Liquid Foundation Models
PulseAugur coverage of Liquid Foundation Models — every cluster mentioning Liquid Foundation Models across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
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…
-
Liquid Ai 发布 LFM3 多模态模型以实现专业智能 · 跟踪 4 个来源
Liquid Foundation Models 发布了 LFM3，这是一个专为专业智能设计的新型多模态模型系列。LFM3 基于混合架构构建，并在 22T 个 token 上进行了训练，与 LFM2 相比，它提供了更高的表达能力和效率。这些模型是开放权重的，可用于在包括手机、笔记本电脑和云 CPU 在内的各种设备上进行本地微调和部署，其上下文窗口可扩展至 256K 个 token。
-
Liquid AI 发布 RIPL 引擎，实现亚 50 毫秒 LFM 推理
Liquid AI 推出了 RIPL，这是一款新的实时推理引擎，旨在以极低的延迟服务其 Liquid Foundation Models (LFMs)。该引擎旨在使生成模型能够用于以前因速度限制而需要经典模型的应用程序，例如欺诈检测和支付授权。基准测试表明，与 vLLM 等现有解决方案相比，RIPL 在运行 LFM2.5 等模型时可以实现显著更低的 p95 延迟，某些配置的改进高达 28.4 倍。
-
新的多模态模型和研究推动了人工智能在边缘、推理和生成方面的能力
几篇研究论文和一个新模型发布，专注于推进多模态人工智能能力。Liquid Foundation Models 发布了开源的 d1-3B 模型，该模型针对边缘设备进行了优化，能够处理文本和图像，并具有快速的推理时间。同时，新的研究探索了在嘈杂监督下改进多模态学习（REFINE）、对直观视觉推理进行基准测试（Humanity's Sixth Sense）、全模态嵌入的结构化专业化（Syn-Omni）、通过张量建模学习多模态协同作用（HRI…
-
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。