2026.10.29 · 行业

Liquid AI 开源六个 2B 模型，文本版 1GB，能塞进手机

10 月 27 日，Liquid AI 开源 LFM3：六个 2B 级模型共用同一套骨干，文本版量化到 4bit 后大约 1GB，微调一张卡就够。

这一批包括文本、视觉、音频、omni，外加两个从视觉和 omni 分出来的决策模型，全部从同一个 LFM3-1.7B 基础模型长出来。官方的说法是参数比上一代 LFM2.5-2.6B 少 35%，能力反而更强，文本模型带 256K 上下文。

同一天苹果发布 14 英寸 MacBook Pro（M6）：$1,999 起，16GB 内存起步、最高 32GB，带宽 170GB/s，官方称 AI 负载比 M5 快 25%。两件事叠在一起看，本地 AI 的瓶颈已经不是「模型太大」。

参数量

1.7B（共用骨干）

文本模型体积

约 1GB（4bit）

上下文

256K tokens

预训练

22T tokens

1.7B 的参数，干的是跑腿活

Liquid 把训练重点压在 agent 场景上，成绩也确实动了一截：LiveClaw 上 LFM3-1.7B 拿到 45.60，上一代 LFM2.5-2.6B 只有 14.70；SWE-bench Verified 43.40，比 Qwen3.5-4B 的 41.20 高一点；Claw-Eval 的 pass^3 是 51.40，在这个尺寸里排第一。参数砍掉三成多，干活能力追上来，这是它最实在的部分。

反过来看知识题，它就不行了。GPQA Diamond 63.37，Qwen3.5-9B 是 80.40；AA-Omniscience 准确率只有 7.07%。所以它不是拿来问答的，是拿来调工具、跑流程、盯屏幕的。挑模型的时候这两类分数别混着看，混着看必踩坑。

企业买的不是便宜，是数据不用出门

官方给了个具体的例子：拿约 3000 张公开的风机叶片照片微调 LFM3-VL-2B，一张 A100 跑几个小时，缺陷分类准确率做到 67%；没微调之前，它和 GPT-6 Luna 都不到 10%。检测 F1 从 0.003 提到 0.11。

这个数字谈不上漂亮，但方向很清楚：通才模型分不清叶片上那道痕是雷击还是运输磕碰，几千张自己拍的照片就能教会一个小模型。照片不出厂区，模型跑在现场的机器上。采购的人算的是这笔账——不是每百万 token 多少钱，而是这件事能不能合规地做。

官方还有一句：token 免费，几十个 agent 可以在后台一直跑。听着夸张，落到成本上就是一台机器 24 小时开机，边际成本接近零。和按调用量付费的 API 比，这是两种完全不同的预算结构。

模型小了，内存还是硬的

1GB 的文本模型塞进手机没问题，官方的架构搜索覆盖了 14 种设备和后端组合，包括 Galaxy S26 Ultra、一加 15、树莓派 5、M4 Max 笔记本、AMD Ryzen AI 和骁龙 Hexagon NPU。麻烦在另一头：agent 从来不是「跑一个模型」就完事。

256K 上下文、几个 agent 并行、视觉和音频模型同时在线，内存会一层层叠上去。M6 这代 MacBook Pro 起步 16GB、最高 32GB。真想拿它当本地 agent 的主机，32GB 是下限，不是上限。

横向比一下更清楚：64GB 内存的 DGX Spark 现在 $4,999。一台能跑 agent 的笔记本和一台小盒子之间，差的钱基本就是内存和带宽。模型侧今年省下来的体积，硬件侧一分没让。

什么时候可以买

如果你的活是固定的几类——读合同、查库存、看监控画面、整理邮件——2B 级模型微调一下就够用，比调 API 便宜，数据也不出门。这类需求今年确实可以落地了。

如果是开放式研究、写代码、需要判断力的事，还得用大模型。LFM3 的定位是专才，硬当通才使，出错的方式会很难查：它不会告诉你「我不确定」，它会给你一个语法正确、事实错误的答案。

真正的门槛不在显卡，在数据。你有没有几千条标好的样本，能不能跟标注的人说清楚「什么算对」。没有这批数据，小模型只是一个更慢的聊天框。

这一周的两条新闻说的是同一件事：模型侧已经把体积压到 1GB，硬件侧还从 16GB 起步。中间差的那十几 GB，就是今年本地 AI 的生意。

来源：Liquid AI：Introducing LFM3 · Hugging Face：LFM3 权重 · Apple Newsroom：14 英寸 MacBook Pro with M6

继续读