Liquid Ai
PulseAugur coverage of Liquid Ai — every cluster mentioning Liquid Ai across labs, papers, and developer communities, ranked by signal.
- instance of LFM2.5-2.6B 95%
- developed LFM2.5-2.6B 95%
- developed LFM2.5-230M 95%
- instance of LFM2.5-230M 95%
- instance of LFM2.5-VL-3B 95%
- developed LFM2.5-8B-A1B 95%
- instance of LFM2.5-8B-A1B 95%
- developed LFM2.5 95%
- developed LFM2.5-VL-3B 95%
- instance of LiquidAI 90%
- competes with Qwen3.5 4B 70%
- instance of LFM2.5 70%
- 2026-08-22 product_launch Liquid AI is reportedly developing a new 100 billion parameter model. 来源
- 2026-08-20 product_launch Liquid AI released DSpark draft models for its LFM2.5 family, offering up to 3.18x faster decoding speeds. 来源
- 2026-08-20 product_launch Liquid AI released DSpark draft models for its LFM2.5 series, enhancing decoding speed. 来源
- 2026-07-29 product_launch Liquid AI released LFM2.5-Encoders, a model for fast long-text analysis on CPUs. 来源
- 2026-07-29 product_launch Liquid AI released two new open-weight bidirectional encoder models, LFM2.5-Encoder-230M and LFM2.5-Encoder-350M. 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
- 2026-06-19 product_launch Liquid AI released two new retrieval models for multilingual search. 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
11 天有情绪数据
Liquid AI's LFM2.5-2.6B model to see widespread adoption in on-device agent applications within 6 months
The release of LFM2.5-2.6B, with its strong emphasis on agentic capabilities, compact size, and ability to run on-device with a large context window, positions it well for use in applications requiring local AI processing. The partnership with MacPaw for macOS integration further suggests a strategic push towards broader adoption in consumer devices. We expect to see this model integrated into various agentic applications targeting mobile and desktop within the next six months.
Liquid AI to release a fine-tuned version of LFM2.5-2.6B optimized for coding tasks within 3 months
While current reports indicate LFM2.5-2.6B is not recommended for complex coding, its compact size and agentic focus make it a strong candidate for specialized fine-tuning. Given the general demand for capable coding assistants, Liquid AI may prioritize developing a version of this model specifically for code generation or assistance, leveraging its efficient architecture. We hypothesize such a release within the next three months.
Liquid AI's LFM2.5-2.6B model demonstrates strong performance in tool-use and instruction-following benchmarks
Multiple releases highlight that Liquid AI's LFM2.5-2.6B model, despite its small parameter count (2.69B), shows competitive performance against much larger models in specific benchmarks, particularly instruction-following and tool-use. This suggests that Liquid AI is effectively optimizing for agentic workflows and efficient execution on resource-constrained devices.
-
Liquid AI 开源 Pipette 用于设备端 AI 模型基准测试
Liquid AI 已开源 Pipette，这是一个旨在评估设备端 AI 模型性能的新基准测试套件。Pipette 与 Artificial Analysis 合作开发，通过考虑整个部署系统（包括量化、运行时和硬件）来衡量模型，而不是孤立地衡量模型本身。该平台旨在为在边缘设备上部署 AI 的开发人员和公司提供可复现的结果，初始数据集涵盖了 30 多个模型和各种硬件的 1,000 多种配置。
-
据报道 Liquid AI 正在开发新的 100B 参数模型
据报道，Liquid AI 正在开发一款新的 1000 亿参数模型，该模型将建立在其现有的快速 LLM 和 SLM 架构之上。该公司以其高效的模型设计而闻名，预计即将推出的更大模型将在性能和实用性方面展示出显著的进步。
-
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 LFM2.5 模型的 QAD 检查点，提升边缘性能
Liquid AI 发布了其 LFM2.5 模型的新检查点，利用量化感知蒸馏 (QAD) 来提高性能。这些 QAD Q4_0 检查点在保持标准 Q4_0 GGUF 低内存占用和高吞吐量的同时，恢复了量化过程中约 97% 的精度损失。基准测试表明，这些新检查点在各种边缘硬件上具有改进的解码吞吐量，其质量可与 Q5_K_M 和 Unsloth 的 UD-Q4_K_XL 等其他量化方法相媲美或超越。
-
Muse Glimmer 30B 和 LFM2.5-VL-3B 增强本地 AI 能力
本周的 AI 摘要重点介绍了本地 AI 使用方面的进步，包括 Muse Glimmer 30B 的发布，该模型针对本地代理进行了优化，并得到了 llama.cpp 的支持。同样值得注意的是小型 VLM LFM2.5-VL-3B，它可以在标准家用硬件上运行，用于 OCR 和 UI 理解等任务。在前沿新闻方面，DeepSeek V4 Pro 已从预览版转为普遍可用，并增强了代理能力，但其定价有所上涨。
-
Liquid AI 发布紧凑型 LFM2.5-VL-3B 视觉模型以实现本地处理
Liquid AI 发布了一款名为 LFM2.5-VL-3B 的紧凑型视觉模型，该模型拥有 31 亿参数。该模型在 Apple M5 Max 处理器上实现了每秒 228 个 token 的处理速度。这一发展标志着在本地分析界面和文档方面取得了突破，无需进行云处理。
-
Liquid AI 发布 LFM2.5-VL-3B，一款兼容智能手机的视觉语言模型
Liquid AI 发布了 LFM2.5-VL-3B，这是一款专为在智能手机上运行而设计的轻量级视觉语言模型。该开源模型拥有 31 亿个参数，内存使用量低于 3.3GB，支持 OCR、UI 识别以及包括日语在内的多种语言。基准测试显示，LFM2.5-VL-3B 在包括移动设备在内的各种处理器上，其性能优于 Gemma-4-E4B-it 和 Qwen3.5-4B 等大型模型，在 Galaxy S26 Ultra 上的解码速度达到 20 …
-
新型视觉模型 LFM2.5-VL-3B 在 iPhone 上运行，识别出 Minecraft 角色
Liquid AI 发布了 LFM2.5-VL-3B，这是一个拥有 31 亿参数的视觉模型，可以在移动设备上运行。在演示中，该模型在 iPhone 17 上经过约两分钟的处理时间后，成功识别出了 Minecraft 中的玩具 Steve 并提供了详细描述。与前代模型相比，新版本在物体定位方面有了显著改进，能够准确描述物体的部分特征，而不仅仅是命名。
-
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。
-
Liquid AI 发布包含 LFM 和 LEAP SDK 教程的 cookbook
Liquid AI 发布了一个名为“cookbook”的新 GitHub 存储库。该存储库包含使用其 Liquid AI Foundational Models (LFM) 和 LEAP SDK 构建的示例、端到端教程和应用程序。该项目旨在为开发人员提供利用 Liquid AI 技术的实用资源。
-
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。
-
MacPaw 与 Liquid AI 合作，在 Mac 上实现设备端 AI
MacPaw 与 Liquid AI 达成合作，共同为 macOS 开发设备端 AI 功能。此次合作将整合 Liquid AI 的基础模型与 MacPaw 的 Elix 和 Mnemos 技术，以创建本地 AI 架构。目标是实现优先考虑用户隐私、提供更快响应速度并能离线运行的 AI 应用。MacPaw 的 AI 助手 Eney 将是首个采用此新堆栈的产品，并计划最终通过 Setapp 平台将该技术提供给其他 macOS 开发者。
-
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。
-
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。
-
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。
-
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。