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-VL-3B 95%
- instance of LFM2.5-VL-3B 95%
- instance of LFM2.5-230M 95%
- developed LFM2.5-230M 95%
- developed LFM2.5-8B-A1B 95%
- instance of LFM2.5-8B-A1B 95%
- developed LFM2.5 95%
- developed LFM2.5-2.6B 90%
- instance of LiquidAI 90%
- developed LFM Open License v1.0 90%
- used by LFM2.5-2.6B 70%
- 2026-10-08 product_launch Liquid AI released the open-source decision-making models d1-3B and d1-omni-600M. 来源
- 2026-10-07 product_launch Liquid AI released the open-weight multimodal decision models d1-3B and d1-omni-600M. 来源
- 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 series, enhancing decoding speed. 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
- 2026-07-29 product_launch Liquid AI released two new open-weight bidirectional encoder models, LFM2.5-Encoder-230M and LFM2.5-Encoder-350M. 来源
- 2026-07-29 product_launch Liquid AI released LFM2.5-Encoders, a model for fast long-text analysis on CPUs. 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
5 天有情绪数据
Liquid AI's d1 models to see rapid adoption for structured decision tasks
Liquid AI's recent releases of d1-3B and d1-omni-600M, specifically designed for structured decision-making with calibrated probabilities and zero output tokens, suggest a strong market fit. Their focus on efficiency, predictable latency, and cost-effectiveness compared to general LLMs positions them well for tasks like classification, routing, and scoring, which are common in enterprise applications. Early user reports on consumer hardware performance further support the potential for widespread adoption.
Liquid AI's open-source strategy is driving performance and accessibility
The release of d1-3B and d1-omni-600M as open-source models on Hugging Face, with support for local deployment via llama.cpp, indicates a strategic push towards accessibility and community engagement. This aligns with the broader trend of open-weight models gaining traction, as evidenced by the success of models like Darwin-180B-RSI. Making these specialized decision models readily available lowers the barrier to entry for developers and businesses seeking efficient decision-making solutions.
Liquid AI to release enterprise-focused solutions leveraging d1 models
Given Liquid AI's emphasis on predictable latency, cost-effectiveness, and calibrated probabilities for structured decisions, it's plausible they will soon offer enterprise-grade solutions or APIs built around their d1 model family. This would cater to businesses looking to integrate reliable, efficient decision-making capabilities into their workflows without the overhead of general-purpose LLMs. The optimization for NVIDIA hardware also hints at a potential focus on scalable enterprise deployments.
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 发布开源决策模型 d1-3B 和 d1-omni-600M
Liquid AI 发布了两款新的开源决策模型 d1-3B 和 d1-omni-600M，用户可以下载并在本地运行。d1-3B 模型基于 LFM2.5-VL-3B，可处理文本和图像输入；d1-omni-600M 模型基于 LFM2.5-Encoder-350M，支持文本、图像和音频输入。这些模型旨在执行诸如带有置信度分数选择合适选项等任务，并且与传统的 LLM 和 OpenAI 的 Decisions API 相比，它们在速度和成本效…
-
Liquid AI 发布开源多模态决策模型 d1-3B 和 d1-omni-600M
Liquid AI 发布了两款开源多模态决策模型 d1-3B 和 d1-omni-600M，它们旨在进行实时决策而非文本生成。d1-3B 模型处理文本和图像，而 d1-omni-600M 则处理文本以及图像或音频，在单次前向传播中以零输出令牌返回校准后的答案。这些模型针对 NVIDIA 硬件（包括服务器、工作站和边缘设备）的部署进行了优化，并可在 Hugging Face 上获取，支持 llama.cpp。
-
部署小型AI模型：精度、适配器和硬件检查
部署小型AI模型需要仔细考虑精度、适配器方法和硬件。量化可以减小模型尺寸并加快推理速度，但将比特宽度推得太低可能会导致跨任务的准确性不均匀下降。Intercom的Fergal Reid指出，对于复杂任务，已从LoRA等参数高效方法转向使用强化学习进行全监督微调，强调了对健壮基础设施的需求。Liquid AI的Maxime Labonne强调了在目标硬件（如三星手机）上衡量性能的重要性，以确保理论速度能够转化为设备上模型的实际应用。
-
开放180B模型Darwin-180B-RSI引领10项Hugging Face基准测试
一个名为Darwin-180B-RSI的开放权重模型在10个Hugging Face官方排行榜上名列前茅，超越了所有其他参与组织。该模型由VIDRAFT基于Alibaba的Qwen3.8-Flash-Next构建，不仅在MMLU-Pro和GPQA等学术基准测试中表现出色，还在文档解析(MDPBench)、结构化数据输出(IFStruct)和PDF字段提取(ExtractBench)等实际的企业级任务中展现出强大性能。该模型的训练方法，…
-
Bidraft 在 Hugging Face 基准测试中以 10 项第一名领先
Bidraft 在 Hugging Face 官方排行榜的 10 个类别中均获得第一名，数量超过任何其他组织。该公司的模型在新发布的“实用”基准测试 IFStruct 和 ExtractBench 中也表现出色，在结构化数据生成和文档信息提取方面展现出强大性能。Bidraft 新推出的 ZTC（Zero-Token Confidence，无 token 置信度）技术提供了一种显著更快、更安全的人工智能代理决策方法，直接在模型的内部状态…
-
Darwin-180B-RSI凭借递归自改进在9项Hugging Face基准测试中领先
VIDRAFT的Darwin-180B-RSI模型家族在9项官方Hugging Face基准测试中均取得第一名，超越了所有其他参与组织。该开源模型采用了递归自改进技术，即它解决可验证的问题，只保留正确的解决方案，并在没有人类生成答案的情况下进行再训练。值得注意的是，它在结构化输出生成（IFStruct）和从PDF提取数据（ExtractBench）等实际任务中表现出色，展示了其在现实世界中的应用潜力。
-
Liquid AI 发布 d1 决策模型，用于结构化选择
Liquid AI 推出了 d1，这是一款专门的决策模型，旨在用于结构化选择而非文本生成。该模型在一次 API 调用中返回预定义结果集的校准概率，且零输出令牌，使其在分类、路由和评分等任务中效率很高。与通用 LLM 不同，d1 提供可预测的延迟，避免了模式错误，并通过校准概率提供可用的不确定性，旨在降低特定决策过程的成本并提高一致性。
-
Arm Holdings 推出面向物理 AI 的 Total Design 及机器人框架
Arm Holdings 推出了 Arm Total Design for Physical AI，这是一项旨在为机器人、农业和交通等物理行业标准化开发的新计划。该计划汇集了 80 多家合作伙伴，通过为 AI 模型、软件和硬件建立通用标准来解决工程碎片化问题。Arm 还推出了一套受自动驾驶 SAE 等级启发的机器人能力框架（Robotics Capability Framework），用于对机器人系统能力进行分类和比较，从而简化自动化…
-
《时代》杂志AI百强榜聚焦AI发展关键人物
《时代》杂志发布了其“AI 100”榜单，表彰了在人工智能革命中具有影响力的个人。榜单上的人物包括麻省理工学院计算机科学与人工智能实验室（CSAIL）的Daniela Rus，她因在Liquid AI项目上的工作而受到认可，该项目专注于高效、可部署在边缘的语言模型。此外，主要AI公司的领导者也榜上有名：OpenAI的Sam Altman、Mark Chen和Greg Brockman；Elon Musk；以及Anthropic的Dar…
-
AI研究在推理、优化和移动基准测试方面取得进展
研究人员正在探索用于改进AI推理和统计分析的高级技术，特别是在资源受限的环境中。一篇论文介绍了IMABO，一个在线超参数优化（OHPO）框架，可在实时推理过程中调整配置，并以LLM代理进行了演示。另一项研究侧重于由预测驱动的条件推理，利用机器学习预测器来提高低数据场景下的统计准确性。第三篇论文提出了一种合成增强推理方法，学习一个尺寸-权重前沿，以确保在使用合成数据时获得可靠的结果。此外，一项基准测试工作评估了手机上的小型AI模型，同时…
-
Fish Audio 实现 2100 万美元营收；Liquid AI 发布新的基准测试工具
Fish Audio 最初是一个 GitHub 上的业余项目，但已迅速发展成为一项盈利业务，一年内创造了 2100 万美元的年收入。与此同时，Liquid AI 发布了一个名为 Pipette 的开源工具。该工具旨在为 AI 模型提供更真实的性能基准测试，将 NVIDIA H100 服务器等高端系统的能力与智能手机硬件的实际限制进行对比。
-
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。