Liquid AI 为 LFM3 系列加入全模态模型

背景：一个模型，几种「感官」

大多数已经投入使用的 AI 模型都是专才。文本模型读文字、写文字，语音模型把声音转成文字或把文字转成声音，视觉模型处理图像。全模态（omni-modal）模型则把几种模态放进同一套权重里，于是同一个模型可以一边看图片、一边听人提问，再开口回答。这里的「模态」指的就是数据的形式：文字、像素、声音。

Liquid AI 的 LFM3 系列本身就覆盖了多种模型，包括基座模型、文本模型、视觉模型、音频模型和决策模型 ^[1]。它们各自围绕某一类输入或某一类任务而建。

发布了什么

2026 年 10 月 21 日，Liquid AI 发布 LFM3-Omni-2B，这是 LFM3 系列中第一个全模态成员 ^[1]。名字沿用系列惯例，「2B」指向它的体量级别：模型有 2.17B 个参数 ^[1]。参数是神经网络内部可学习的数值，参数越多通常意味着容量越大、占用的内存也越多，所以模型名旁边常挂着这个数字。

输入与输出

模型的输入包括文本、图像、视频和 16 kHz 音频 ^[1]。16 kHz 是采样率，意思是每秒钟对声音采样 16000 次，这是语音处理中常见的设定。

输出方面，它返回文本、24 kHz 语音，或者文本与语音交错的内容 ^[1]。输出语音的采样率高于输入音频。「交错」意味着回答不必被塞进单一通道：文字和语音片段可以在同一次回复里交替出现，模型可以一部分说出口、一部分写下来。

体量与运行位置

模型有 2.17B 个参数，面向手机、笔记本电脑和其他边缘硬件 ^[1]。边缘硬件指用户手边的设备，而不是数据中心里的集群。在本地运行模型会改变可行性的边界：处理不必经过一次网络往返，被处理的数据也不必离开设备。代价是模型必须塞进手机或笔记本的内存与功耗预算里，这也正是参数规模对这一类发布如此关键的原因。

量化版本与纯音频版本

2026 年 10 月 27 日，量化的 MLX、GGUF 以及纯音频版本被上传 ^[2]。量化用更低精度的数值存储模型权重，从而压缩内存占用、通常也加快推理速度，代价是精度上有一定损失。这里点名的两种格式指向不同的本地运行时：MLX 是苹果为自家芯片提供的数组计算框架，GGUF 则是一种被广泛采用的本地推理工具家族所使用的文件格式。两种格式都提供，意味着同一个模型可以用人们机器上已有的工具跑起来，既覆盖苹果硬件，也覆盖其他平台。这次发布还包含了标注为纯音频的版本 ^[2]。

为什么重要

把多种模态塞进一个 2.17B 参数的模型，并提供能在消费级硬件上运行的格式，让另一类应用变得可行：笔记本上的程序看完一段视频再把它讲出来，或者手机助手以 16 kHz 收音、以 24 kHz 语音作答而不必连接服务器 ^[1]。放到 LFM3 系列内部看，这个发布补上了一个跨越边界的成员——此前文本、视觉和音频模型各自守着自己的一摊 ^[1]。初版发布一周之后才补上量化版本和纯音频版本，也说明如今一次发布早已不只是权重本身，还包括决定它究竟能跑在哪里的格式与变体 ^[2]。