Liquid AI发布LFM3模型家族：2B级六款模型覆盖文本视觉音频

知名AI创新企业Liquid AI近日正式推出新一代基础模型家族LFM3。首个版本包含六款参数规模在2B左右的模型，覆盖文本、视觉、音频、全模态（omni）及决策等多个维度，全部基于LFM3-1.7B-Base基础架构，预训练阶段吞吐的Token数据高达22T。

LFM3用了一套全新的三混合层结构（Tri-hybrid layer mix），把门控短卷积、滑动窗口注意力机制(SWA)和全局注意力融合到一起，算是一个突破性的架构设计，参数更少、效率更高。24层结构里，13层是卷积，5层是滑动窗口注意力，6层是全局注意力。

和上一代产品比，LFM3在架构层面做了全面重构，硬件适配测试范围也大幅扩展，覆盖手机、树莓派、笔记本以及各种云端CPU、GPU和高通NPU等14种设备与后端组合。测试结果显示，靠这套新设计，LFM3-1.7B在短提示词上与前代保持一致，处理8K上下文时速度提升了约25%。文本模型在4比特量化下体积仅约1GB，端侧部署的门槛因此降低了不少。

首发六款2B级模型各有侧重，分别对应不同应用场景，覆盖了多模态与决策的完整矩阵。

文本模型（LFM3-1.7B）上下文窗口高达25K，针对智能体(Agent)工作流做了深度后训练。多项基准测试中，它的指令遵循和函数调用能力表现亮眼，单卡就能流畅运行，还能支撑海量后台智能体协同。

视觉模型（LFM3-VL-2B）第一次引入视频输入能力，支持分步深度思考、空间视觉推理及图形界面理解。搭配全新的自研视觉编码器，计算效率较上一代大幅提升。

音频模型 LFM3-Audio-2B 用的是完全因果架构，能识别 18 种语言的语音，也能做多语言合成、音频理解和实时语音聊天，首字延迟最低 50 毫秒。

全模态模型（LFM3-Omni-2B）首次把视觉、音频与语言融合在单一模型中，支持语音问答、视听视频理解以及跨模态工具调用，人机交互体验更自然。

决策模型（d1-2B 与 d1-Omni-2B）专门用来实现毫秒级快速决策，面对复杂文本、图片或音频输入可直接输出精准的结构化决策结果，省去繁琐的云端交互。

除了通用能力，LFM3家族从设计之初就强调“专用智能”与易微调特性，垂直领域和端侧机器人都是它的用武之地。开发者只用单张GPU就能低成本微调模型，把它用到风力发电机叶片缺陷检测等垂直工业领域。通过LoRA适配和端到端训练，LFM3-VL-2B还能切入机器人操作、视觉导航以及多模态具身智能控制，在Jetson等边缘硬件上实现高效的实时推理。

LFM3系列模型的开源权重目前已正式上线，AMD、高通、英伟达、苹果MLX以及各大主流开发框架和平台均在首日提供了支持。