Liquid AI发布LFM2.5-2.6B：端侧AI智能体模型

全栈端侧智能体：轻量但强于工具调用

Liquid AI近日发布LFM2.5-2.6B，一款专为端侧部署设计的AI智能体模型。它可在智能手机、笔记本电脑、台式机及机器人等设备上全程离线运行，自主规划任务、调用工具、执行多步骤工作流。模型总参数量为2.69B，含30层网络结构（其中22层为双门控短卷积块，8层为分组查询注意力块），上下文窗口达131,072 token，词表规模128,000，支持16种语言，纯文本输入。

训练与后训练：四阶段强化智能体能力

预训练阶段使用约34万亿token数据。词表扩展至128K通过原地扩展已有分词器实现，而非从头训练；上下文长度提升则通过专项中期训练完成。基础模型（LFM2.5-2.6B-Base）经四阶段后训练转化为智能体专用版本：第一阶段为两轮监督微调（SFT），数据量约为LFM2.5-8B-A1B的七倍；第二阶段为教师专业化训练，按领域（如金融、医疗）分别训练专家模型，并采用可验证奖励的强化学习；第三阶段为多领域在线策略蒸馏，学生模型在自身策略下采样，提示自动路由至对应领域教师；第四阶段为真实环境中的智能体强化学习（GRPO算法），集成Hermes Agent与OpenClaw等实际Agent框架进行闭环训练。

性能表现：小模型跑赢大模型

在多项基准测试中，LFM2.5-2.6B超越参数量近四倍的竞品：ToolSandbox（77.83 vs gemma-4-E4B-it的65.00、Qwen3.5-9B的76.44）、Multi-IF（80.07 vs 77.35和62.55）、IFStruct（85.49 vs 76.65和78.50）。仅在BFCLv4工具评测中略逊于Qwen3.5-9B（56.88 vs 60.13）。但在编程类任务（LiveCodeBenchv6）上仍存差距（59.41 vs Qwen3.5-9B的69.86），Liquid AI明确不推荐其用于编码或知识密集型任务。

部署就绪：全平台兼容与零边际成本

模型已在Hugging Face公开，采用lfm1.0开源协议。权重支持原生格式及GGUF、MLX、ONNX，首日即兼容llama.cpp、vLLM、SGLang与LM Studio。实测推理速度：Apple M5 Max芯片达220 token/s，普通手机约30 token/s，内存占用低于2.5GB；单颗NVIDIA H100 SXM5 GPU每日可服务约13亿token请求。企业与OEM厂商可通过GGUF/ONNX批量部署至终端设备集群；LoRA微调支持TRL与Unsloth框架。

应用场景：聚焦高合规性垂直领域

Liquid AI将目标行业锁定在对数据主权与离线能力要求严苛的领域：汽车、消费电子、工业机器人、医疗健康、金融服务、电商及国防。典型应用包括：端侧语音/视觉助手、128K长文档离线分类与摘要、表单与发票结构化提取、机器人自然语言指令解析、以及持续后台运行的低成本代理服务（无逐token计费）。

编者观点

该模型凸显‘端侧智能体’正从概念走向量产——中国企业若面向车载系统、工业终端或医疗设备开发AI功能，可优先评估此类开箱即用、合规可控的轻量化智能体方案，规避云端依赖与API调用风险。