Liquid AI 於二零二六年十月二十七日宣布推出新一代 Liquid Foundation Models（LFM3）：以約廿億參數量級、單一共享骨幹，覆蓋文字、視覺、音訊、全模態（omni）與決策等六款模型；官方稱 LFM3-1.7B 以少約三成五參數勝過前代 LFM2.5-2.6B，文字模型四位元量化約佔一 GB、上下文長度達廿五萬六千，並強調可單卡微調、面向邊緣與代理式任務。來源真實性已核對 Liquid AI 官方網誌與 Hugging Face 技術說明。

Liquid AI／官方：推出 LFM3 專用多模態基礎模型家族——單一骨幹六款約廿億參數模型；開源權重可本機微調，文字模型四位元約一 GB、上下文廿五萬六千

美國新創 Liquid AI 於二零二六年十月二十七日在官方網誌宣布，推出新一代 Liquid Foundation Models——LFM3。公司定位這一代模型為「專用智能」（specialized intelligence）的起點：先以較小、可本機部署的共享骨幹覆蓋多種模態，再讓企業與開發者以自有數據微調，把模型變成特定任務專家。官方寫明基座與後訓練權重以 open-weight 形式即日可於 Hugging Face、Liquid Playground 與 Liquid AI API 取得。本文已對照 Liquid AI 官方原文與 Hugging Face 團隊技術文章核實關鍵數字與產品聲稱。

一、核心發布：一骨幹、六模型、約廿億參數級

技術細節

按 Liquid AI 官方說明，LFM3 首發家族均由 LFM3-1.7B-Base 分支，參數量落在約廿億級，並以同一共享骨幹承載不同輸入輸出：

LFM3-1.7B：文字進、文字出，面向本機代理、工具呼叫與結構化輸出。
LFM3-VL-2B：文字／圖像／影片進、文字出；官方稱是首個支援影片輸入的 LFM 視覺模型。
LFM3-Audio-2B：文字／音訊進，可輸出文字或語音。
LFM3-Omni-2B：文字、圖像、影片、音訊多模態進，可輸出文字或語音。
d1-2B、d1-omni-2B：分別由視覺與全模態模型特化而來的決策模型，輸出「校準後的答案」。

官方亮點包括：新的三混合（tri-hybrid）架構與訓練配方，使 LFM3-1.7B 以約少三成五的參數量勝過前代 LFM2.5-2.6B；文字模型在四位元精度下約佔一 GB；文字模型上下文窗口達廿五萬六千；各模型均可在單一 GPU 上微調。預訓練規模官方寫明為二十二兆（22T）tokens；末段約三點五兆 tokens 為更高質量、偏代理軌跡與工具呼叫的中期訓練，並把上下文擴至廿五萬六千。

二、技術原理深度解析

LFM2 已證明「短卷積＋注意力」混合可在裝置端保持速度與質量。LFM3 則把硬體迴路架構搜尋擴至十四種裝置與後端組合（包括多款手機、Raspberry Pi 5、筆電、雲端 CPU／GPU 與 Qualcomm Hexagon NPU），並為代理式長上下文重新配比算子。

官方公布 LFM3-1.7B-Base 共二十四層，三混合層配置為：十三層閘控短卷積、五層滑動窗口注意力（窗口二百五十六 tokens）、六層全局注意力；卷積核大小由 LFM2 的三提升至七。其他改動包括逐頭閘控注意力、全局注意力上的部分 RoPE，以及區塊輸入與輸出皆正規化的 sandwich norm。官方稱在八千 tokens 上下文下，LFM3-1.7B 較同參數效率基準約快約四分一。

視覺與音訊亦換上自研編碼器：視覺編碼器結合卷積與注意力，官方稱在相同語言骨幹量測下，約一億六千四百萬參數的編碼器可對齊更大視覺編碼器精度並降低浮點運算；音訊路徑則強調全因果、可邊說邊預填，以及 LiquidCodec 在 Apple M4 Max 單線程 CPU 上約八十七倍即時語音解碼等數字——上述均屬官方自報基準，實際部署仍須以目標硬體複測。

Hugging Face 技術文亦列出代理相關基準，例如 WebArena-Verified 上 LFM3-1.7B 為三十八点四二、對照前代約三点零二；視覺模型在六十二項視覺基準平均由約五十七点六升至约七十一点四。這些數字來自官方／模型卡披露，跨實驗室可比性仍有限，宜作相對參考而非絕對保證。

三、日常應用場景

1. 開發者與技術團隊

需要本機代理、工具呼叫、長上下文或單卡領域微調時，可直接選 LFM3-1.7B 或對應模態變體，在 transformers 等推論棧載入，並接上 Hermes Agent、Pi、OpenClaw 等官方提及的代理支架（以各專案文件為準）。

2. 企業與隱私敏感行業

金融、醫療、政府與專業服務若要求數據不出境，可把開源權重拉進私有環境，再用內部術語與流程微調，減少把原始語料送上公有雲大模型的需要。邊緣裝置上約一 GB 級文字模型，也有利於門市、廠房或外勤終端做離線輔助。

3. 一般用戶

一般消費者較可能透過 Liquid Playground、API 或終端產品中的嵌入模型間接接觸；對「手機／筆電本機助理」與「語音＋視覺一體」的體驗，LFM3 的小參數多模態路線具指標意義。

4. 香港與亞洲市場視角

香港企業常面對跨境數據合規、專線成本與粵英中多語場景。可本機微調、可邊緣部署的約廿億參數多模態家族，與「私有化＋行業專用」採購邏輯較合拍；亞洲硬體生態（手機 NPU、本地 GPU 工作站）亦與官方強調的十四種裝置搜尋方向一致。團隊評估時仍應自行核對授權條款、安全對齊與繁中／粵語表現。

四、專業評價與潛在考量

優勢

產品故事清晰：小模型、多模態、可微調、可邊緣，對準「專用智能」而非一味堆參數。
官方同時提供網誌、權重入口與 API／Playground，驗證路徑完整。
架構與訓練敘事具體（層配置、tokens、裝置清單），便於工程團隊做可行性評估。

需要留意的地方

多數基準為官方自測；跨模型排名會隨提示、工具鏈與評測協議改變。
「open-weight」不等於可忽略授權、安全與合規審查；上線前仍需紅隊、日誌與權限治理。
約廿億參數在複雜推理與知識密度上仍可能不及更大雲端模型；企業宜採「邊緣專用小模型＋必要時雲端大模型」分層，而非單點取代。

結語

LFM3 把「同一骨幹、多模態分支、單卡可專用化」寫成可下載的產品線，對正尋找私有部署與行業微調路徑的團隊具參考價值。若香港企業希望把類似能力落成可控的私有 LLM 與代理工作流，可參考 YSK Limited 的企業私有 LLM 全託管方案（https://ysk.hk/services/ai-automation）。

參考來源

Liquid AI 官方：Introducing LFM3: Every Modality for Specialized Intelligence — https://www.liquid.ai/blog/lfm3
Hugging Face：Build specialized multimodal models with LFM3 — https://huggingface.co/blog/LiquidAI/lfm3
Hugging Face 模型卡（LFM3-1.7B）— https://huggingface.co/LiquidAI/LFM3-1.7B
YSK Limited 企業私有 LLM／AI 自動化 — https://ysk.hk/services/ai-automation