专题 · FULL STORY

Liquid AI LFM2.5：从端侧发布到多模态拓展

Liquid AI发布26亿参数开源模型LFM2.5，凭借极高推理速度在端侧跑通研究Agent。随后官方又推出视觉语言模型LFM2.5-VL-3B，持续完善轻量级端侧多模态生态。

2026-08-04 ~ 2026-08-13 · 5 集 · 37 条

第 1 集 · Liquid AI发布2.6B端侧智能体模型LFM2.5(2026-08-04,18 条)

Liquid AI 发布了全新的端侧智能体模型 LFM2.5-2.6B，参数量仅 2.69B，却能在手机、笔记本和机器人等设备上完全本地运行，实现多步规划、工具调用和推理任务，确保数据不离开设备且单次运行边际成本几乎为零。官方数据显示其手机端运行速度可达 30 tok/s，跑分超越多款大参数模型，发布后迅速登顶 Hugging Face 趋势榜。开发者 @nicodotdev 已基于该模型在浏览器中构建了一个全自主研究 Agent，验证了小参数模型在端侧实现复杂 Agent 任务的可行性。该模型为移动端和离线场景的 AI 应用提供了高性价比方案。

已确认

  • 模型规格：参数量 2.69B，预训练数据量 34T tokens，支持 128K 上下文长度。首发即兼容 llama.cpp 与 GGUF 格式，其中 MLX 版本专为 Apple Silicon 等边缘设备优化，支持文本生成，并具备中、英、法、德及阿拉伯语等多语言能力。
  • 核心优势：采用稠密混合架构，主打完全本地化的多步任务规划与工具调用，实现数据不出端且单次运行边际成本几乎为零，适合简单高吞吐任务。据 @BTALabs 提供的官方数据，该模型在手机端的运行速度可达 30 tok/s。
  • 跑分表现：跑分成绩超越了多款大参数模型，发布后迅速登顶 Hugging Face 趋势榜。

为什么重要

  • 端侧智能体潜力：开发者 @nicodotdev 基于该模型构建了一个完全在浏览器中运行的研究 Agent，能够自主制定计划、调用工具、检查结果并循环执行直到任务完成，验证了小参数模型在端侧实现复杂 Agent 任务的可行性。
  • 降低部署门槛：该模型将强大的工具调用能力下沉至边缘设备，为移动端和离线场景下的 AI 应用提供了极具性价比的解决方案。

第 2 集 · 2.6B小模型浏览器内跑通研究Agent，开源可体验(2026-08-04,5 条)

开发者 nicodotdev 基于 Liquid AI 最新发布的 LFM2.5-2.6B 模型，构建了一个完全在浏览器本地运行的研究 Agent，项目已开源并提供在线体验。该 Agent 展现了强大的自主工作流，证明了 2.6B 参数的小模型在边缘设备上同样能胜任复杂的多步智能体任务，而不仅限于文本自动补全。

已确认

  • 核心模型：项目基于 Liquid AI 的 LFM2.5-2.6B 模型构建，完全在浏览器本地端侧运行。
  • 工作流机制：Agent 接收问题后会自主制定计划、调用工具、检查结果并循环执行直到任务完成。
  • 高级智能体能力：该 Agent 能够主动提出澄清问题、获取本地上下文，并能将研究任务委派给一个隔离的 Wikipedia 子代理来收集来源。
  • 最终产出：计划完成后，Agent 会综合收集到的证据，生成带有引用的答案以及可供下载的研究报告。

为什么重要

  • 突破小模型能力边界：作者 nicodotdev 强调，此举证明了 2.6B 参数量的小模型已经具备足够的规划、推理和工具使用能力，端侧智能体的实际应用落地正在成为现实。

第 3 集 · Liquid AI 2.6B模型端侧实测：工具调用追平DeepSeek且快3.7倍(2026-08-06,3 条)

Liquid AI发布的LFM2.5-2.6B（26亿参数稠密模型）在端侧实测中表现亮眼：在M5 Pro上以Q8量化跑出约90 tokens/s的速度，在4张RTX 5090环境下工具调用能力追平DeepSeek-V4，且速度快3.7倍，展示了端侧模型的强大潜力。

第 4 集 · Liquid AI发布26亿参数开源端侧模型LFM 2.5(2026-08-09,4 条)

Liquid AI 正式发布了拥有 26 亿参数的开源端侧 Agent 模型 LFM 2.5。该模型以其独特且优雅的架构设计为核心，主打端侧部署，能够完全在本地小型设备上独立运行而无需依赖云端。这进一步拓展了开源大模型在本地智能化应用场景中的潜力。

第 5 集 · LiquidAI 发布端侧多模态模型 LFM2.5-VL-3B(2026-08-12,7 条)

LiquidAI 正式发布了轻量级视觉语言模型 LFM2.5-VL-3B，专为边缘计算和端侧设备设计。该模型在多项基准测试中跑分超越多款达到其 2.6 倍体积的竞品，展现了极高的端侧部署效率与多模态处理能力，降低了硬件门槛。

已确认

  • 要点：模型总参数量为 3B，以 2.6B 参数的 LFM2.5 语言模型为骨干，结合了 SigLIP2 400M 视觉编码器（帖子中亦称为 SigLIP2 NaFlex）。
  • 要点：预训练数据量约为 34T tokens，支持图像到文本的生成与对话功能。
  • 要点：模型主打跨平台（移动端、网页、桌面）能力，在屏幕理解、文本与图表读取（OCR）、物理世界信息读取、目标定位（grounding）以及快速指令执行和工具调用方面表现大幅提升。
  • 要点：在多项基准测试中，该模型的跑分超越了达到其 2.6 倍体积的竞品。

为什么重要

  • 要点：该模型在轻量级参数限制下实现了越级的多模态性能，为移动端和边缘设备提供了高效的多模态交互解决方案。