Liquid AI 發佈 LFM2.5-2.6B 端側小模型，支持智能手機本地運行

人工智慧新創公司 Liquid AI 於當地時間昨日正式發表一款名為 LFM 2.6B 的小型語言模型，鎖定裝置端本地部署場景，強調即便是智慧型手機也能順暢運行，同時具備支援規劃、工具調用與多步驟處理等智能體工作流程的能力，為邊緣 AI 應用帶來新的可能性。 這款模型的參數量僅 2.6B（26 億），屬於輕量級模型範疇，但 Liquid AI 在訓練規模上並未妥協。LFM 2.6B 在總計 34 兆個 Token（詞元）的資料集上進行預訓練，並透過擴展現有的分詞器，進一步強化對非拉丁字母語言的支援，使其在處理多語系內容時更具優勢。目前該模型已同步上架至 Hugging Face 平台，官方同時提供基礎版本與後訓練版本供開發者與研究人員使用。 Liquid AI 強調，LFM 2.6B 的設計初衷是為了讓高效能語言模型能夠真正落地於終端裝置，擺脫對雲端運算的依賴。隨著智慧型手機運算能力持續提升，這類輕量模型正好能滿足即時回應、隱私保護與離線運作等需求。此外，該模型在智能體任務上的表現，也讓它在自動化流程、多步驟決策與工具整合等應用場景中具備實用價值。 為了驗證 LFM 2.6B 的實際效能，Liquid AI 將其與數款尺寸更大的模型進行了基準測試對比，包括 Google 的 gemma-4-E2B-it、gemma-4-E4B-it，以及阿里巴巴的 Qwen3.5-9B。這些對比模型的參數量明顯高於 LFM 2.6B，但測試結果顯示，LFM 2.6B 在全部指令執行項目中均取得領先，在幾乎所有工具使用項目中也同樣表現最佳，僅在 BFCLv4 這項特定測試中略遜於 Qwen3.5-9B。 在智能體任務的評估上，LFM 2.6B 的表現更為突出。根據 Liquid AI 提供的數據，該模型全面優於兩款 Gemma 模型，同時與 Qwen3.5-9B 的表現相當，顯示出輕量模型在複雜任務處理上並未因參數量較小而失去競爭力。這項成果也反映出模型架構、訓練策略與資料品質在最終效能上扮演的關鍵角色，並非單純靠參數規模取勝。 LFM 2.6B 的推出，不僅為終端裝置上的 AI 應用提供了新的選擇，也讓業界再次關注小型模型的發展潛力。隨著大型語言模型持續朝超大規模演進，輕量、高效、可離線運行的模型正逐漸成為補足邊緣運算需求的關鍵拼圖。Liquid AI 藉由這款模型，展示了在智慧型手機等資源受限環境中實現進階語言理解與推理能力的可能性。 對於開發者而言，LFM 2.6B 的基礎版本與後訓練版本皆已在 Hugging Face 上開放，可進一步針對特定任務進行微調或直接部署。這項開放策略有助於加速社群測試與應用落地，未來也可能帶動更多針對端側場景最佳化的模型出現。整體而言，LFM 2.6B 的問世，為輕量級語言模型在智能體與工具使用領域的表現樹立了新的參考標竿。