Liquid AI LFM3-1.7B 是什么？六个模型共用一个 1.7B 基座的端侧 Agent 家族

快速答案

Liquid 1.7B六模型同源，256K上下文，4-bit约1GB，端侧Agent新选择。

Liquid AI 2026 年 10 月 27 日发布了 LFM3 家族，思路和当月“越大越好”的主旋律正好反着来：不做更大的旗舰模型，而是把文本、视觉、音频、Omni 与决策六个模型全部建在同一个 1.7B 基座（LFM3-1.7B-Base，1.73B 参数）上，目标是让 Agent 直接跑在手机、笔记本与边缘设备上，数据不用出设备。基座 10 月 26 日上线 Hugging Face，权重开源，另有官方 Playground 与 API 入口。先说清楚口径：本文所有基准分数都是厂商自报（preliminary），目前没有第三方复现；许可也不是无条件免费，年收入 1000 万美元以上要另谈。\n\n免责声明：本站与 Liquid AI 无关；本文为产品技术报道与分析，不构成采购、部署或投资建议。分数为厂商自报口径，标注 preliminary；许可与价格信息以官方页面为准，可能变化。

一、是什么：六个模型，一个 1.7B 基座，2 天前刚发布

先把发布结构写对：这次发布的不是单个模型，而是一个家族。Liquid AI 2026 年 10 月 27 日发布的 LFM3 包含六个开源权重模型，全部从同一个 LFM3-1.7B-Base 分支出来——基座本身 10 月 26 日上线 Hugging Face，预训练 22T token，比上一代 LFM2 的约 15T 多出近一半；之后又加了一个 3.5T token 的中训阶段，专门把数据 mix 转向 agentic 轨迹与工具调用，同时把上下文拉到 256K。家族定位很明确：不是云端旗舰的缩小版，而是为“跑在设备上”从头设计的起点——每个模型都能在单张 GPU 上微调，部署目标就是应用落地的那台设备。\n\n公司背景一句话：Liquid AI 是 MIT CSAIL 孵化的公司，2024 年底获得 AMD 领投的 2.5 亿美元融资，此前已开源过 LFM2；这次合作方包括奔驰（车载语音助手，目标 2026 年下半年北美量产）与 Shopify 的预发布测试评估，首日伙伴覆盖 Ambarella、AMD、Arm、Intel（OpenVINO）、NVIDIA、OpenRouter、高通与 Vercel。词龄只有 2 天，不存在过时问题；但要提醒一句：六个模型里只有文本模型是 1.7B，其余几个是 2B 量级，家族统称“2B 级”时不要误读成六个都是 1.7B。

二、三混架构：卷积 + 滑窗注意力 + 全局注意力，为什么能做小

LFM3 的架构叫三混（tri-hybrid）：24 个块里，13 层是门控短卷积，5 层是 256 token 窗口的滑窗注意力，6 层是全局注意力，卷积核为 7，词表 128K。设计意图很直白：卷积层便宜地处理局部模式，滑窗注意力覆盖中等距离依赖，全局注意力只留 6 层处理真正需要全篇的信息——把最贵的全局注意力用量压到四分之一，模型才能在 1.7B 的体量下塞进 256K 上下文。文本模型支持 16 种语言；但有个覆盖细节值得注意：按一家欧洲媒体的核查，16 种里只有 7 种是欧盟官方语言，做欧洲市场前先对一下自己的语言清单。\n\n体积与格式是这篇最实在的部分：文本模型 4-bit 下约 1GB（BF16 文件 3.46GB），格式覆盖 BF16、FP8、NVFP4（vLLM、SGLang）、GGUF（llama.cpp、Ollama）、MLX（Apple Silicon）与 ONNX，等于主流端侧推理运行时当天就能接。Liquid 称架构搜索跑过 14 种设备与后端组合，包括三星 Galaxy S26 Ultra、OnePlus 15、树莓派 5、Apple M4 Max、AMD Ryzen AI 与高通 Hexagon NPU——“为设备而生”不是口号，是发布时就按设备矩阵调过的。

三、基准成绩：Agent 向提升很大，但全部是厂商自报

最抓眼球的是 WebArena-Verified：LFM3-1.7B 得 38.42，上一代 LFM2.5-2.6B 只有 3.02，厂商口径下提升约 12.7 倍（本站复算：38.42 ÷ 3.02 ≈ 12.7）。其余厂商自报分数：BFCL V4 工具调用 71.39、IFEval 96.66、ToolSandbox 80.36、AA-LCR 52.83、LiveClaw 45.60；参数比上一代 2.6B 少约 35%（按名义值复算约 34.6%）。速度口径同样来自厂商：三设备实测解码比次优模型快 1.8–2.8 倍，单张 NVIDIA B300 日产 3.6B token。\n\n必须标注清楚：以上全部是 Liquid AI 自己的发布材料，没有第三方复现；而且 12.7 倍这个数字里有“上一代基数极低”的成分——3.02 分的起点本身就说明上一代基本不具备 Agent 能力，提升倍数好看，但绝对值 38.42 才是应该和同类模型横向比的数字。等独立评测出现之前，这些分数只能证明“小模型做 Agent 这条路走通了”，不能证明“1.7B 已经追上大模型”。

四、本站算账：1GB 怎么来的，日产 3.6B token 是多快

三组数字都是本站按公开参数直接算的（已复算）。第一，体积账：1.73B 参数 × 4-bit（每个参数 0.5 字节）≈ 0.87GB，和官方“约 1GB”的说法一致——这就是它能进手机的原因：模型本体只占 1GB 量级，剩下的内存预算可以留给上下文与应用。第二，吞吐账：单张 B300 日产 3.6B token，换算成每秒约 4.2 万 token（3.6B ÷ 86,400 秒）——这是厂商在自家条件下的峰值口径，实际落地要看量化档位与 batch 设置，不能直接拿去报 SLA。第三，参数账：从 2.6B 到 1.7B 名义上少约 35%，但上一代基数低，真正值得比的是同体积下的 Agent 分数，而不是“参数少了多少”。\n\n选型上还有两条红线要先讲。第一是许可：LFM Open License v1.0 在年收入 1000 万美元以下免费，超过要另谈——小团队与个人开发者基本不受影响，但做到规模的公司立项前必须先对收入口径。第二是语言：文本模型 16 种语言，欧盟官方语言只覆盖 7 种，非英语市场先查清单，别等到上线才发现缺语种。

五、选型建议：端侧 Agent、隐私场景、单卡微调是三类对口用户

结论分三类人。第一，端侧 Agent 开发者：要在手机、笔记本、边缘盒子上跑能调工具的 Agent，且数据不能出设备——LFM3-1.7B 是目前少有的“256K 上下文 + 工具调用分数 + 1GB 体积”同时成立的开源选项，先从文本模型起手，视觉与音频需求再叠 VL 与 Audio 模型。第二，隐私与离线场景：车载、工业、医疗边缘侧，断网也得跑，d1 系列的类型化决策（一次前向给概率、选项、数值估计）比生成式回答更适合做规则化判定。第三，想自己训专有小模型的团队：单卡可微调、六个模型同源，等于一个基座能长出文本、视觉、音频、决策四条线，比每个模态各找一个模型省事。\n\n不适合的三类也写清楚：要前沿通用对话质量的，直接用大模型 API，别指望 1.7B 越级；语言清单外的市场，先等覆盖；年收入已过 1000 万美元线的公司，先谈许可再立项。评测分（preliminary，基于公开资料，非本站实测）：家族完整度可信度高（六模型分工、格式覆盖、设备矩阵多源一致）；Agent 领先可信度中等（厂商自报、无第三方复现，且 12.7 倍含低基数成分）；端侧可跑性可信度高（体积账本站复算一致，格式与设备清单具体可查）。

六、来源清单与免责声明

来源清单（核实日期 2026-10-29）：\n1）https://www.techtimes.com/articles/329588/20261028/liquid-ai-releases-lfm3-six-open-weight-models-fuse-text-vision-audio-one-2b-backbone.htm —— 六模型同源 1.7B 基座、WebArena-Verified 38.42 对 3.02、3.5T token agentic 中训；\n2）https://aiweekly.co/alerts/liquid-ai-opens-six-model-lfm3-family-at-256k-context —— 22T 预训练、256K 上下文、4-bit 约 1GB、解码快 1.8–2.8 倍、B300 日产 3.6B token、三混架构层数；\n3）https://www.unite.ai/liquid-ai-launches-lfm3-family-of-six-open-weight-2b-class-models/ —— 1.73B 参数、128K 词表、16 种语言、LFM Open License v1.0、首日伙伴；\n4）https://www.i-scoop.eu/liquid-ai-lfm3/ —— 许可 1000 万美元线、欧盟官方语言 7 种、MIT CSAIL 背景与 2.5 亿美元融资、奔驰合作；\n5）https://www.orcarouter.ai/blog/lfm3-1-7b-base-vs-gemma-4-12b —— 基座 2026-10-26 上线、BF16 文件 3.46GB；\n6）https://local-ai-zone.github.io/blog/October_2026_AI_Model_Updates.html —— 六模型分工、格式覆盖（BF16/FP8/NVFP4、GGUF、MLX、ONNX）、d1 类型化决策定义。\n\n免责声明：本站与 Liquid AI 无关；本文为产品技术报道与分析，不构成采购、部署或投资建议。基准分数为厂商自报口径，标注 preliminary，尚未经第三方复现；许可条款以官方许可原文为准，出货前请自行核对。

家族分工：六个模型，一个基座

模型	输入 → 输出	上下文	用途
LFM3-1.7B	文本 → 文本	256K	文本 Agent、工具调用
LFM3-VL-2B	文本+图像+视频 → 文本	128K	读图、读视频、读文档与屏幕
LFM3-Audio-2B	文本/音频 → 文本/语音	32K	语音理解与生成
LFM3-Omni-2B	文本+图像+视频+音频 → 文本/语音	32K	多模态一体 Agent
d1-2B	文本+图像 → 类型化答案	128K	概率、选项、数值估计等校准决策
d1-Omni-2B	文本+图像+音频 → 类型化答案	128K	含音频的类型化决策

WebArena-Verified 得分对比（厂商自报，preliminary）

★ LFM3-1.7B38.42

LFM2.5-2.6B3.02

数据来源：来源：Liquid AI 发布口径（2026-10-29 多源报道一致）；无第三方复现，仅作量级参考

常见问题解答 (FAQ)

六个 LFM3 模型是什么关系？

同一个基座长出来的六个分支。LFM3-1.7B-Base（1.73B 参数，22T token 预训练）是树干，文本、视觉、音频、Omni 与两个决策模型都是它的微调分支；只有文本模型是 1.7B，其余是 2B 量级，家族统称“2B 级”时不要误读。

1GB 这个体积是怎么算出来的？

1.73B 参数 × 4-bit（每个参数 0.5 字节）≈ 0.87GB，和官方“约 1GB”的说法一致；BF16 原始文件是 3.46GB。4-bit 量化是它能进手机的前提，代价是精度损失，上线前要在自己的任务上实测量化后的表现。

LFM3 可以免费商用吗？

有条件免费。LFM Open License v1.0 在年收入 1000 万美元以下免费，超过要另谈；小团队与个人开发者基本不受影响，但做到规模的公司立项前必须先对收入口径，以官方许可原文为准。

38.42 对 3.02 的 12.7 倍可信吗？

倍数本身算对了（38.42 ÷ 3.02 ≈ 12.7），但要看基数：上一代 3.02 分基本等于没有 Agent 能力，所以倍数好看，绝对值 38.42 才是横向比较的依据。而且全部是厂商自报，标注 preliminary，没有第三方复现，不能直接当成实测结论。