Liquid AI

Liquid AI 是一家 2023 年成立的基础模型公司，路线叫「设备原生」：把模型做到能在手机、笔记本、车机这类数据中心之外的处理器上直接跑。与调用云端接口的思路不同，它的 Liquid 基础模型从架构阶段就按延迟、隐私与硬件约束设计，体积可以压到 1GB 以下，数据不出设备。官网目前列出的模型覆盖 2.6B 到 24B-A2B 的端侧区间。

核心能力

• Liquid 基础模型（LFM）：覆盖文本、视觉与音频的通用模型家族，官方称已交付 57 个模型、3500 多个变体，累计下载 5320 万次。
• 端侧决策模型 d1：面向需要快速判断的场景，官方称 d1 系列能在 50 毫秒内给出决策，d1-ultra 被定位为当前最强的决策模型，并已支持视觉输入。
• 多运行时适配：同一套权重可跑在 llama.cpp、MLX、ONNX、CoreML、SGLang 与 vLLM 上，官方称 LFM2.5-24B-A2B 在 MacBook 上能到 184 token/s。
• 小体积多模态：官方称 LFM2.5-VL-3B 能读屏，LFM2.5-2.6B 可驱动本地智能体，最小模型在 1GB 以内。
• 微调与定制：官方称流程是「微调、烘焙进目标运行时、发布」，文档覆盖从 notebook 到生产的路径，可按具体用例压到更小体积。
• 私有化行业落地：官方称与梅赛德斯-奔驰合作车内私有 AI，另与高通骁龙、MacPaw 有合作，部署场景含手机、笔记本、汽车、航天、电商、金融、生物与国防。

适合谁

• 端侧应用开发者：做 iOS、Android、Mac 或 Windows 的本地推理功能，不想自己训模型。
• 硬件与汽车团队：需要在车机、消费电子上跑离线语音与多模态能力。
• 数据敏感行业：金融、医疗、国防等要求数据不出设备、可私有部署的场景。
• 智能体产品团队：需要低延迟的小模型做本地工具调用与决策。
• 模型研究者：关注液态神经网络、状态空间模型与训练配方，可读官方公开研究。

使用建议

• 先从 Model Playground 或 Hugging Face 上的小参数版本试跑，确认目标设备上的真实速度再选型。
• 选型时先定运行时（CoreML 面向苹果设备、ONNX 面向跨平台），再倒推合适的模型与量化版本。
• 端侧部署优先看官方提供的量化版本（如 Q4_0），能在几乎不掉点的情况下显著降内存占用。
• 商用前逐个核对模型在 Hugging Face 上的许可条款，不同模型与变体的授权范围可能不同。
• 有定制需求时走官方微调流程，把用例、硬件与延迟目标一起给到团队，避免先训后适配。