Liquid AI 公司於2025年7月發佈第二代 Liquid Foundation Models（LFM2），採用創新的“liquid”架構，旨在成爲市場上最快的設備端基礎模型。其高效的訓練和推理能力使小模型能媲美雲端大型語言模型。LFM2 最初提供350M、700M 和1.2B 參數的密集檢查點版本。
Liquid AI推出LFM2-8B-A1B模型，採用稀疏激活MoE架構，總參數量8.3B但每token僅激活1.5B參數。該設計在保持高表示能力的同時顯著降低計算負載，突破“小規模MoE低效”認知，專爲資源受限的邊緣設備優化，支持實時交互場景。
LiquidAI推出輕量級AI模型系列Liquid Nanos，專爲樹莓派等邊緣計算設備設計。該系列提供350M和1.2B兩種參數版本，支持翻譯、信息抽取、RAG、工具調用和數學推理五大應用場景，滿足低功耗高性能需求，爲開發者提供多樣化邊緣AI解決方案。
Liquid AI發佈LFM2-VL系列視覺語言基礎模型，推動多模態AI向輕量化、快速化和設備端部署發展。該系列包含450M和1.6B兩款輕量級模型，前者適用於資源受限環境，後者支持單GPU部署。模型基於LFM2架構，整合了視覺與語言處理能力。
Anthropic
$105
輸入tokens/百萬
$525
輸出tokens/百萬
200
上下文長度
Google
$0.7
$2.8
1k
$7
$35
$2.1
$17.5
$21
Alibaba
$6
$24
256
Baidu
-
128
Bytedance
$1.2
$3.6
4
$2
$3.9
$15.2
64
$0.8
$0.15
$1.5
32
Deepseek
$4
$12
Tencent
$1
LiquidAI
LFM2-VL-3B是Liquid AI開發的多模態視覺語言模型，基於LFM2骨幹架構構建，具備強大的視覺理解和推理能力，特別在細粒度感知任務上表現出色。該模型能夠高效處理文本和圖像輸入，支持高達512×512分辨率的原生圖像處理。
Mungert
LFM2是由Liquid AI開發的新一代混合模型，專為邊緣AI和設備端部署而設計，在質量、速度和內存效率方面樹立了新標準。該模型採用創新的混合Liquid架構，具有乘法門和短卷積，支持多語言處理。
LFM2是由Liquid AI開發的新一代混合模型，專為邊緣AI和設備端部署設計。該模型在質量、速度和內存效率方面樹立了新標準，特別適合在資源受限的環境中運行。
LFM2-Audio-1.5B是Liquid AI推出的首個端到端音頻基礎模型，專為低延遲和即時對話設計。該模型僅15億參數，能夠實現無縫的對話交互，其能力可與參數規模大得多的模型相媲美。
kurakurai
Luth-LFM2-700M 是基於 Liquid AI 的 LFM2-700M 模型進行法語微調的版本。該模型在 Luth-SFT 數據集上訓練，顯著提升了法語指令遵循、數學和常識推理能力，同時保持了原有的英語能力。
Luth-LFM2-350M 是與 Liquid AI 合作開發的法語優化語言模型，基於 LFM2-350M 在 Luth-SFT 數據集上進行法語微調。該模型在保持英語能力的同時，顯著提升了法語指令遵循、數學推理和常識問答能力。
LFM2是由Liquid AI開發的新一代混合模型，專為邊緣AI和設備端部署而設計，在質量、速度和內存效率方面樹立了新標準。
LFM2是由Liquid AI開發的新一代混合模型，專為邊緣AI和設備端部署設計，在質量、速度和內存效率方面樹立了新標準。
unsloth
LFM2 是由 Liquid AI 開發的新一代混合模型，專為邊緣 AI 和設備端部署設計，在質量、速度和內存效率方面樹立了新標準。
LFM2-350M是由Liquid AI開發的第二代混合模型，專為邊緣AI和設備端部署設計。該模型在質量、速度和內存效率方面樹立了新標準，具有3.5億參數，支持多種語言，適用於邊緣計算場景。
LFM2-700M 是由 Liquid AI 開發的新一代混合模型，專為邊緣 AI 和設備端部署設計，在質量、速度和內存效率方面樹立了新標準。
LFM2-350M 是由 Liquid AI 開發的混合模型，專為邊緣 AI 和設備端部署設計，具有高效訓練和推理能力。
Liquidsoap MCP服務器為AI助手提供準確的Liquidsoap 2.4.0文檔和代碼生成支持，解決LLM因版本混淆導致的錯誤，確保腳本編寫和問題診斷的可靠性。
%20--%3e%3cdefs%3e%3cstyle%3e%20.st0%20{%20fill:%20%23061b40;%20}%20.st1%20{%20fill:%20%23306af1;%20}%20.st2%20{%20fill:%20%235ce5cf;%20}%20%3c/style%3e%3c/defs%3e%3cg%3e%3cpath%20class='st0'%20d='M55,10.5h9v3h-9v9h12V7.5h-12v3ZM64,19.5h-6v-3h6v3Z'/%3e%3cpolygon%20class='st0'%20points='69%2016.5%2078%2016.5%2078%2019.5%2069%2019.5%2069%2022.5%2081%2022.5%2081%2013.5%2072%2013.5%2072%2010.5%2081%2010.5%2081%207.5%2069%207.5%2069%2016.5'/%3e%3cpolygon%20class='st0'%20points='95%2010.5%2095%207.5%2083%207.5%2083%2022.5%2095%2022.5%2095%2019.5%2086%2019.5%2086%2016.5%2095%2016.5%2095%2013.5%2086%2013.5%2086%2010.5%2095%2010.5'/%3e%3cpath%20class='st0'%20d='M40,1.5v21h11.6l1.4-1.4v-7.6h0c0,0-1.4-1.5-1.4-1.5l1.4-1.4V2.9l-1.4-1.4h-11.6ZM50,19.5h-7v-6h7v6ZM50,10.5h-7v-6h7v6Z'/%3e%3c/g%3e%3cpath%20class='st1'%20d='M23.1,24L14.7,4.8l-4.9,11.2h3.8l-1.8,4H3.3L12.1,0H2C.9,0,0,.9,0,2v20c0,1.1.9,2,2,2h21.1Z'/%3e%3cpath%20class='st2'%20d='M34,0h-16.8l10.6,24h6.2c1.1,0,2-.9,2-2V2C36,.9,35.1,0,34,0ZM32.5,20h-4V4h4v16Z'/%3e%3c/svg%3e)
