Liquid AI发布LFM2.5系列模型：新一代设备端AI，开放权重+多模态+边缘高效部署

Liquid AI 正式推出 LFM2.5 系列模型，这是该团队针对边缘 AI 部署打造的新一代旗舰产品，基于 LFM2 设备优化架构升级而来，实现了 1B 级模型能力边界的重大突破。此次发布覆盖基础文本、指令调优、日语专属、视觉语言及音频语言五大类模型，全系列均为开放权重，现已在 Hugging Face 和 LEAP 平台上线，同时与 AMD、Nexa AI 合作完成 NPU 端优化，可无缝适配车辆、移动设备、物联网终端等多种受限硬件。

• 模型：https://huggingface.co/collections/LiquidAI/lfm25

相较于前代，LFM2.5 的核心升级在于训练数据规模与训练后流程的双重强化：预训练数据从 10T token 扩展至 28T token，同时通过多阶段强化学习优化指令遵循能力，旨在成为设备端代理 AI 的核心构建模块，为各类终端设备提供私密、快速、始终在线的智能体验。

核心模型家族：覆盖多模态设备端需求

LFM2.5 系列包含五大类模型，分别针对文本、多语言、视觉、音频等不同场景做深度优化，满足多样化边缘 AI 应用需求。

1. 通用文本模型：1B级性能天花板

LFM2.5 的通用文本模型分为两个版本，适配不同开发需求：

• LFM2.5-1.2B-Base：基础预训练模型，是全系列模型的骨干网络，适合需要基于专有数据微调、特定领域定制（如垂直行业助手）或探索新训练方法的开发者。
• LFM2.5-1.2B-Instruct：指令调优版模型，经过监督微调、偏好对齐与多阶段强化学习训练，开箱即用，具备出色的指令遵循和工具使用能力，可直接落地本地生产力助手、车载智能交互等场景。

基准测试表现：在 1B 规模模型中，LFM2.5-1.2B-Instruct 实现了性能与效率的双重领先。对比 Llama 3.2 1B Instruct、Gemma 3 1B IT 等同级模型，其在 GPQA（知识问答）、MMLU-Pro（多任务理解）、IFEval（指令遵循）等核心基准测试中全面领跑，具体数据如下：

同时，该模型针对 CPU 推理做深度优化，相比同规模模型内存占用更低，推理速度更快，完美适配无独立显卡的终端设备。

2. 日语专属模型：精准匹配语言文化特性

LFM2.5-1.2B-JP 是专为日语场景优化的聊天模型，在保留通用能力的基础上，强化了日语知识储备与指令遵循精度，可精准捕捉日语的文化和语言细微差别。

在 JMMLU（日语多任务理解）、M-IFEval (ja)（日语指令遵循）、GSM8K (ja)（日语数学推理）三大基准测试中，LFM2.5-1.2B-JP 显著优于同规模竞品，部分指标甚至超过更大参数量的 Qwen3-1.7B 指令模式模型，具体数据如下：

该模型适合开发日语本地助手、文化内容生成等应用。

3. 视觉语言模型：多图像多语言理解能力升级

LFM2.5-VL-1.6B 是升级后的多模态模型，基于 LFM2.5-base 骨干网络构建，核心提升两点：

• 多图像理解：支持多张图片输入的关联分析，可处理更复杂的视觉任务；
• 多语言视觉指令：优化阿拉伯语、中文、法语、德语等 7 种语言的视觉提示理解能力，输出更精准。

在 MMStar（多模态综合能力）、OCRBench v2（光学字符识别）、多语言 MMBench（多语言视觉问答）等基准测试中，LFM2.5-VL-1.6B 全面超越前代 LFM2-VL-1.6B，同时优于 InternVL3.5-1B 等同级模型，成为边缘多模态应用（如本地图像分析、多语言视觉助手）的优选方案。

4. 音频语言模型：8倍提速，原生音频处理

LFM2.5-Audio-1.5B 是一款原生音频语言模型，与传统“语音转文字+LLM处理+文字转语音”的串联方案不同，该模型可直接接收语音和文本输入，输出语音或文本，消除了组件间的信息损耗，大幅降低端到端延迟。

其核心技术亮点在于定制化 LFM 音频解码器：

• 速度提升：在移动 CPU 上，同精度下推理速度比前代 Mimi 解码器快 8 倍；
• 量化优化：支持 INT4 量化感知训练，低精度部署下音质损失极小，与 FP32 精度的前代解码器性能接近；
• 框架兼容：提供 llama.cpp 支持的 GGUF 格式，可在终端设备上高效运行。

在 STOI（语音可懂度）、UTMOS（语音质量评分）等音频基准测试中，LFM2.5-Audio-1.5B（INT4）表现与前代 FP32 精度模型持平，远超同量化精度的竞品。

全框架部署支持：覆盖从终端到云端的硬件生态

LFM2.5 系列的核心优势之一是开箱即用的多框架部署能力，无需复杂适配即可在主流硬件上运行，覆盖从嵌入式设备到 GPU 服务器的全场景：

1. LEAP 平台：Liquid 官方边缘 AI 平台，可像调用云 API 一样，将模型一键部署到 iOS 和 Android 设备；
2. llama.cpp：CPU 推理首选方案，提供 GGUF 检查点，支持量化优化，适配各类终端设备；
3. MLX：专为 Apple Silicon 优化，充分利用其统一内存架构，提升本地推理效率；
4. vLLM：针对 GPU 加速场景，支持高吞吐量推理，适合模型的生产级服务部署；
5. ONNX：跨平台推理标准，可部署在 AMD、Qualcomm、Nvidia 等多种硬件加速器上。

硬件推理速度基准：终端设备表现亮眼

Liquid AI 公布了 LFM2.5-1.2B-Instruct 在多款主流硬件上的推理性能数据（基于 1K 预填充 token、100 解码 token），充分展现了其设备端适配能力：

对比同规模的 Qwen3-1.7B 模型，LFM2.5 在同款硬件上的预填充和解码速度均领先，内存占用降低约 40%，更适合资源受限的终端设备。

生态合作与获取方式

1. 合作伙伴优化：与 AMD、Nexa AI 深度合作，完成 LFM2.5 系列模型的 NPU 端优化，解锁车辆、物联网设备等更多边缘部署场景；
2. 模型获取渠道：全系列模型已在 Hugging Face、LEAP 平台开放下载，同时提供在线游乐场和 Demo 体验，开发者可直接访问对应平台获取检查点与部署文档。

LFM2.5 系列的发布，进一步降低了设备端 AI 的部署门槛。凭借开放权重、多模态支持和高效推理的核心优势，这款模型有望成为边缘智能应用的重要基础设施，推动车载助手、本地生产力工具、物联网终端等场景的智能化升级。