Liquid AI

是什么

Liquid AI 把自己定位为一家「效率优先」的基础模型公司 ^[1]。这一定位的意思是，模型跑起来要花多少代价，从设计开始就被当作前提，而不是事后再优化的事情。公司的公开论述很少围绕云端接口展开，更多在讲如何让模型运行在用户已经拥有的硬件上 ^[1]。

由来

公司称自己是从 MIT CSAIL 分拆出来的，创始人有四位：Ramin Hasani 任首席执行官，Mathias Lechner 任首席技术官，Alexander Amini 任首席科学官，以及 Daniela Rus ^[1]。在技术脉络上，公司把自己的源头追溯到液态神经网络（liquid neural networks）、STAR 和 LFM 系列，并把它们描述为能够提升自身表现的现代循环（recurrent）系统 ^[1]。所谓循环系统，是指模型一步步读入输入，同时把内部状态带到下一步，而不是把每次输入都当成互不相关的新东西。

主张

公司的公开论点是「智能必须无处不在」，而只靠云端提供服务，在成本、功耗和延迟上都难以成立 ^[1]。它给出的规模依据是设备出货量：每年出厂的手机、PC、可穿戴设备和汽车中，有近 22 亿台设备具备承载基础模型的能力，这还没有算上机器人和各类机器 ^[1]。由于 CPU、GPU 和 NPU 在内存、电池和延迟上的限制各不相同，公司认为基础模型必须与硬件协同设计 ^[1]。

LFM3 系列

2026 年 10 月 21 日，Liquid AI 发布了 LFM3-Omni-2B，这是 LFM3 系列中第一个全模态（omni-modal）模型 ^[2]。全模态的意思是同一个模型接受多种输入而非单一输入：它接收文本、图像、视频和 16 kHz 音频，输出文本或 24 kHz 语音 ^[2]。模型有 21.7 亿参数，支持 23 种语言，采用自定义的 LFM 1.0 许可证，而不是 OSI 许可证 ^[2]。2026 年 10 月 27 日，面向 MLX 和 GGUF 运行时的量化（quantised）版本上线，同时上线的还有纯音频版本；量化是指用更低的数值精度换取更小的体积和更少的内存占用 ^[3]。

在发展中的位置

这次发布有两个细节能说明公司的位置。第一个是规模：21.7 亿参数的模型小到可以进入本地部署的候选范围，而这正是公司反复指向的方向 ^[1][2]。第二个是许可：LFM 1.0 是自定义许可证而不是 OSI 许可证，别人可以怎样复用这个模型，条件由公司自己设定，而不是由某个标准开源许可证决定 ^[2]。发布节奏也遵循同样的逻辑：先是基础权重，一周之内又补上了面向常见本地运行时的量化版本和纯音频版本 ^[2][3]。把这些放在一起看，公司的说法是，一个基础模型可以很小、可以在输入和输出两端都支持多种模态、可以直接以权重文件的形式分发，而最终决定谁能在其上继续开发的，是许可证，不是架构。