LFM3-Omni-2B（Liquid AI 端侧全模态模型）

一个模型处理四种模态

LFM3-Omni-2B 是 Liquid AI 在 LFM3 系列里推出的第一个全模态（omni-modal）模型^[1]。它用同一套权重接收文本、图像、视频和音频，并以文字或语音作答^[1]。模型总参数量为 21.7 亿，权重于 2026 年 10 月 21 日上传到 Hugging Face^[1]。

这次发布强调的是「合并」。Liquid AI 把它定位成端侧的一体化替代方案：原本需要分别部署的语音识别、视觉语言、语言模型和语音合成模型，由它一个顶上^[1]。在传统做法里，这几件事各自由一个独立网络完成，各有各的权重、预处理流程和延迟；这里是同一个模型全包。

结构

模型由四部分搭起来：LFM3 主干、LFM3 视觉编码器、因果音频编码器（causal audio encoder）和 LiquidCodec 音频分词器（tokenizer）^[1]。因果音频编码器负责处理输入的音频，LiquidCodec 则把模型产出的音频变成语音，生成采样率为 24 kHz^[1]。

上下文窗口为 32K token，输入和输出共用这一额度，词表大小为 128,000 token^[1]。图像和视频按原始分辨率读入，不做裁剪，也不缩放到固定尺寸，每个 2×2 的图块（patch）块被压缩成一个 token，进入语言模型的序列^[1]。把四块图块并成一个 token，正是高分辨率画面不至于迅速占满 32K 预算的原因。视频按每秒 2 帧采样，默认取 4 到 384 帧^[1]。如果视频带声音，模型会同时看画面和听声音^[1]，录音里的说话、音乐和环境噪声与画面帧一起进入同一次计算。

语言与许可

模型支持 23 种语言，包括阿拉伯语、中文、日语、韩语和印地语^[1]。它采用自定义的 LFM 1.0 许可，而不是 OSI 认可的开源许可^[1]——在它之上做东西之前，这一点值得先看清楚，因为自定义许可可以附带标准开源许可里没有的条款。

在系列中的位置

在 LFM3 系列内部，这是把音频、视频输入与语音输出汇到一个模型里的那一款^[1]。21.7 亿参数、原始分辨率的视觉输入、对一段视频边看边听、以及语音作为输出形式，这几项凑在一起，指向的是这样一种场景：由一个不大的模型去应付麦克风和摄像头送来的任何东西，而不是为每类任务各装一个专用模型^[1]。