据MarkTechPost报道，Liquid AI于10月27日发布新一代Liquid Foundation Models（LFM3），包括6款基于同一主干的开放权重2B级模型，覆盖文本、视觉、音频、全模态和决策任务。该公司称，每款模型都可在单块GPU上微调，并可部署在手机、笔记本、私有服务器或云端。
这6款模型分别为LFM3-1.7B、LFM3-VL-2B、LFM3-Audio-2B、LFM3-Omni-2B、d1-2B和d1-Omni-2B。LFM3-1.7B有1.73B参数和256K上下文窗口；VL-2B为1.92B参数、128K上下文；Omni-2B为2.2B参数。Liquid AI称，4位量化下模型运行约需1GB内存，并提供GGUF、MLX、ONNX、FP8和NVFP4检查点。
LFM3的主干采用三混合架构，在24层中混合13个门控短卷积层、5个滑动窗口注意力层和6个全局注意力层，滑动窗口为256个token，卷积核从3扩展到7。Liquid AI称，这一组合来自硬件在环架构搜索；LFM3在14种设备和后端组合上调优，包括Raspberry Pi 5和高通Hexagon NPU。架构还使用注意力头级sigmoid门、全局层部分RoPE和sandwich norm。基础模型训练使用22T token，最后3.5T token为智能体密集型中期训练，并将上下文扩展到256K；后训练分四阶段，依次为1.75T token的SFT、混合强化学习、将6个专家教师模型蒸馏进一个模型，以及智能体强化学习。
Liquid AI公布的评测显示，LFM3-1.7B在29项基准上平均得分49.37，高于Qwen3.5-9B的47.24。其IFEval为96.66，AutomationBench为41.29，后者对Qwen3.5-9B为15.10；WebArena-Verified为38.42，对Qwen3.5-9B为28.94；BFCL V4为71.39，对Qwen3.5-9B为62.83。LFM3-1.7B在知识、长上下文和代码任务上仍有差距：GPQA Diamond为63.37，Qwen3.5-9B为80.40；SWE-bench Verified为43.40，对51.20；RULER 128K为65.56，对87.11；Humanity’s Last Exam无工具为7.17，使用工具后升至13.90。
多模态和决策模型方面，LFM3-VL-2B在62项视觉基准上平均71.4，Gemma 4 12B在同一套测试上为71.7；其视觉定位为77.3，GUI理解为83.1，视频和智能体任务分别为61.2和42.5，仍落后于更大的API模型。LFM3-Audio-2B的英语WER为6.2，TTS的UTMOSv2得分为3.8。LFM3-Omni-2B在Daily-Omni上得70.1，Qwen2.5-Omni-7B为61.3。d1-2B比d1-3B参数少三分之一，Decision Bench从83.6提高到85.2。
开发者可在Hugging Face、Liquid AI Playground和Liquid API获取权重；文档列出GGUF、MLX和ONNX格式，运行时包括llama.cpp、MLX、vLLM、SGLang、Ollama和Transformers。Liquid AI称，在端侧llama.cpp Q4_0、32K上下文下，完整128K上下文需要1.6GB KV缓存，Qwen3.5-4B需要4.3GB；在单块NVIDIA B300上使用SGLang，LFM3-1.7B在1024并发请求下每天可生成36亿个token。该公司还称，在单块A100上用数小时SFT和GRPO，可将风机叶片缺陷分类准确率提升至67%。LFM3采用LFM Open License v1.0，设有1000万美元收入门槛。