在小模型这条赛道上，Liquid AI 选择用「一个系列覆盖多种模态」的方式下注。

发生了什么

Liquid AI 发布了 LFM3 系列，共 6 款 2B 级开放权重模型，覆盖文本、视觉、音频、全模态（omni）与决策等方向。其中 LFM3-1.7B 采用所谓「三混合」（tri-hybrid）骨干结构，支持 256K 上下文窗口，在 4-bit 量化下体积约 1GB。官方信息目前集中在模型规格与开放权重这一层，具体评测分数尚未在摘要中展开。

为什么重要

过去一年，开源模型的竞争主要发生在参数规模的两端：一端是不断膨胀的稠密与 MoE 大模型，另一端是 1B 以下、主打端侧可用的小模型。2B 级是一个微妙的位置——它小到可以塞进笔记本、手机和边缘设备，又大到有机会承载多模态能力。LFM3 一次性铺开 6 个变体，本质是在赌「同一套小尺寸骨干 + 不同模态适配」的路线，而不是为每个模态单独训练一个大模型。

「三混合」骨干是这条路线里最值得注意的技术点。混合架构（如线性注意力与全注意力交替）的核心动机，是在长上下文下压低计算与显存开销——这也解释了为什么一个 1.7B 模型敢标 256K 上下文。如果这一组合在实际推理中成立，它意味着长文档、长音频、长视频片段的本地处理不再必须依赖云端大模型。

另一个信号是「决策」这一模态被单独列出。它暗示 Liquid AI 的目标不只是对话与理解，还包括让模型在智能体流程中做动作选择。对做 agent 的团队来说，一个 1GB 级、可本地部署的决策模型，比一个需要 API 调用的通用大模型更贴近工程现实。

影响与看点

对开发者而言，最直接的价值是部署成本：约 1GB 的 4-bit 权重，让多模态推理可以进入浏览器、移动端和离线设备，隐私敏感场景不必再把数据送出本地。对行业而言，2B 级多模态模型密集出现，会进一步压缩「中等规模专用模型」的生存空间，也会让端侧 AI 的产品形态从「文本助手」向「看得见、听得见、能做决定」演进。

需要保持克制的地方同样明显：开放权重不等于开放训练细节，三混合骨干在 256K 上下文下的真实吞吐、各模态之间的能力均衡度、以及「决策」模态的具体任务定义，都还需要第三方评测来验证。小模型的多模态往往是「样样都有、样样不精」，LFM3 能否跳出这个陷阱，是接下来最值得盯的一点。

一个独立判断：LFM3 的真正对手不是同尺寸的开源模型，而是那些通过 API 提供多模态能力的大模型服务——它争夺的是「哪些推理根本不需要上云」这条边界。