拥有 83 亿总参数，但每个 token 仅激活 15 亿参数，能够在消费级硬件上实现高效性能。主要升级包括扩展到 131,072 token 的上下文窗口、在 38 万亿 token 上进行的广泛预训练，以及用于减少幻觉和提高推理能力的先进强化学习。
-
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。
-
麻省理工学院、Liquid AI 和马克斯·普朗克研究所开发 CompreSSM 以在训练期间压缩 AI 模型
麻省理工学院、Liquid AI 和马克斯·普朗克研究所的研究人员开发了一种名为 CompreSSM 的新技术。该方法能够在训练过程本身中压缩 AI 架构。这项创新显著降低了训练时间和相关成本，模型尺寸缩小高达四倍，同时保持其性能。
-
Shopify CTO 详解 AI 集成、新工作流程和部署挑战
Shopify CTO Mikhail Parakhin 讨论了公司广泛的 AI 集成，强调了 12 月份左右模型质量的显著转变加速了采用。他强调，目前 AI 开发的主要挑战集中在审查、部署稳定性和 CI/CD 流程上，而不是原始代码生成。Parakhin 还详细介绍了三个关键的内部 AI 项目：Tangle 用于可复现的 ML 工作流程，Tangent 用于自动化研究和优化，以及 SimGym 用于模拟客户行为以改进电子商务运营。
-
AI 经济在成本担忧和模型部署创新中蓬勃发展
AI 经济正在经历显著增长，过去一年的销售额达到 1100 亿美元，年化收入运行率超过 1750 亿美元。然而，这种扩张伴随着对 AI 相关高成本的担忧，特别是 token 使用和基础设施需求，这给企业预算带来了压力，并挑战了传统的 FinOps 模型。诸如将开源模型与闭源顾问相结合等创新旨在降低成本同时保持性能，并且研究正在探索 AI 的经济可行性，一些分析表明需要大量补贴来维持当前定价。