AI news

Liquid AI:端侧 AI 独角兽的美国往事

By Vinci叽里呱啦0 viewsSource: Vinci叽里呱啦
Liquid AI:端侧 AI 独角兽的美国往事

Liquid AI 近期推出的 LocalCowork,正是直面这一矛盾的产物:单台笔记本,无需云端 API,数据绝不离机。凭借 67 个本地工具、13 个 MCP Servers,配合最新发布的 LFM2.5-8B-A1B 模型,它通过本地调用工具、解释结果以及可审计的工作流,解决了上述难题。

The full text has not been translated yet. The Chinese original is shown below.

想象一个再普通不过的工作场景:

你的电脑里存放着两份合同、一堆客户资料、几个项目文件夹,以及一份不知何时遗留的 .env 文件。你希望 AI 协助完成三项任务:排查潜在泄露的 API Key、对比合同差异并生成报告,以及自动生成一份审计日志。

如果调用云端大模型,这些任务自然不在话下。但隐患也显而易见:你需要将本地文件、客户隐私、目录结构甚至系统状态,全盘托付给第三方服务。对个人而言,这或许只是体验上的妥协;但对企业来说,这直接触及了安全、合规以及部署边界的红线。

Liquid AI 近期推出的 LocalCowork,正是直面这一矛盾的产物:单台笔记本,无需云端 API,数据绝不离机。凭借 67 个本地工具、13 个 MCP Servers,配合最新发布的 LFM2.5-8B-A1B 模型,它通过本地调用工具、解释结果以及可审计的工作流,解决了上述难题。

文章配图

图:LocalCowork 界面,用本地模型调度工具完成私有工作流。

2026年,Liquid AI 或许不该仅仅被看作是又一家发布小模型的公司。

如果用国内读者更熟悉的语境来类比,它有些像“美国版的面壁智能”。过去两年,面壁智能的MiniCPM系列最深入人心的标签是端侧运行与强多模态——让小参数模型在手机上也能跑出惊艳的体验。乍看之下,Liquid AI 的 LFM2.5-8B-A1B 也踩在相似的叙事里:8B MoE 架构、1.5B 激活参数、128K 上下文、纯本地部署与工具调用。

面壁智能是源自清华的端侧模型独角兽,而 Liquid AI 的起点同样耀眼——孵化自顶级的 MIT CSAIL 实验室。此后,它走出了一条截然不同的路径:先是引入有别于纯 Transformer 暴力 Scaling 的全新架构,接着发布一系列 Foundation Models,随后迅速补齐开发者工具与端侧入口,最终切入 Shopify、奔驰等真实的商业级应用。

这正是 Liquid AI 故事的迷人之处。当整个行业习惯于在云端数据中心讨论 AI 的能力上限时,智能已经悄然向边缘渗透。当 AI 真正进入手机、PC、汽车、机器人和企业内网,核心命题就变成了:模型该如何适应真实的设备算力、隐私边界与业务流程? Liquid AI 过去几年的战略选择,几乎全是围绕这一底层变化展开的。

逆流而上:当行业在疯狂 Scaling,Liquid AI 选择重构架构

Liquid AI 的故事始于 2023 年底。

彼时,大模型行业的共识已然固化:GPT-4 验证了 Scaling Law 的统治力,资本、算力和顶尖人才都在向更大的集群与更长的训练周期聚拢。牌桌上的玩家们只关心谁能抢到更多 GPU,谁能训出更大的模型。

Liquid AI 却选择切入另一个盲区:如果 AI 终将落地于真实的物理世界与企业内网,我们的模型难道还要继续只为数据中心而设计吗?

这家公司的名字“Liquid”,源自创始团队在 MIT 的核心研究——液态神经网络(Liquid Neural Network)。这是一种极具“动态性”的架构,当模型面对连续变化的信号与环境时,其内部状态能够实时自适应调整。这种特性天然契合自动驾驶、机器人、传感器序列等真实世界场景。因此,Liquid AI 从一开始就将内存、延迟、能耗、硬件适配与可解释性置于核心位置。

文章配图

图: LFM 架构。

彼时的 Liquid AI 没有卷入“谁来训练下一个万亿参数 Transformer”的军备竞赛,而是沿着动力学系统和信号处理的底层研究,重新思考基础模型的形态。

这条路充满传播优势,却也背负着极高的信任成本。优势在于差异化足够锐利——在人人争抢“最大模型”的时代,它独占了“最高效架构”的叙事;而成本在于,外界不可避免会质疑:模型在哪?评测在哪?实验室里的论文,真的能转化为工业级产品吗?

2023 年 12 月,Liquid AI 宣布完成 4660 万美元种子轮融资。值得玩味的是它的投资人阵容:除了 OSS Capital、Samsung Next,还赫然出现了 Shopify 创始人 Tobias Lutke 和 Notion 联合创始人 Chris Prucha。

这释放了一个强烈的信号:Liquid AI 的野心不仅在学术界,它要将高效模型生根于真实的商业系统与设备生态中。

第一代 LFM:从学术概念到可验证的模型

2024 年 9 月,Liquid AI 发布了第一代 Liquid Foundation Models (LFMs)。当时的外部环境正处于微妙的转折期:大模型能力固然在涨,但企业算起了经济账——云端 API 的调用成本、网络延迟以及私有化部署的安全顾虑开始凸显。AI PC、手机 NPU 与车载 AI 的普及,让离线运行成为刚需。

第一代 LFM 包含了 1.3B Dense、3.1B Dense 和 40.3B MoE。它们向外界展示更优的 性能/尺寸 权衡、更低的内存占用,以及面向 NVIDIA、AMD、高通、苹果等异构硬件的优化潜力。

这一步,让 Liquid AI 从“贩卖新架构概念”正式蜕变为“交付可用模型”的企业。社区关于端侧AI的话题,也开始从概念争论,进入了真刀真枪的可行性与能力边界验证。

LFM2、LEAP 与 Apollo:端侧 AI 走向工作流

进入 2025 年,端侧 AI 渐渐告别边缘地位。面壁的 MiniCPM 证明了小参数的多模态能力;微软 Phi 将推理无缝接入 Windows 与 Copilot+ PC;Google Gemini Nano 深入 Android 系统底层。Liquid AI 也在 2024 年底拿下了 AMD 领投的大额融资,深度绑定芯片与推理栈生态。

此时行业也逐渐觉醒,训练出小模型只是入场券,分发、运行权限与生态闭环,才是决定其能否存活的关键。

2025 年 7 月,Liquid AI 推出 LFM2,主打混合架构与 CPU 上极速的 Decode/Prefill 效率,并释出了 350M、700M、1.2B 这类极度端侧友好的权重。

文章配图

图:LFM2 端侧模型的速度与效率。

同月,两大基础设施的发布,将Liquid AI产品化向前推进了一大步:

  • LEAP (Liquid Edge AI Platform):定位为端侧中间件,将模型的发现、测试、微调、量化打包与部署串联成完整的工作流(Workflow)。解决了开发者如何为特定设备挑选合适模型的痛点。
  • Apollo:移动端原生入口。不仅让普通用户在手机上直观体验本地模型,也为 Liquid AI 收集了真实设备在延迟、内存、发热与交互边界上的第一手数据。

文章配图

图:LEAP 试图把模型发现、测试、定制和部署串成端侧 AI 工作流。

这是 Liquid AI 的关键拐点:它不再仅仅是一个发布模型的机构,而是演变成了一个提供端侧部署解决方案的平台。

扩张模型族:拒绝“万能模型”的迷思

从 2025 下半年到 2026 年,Liquid AI 迎来了爆发式的产品矩阵扩张。除了文本模型,它迅速补齐了视觉语言(VL)、音频、MoE、Embedding、RAG、工具调用(Tool Use)等细分方向。LFM2-VL、LFM2.5-1.2B-Thinking、LFM2-24B-A2B 等型号相继亮相,形成了一个庞大的“端侧模型货架”。

这背后的商业逻辑极其直白:没有任何一个模型能够吞噬所有场景。手机的离线翻译、车机的语音助手、电商搜索的极速推荐,对参数大小、延迟限制和多模态能力的要求截然不同。

在这里,它与面壁智能的差异开始显现:面壁的故事更加聚焦——手机端的极致多模态;而 Liquid AI 铺设了一条极长的战线——从底层架构、模型族群,一路贯穿到部署平台与垂直行业。

走向真实业务:从 Benchmark 到落地 Showcase

2026 年前后,Liquid AI 终于在应用层交出了答卷。它跳出了写诗、翻译的常规 Demo,直接切入了高价值的业务腹地:

  • LocalCowork (本地 Agent):正如开篇所述,它击中了企业数据资产(代码、合同、内部文档)无法上云的痛点,将 Agent Loop 拉回本地,由端侧模型可靠地调度工具链。
  • Mercedes-Benz (车载智能):2026 年 4 月,双方宣布在北美开展多年合作,为第三/四代 MBUX 系统提供嵌入式车载智能。汽车是端侧 AI 的终极试验田——它要求严苛的低延迟、断网鲁棒性以及长期的系统稳定性。

文章配图

图:Mercedes-Benz 与 Liquid AI 合作,将嵌入式智能带入车载场景。

  • Shopify (商业系统):首个生产环境部署强调了低于 20 毫秒(sub-20ms)的文本模型,专门服务于电商搜索与交易流。这证明了高效模型即便在云端,也能极大削减成本并突破吞吐瓶颈。

文章配图

图:Liquid AI 与 Shopify 合作,把高效模型用于核心 commerce workflow。

这三个切面,勾勒出了 Liquid AI 真正的靶心:那些云端千亿大模型进不去、跑不快、不合规的广阔“缝隙”。

LFM2.5-8B-A1B:端侧潜力的阶段性样本

作为最新力作,LFM2.5-8B-A1B 将这条路线推向了新的高度。总参数 8.3B,激活参数仅 1.5B,训练数据量却高达 38T Tokens(与 DeepSeek V4 系列处于同一量级);支持 128K 超长上下文,专为工具调用与 Agent 工作流优化,且全面拥抱 llama.cpp、vLLM 等开源生态。

文章配图

图:LFM2.5-8B-A1B benchmark,强调端侧工具调用。

它的发布,让社区的关注点从空泛的“参数规模”落到了实处:消费级 GPU 能否流畅运行?量化后是否会破坏 MoE 路由的稳定性?长上下文是否会出现注意力漂移?这说明,开发者已经开始用衡量生产力工具的标准(Tokens/s、内存占用、量化损耗)来审视它。

这个模型不必被神化,它的历史定位更像是一个极具价值的阶段性样本:它证明了在消费级硬件的算力与延迟边界内,本地 Agent、超长上下文与高难度工具调用,已经成为现实。

尾声:一场部署范式的底层变革

所以,Liquid AI 究竟是不是美国版的“面壁智能”?

答案是:是,也不是。

“是”的一面在于,它们并肩站立在同一股不可逆转的浪潮之巅。它们都在用行动宣告:模型的价值不只由参数量决定。在严苛的成本与算力约束下,提供有效的智能,同样是一种价值。

但如果我们尝试自顶向下地理解端侧机器学习系统,就会发现 Liquid AI 的路线是在打造一套硬件原生的基础模型技术栈。它始于 MIT 实验室里的学术狂想,穿越了 LFM 的技术自证与平台化阵痛,最终在汽车与电商的工业齿轮中咬合。它尝试证明,基础模型需要被具体的设备、隐私边界和产业场景重新重塑。

而这场关于端侧 AI 的探索远未盖棺定论。Liquid AI 仍需面对漫长的考验:新架构的护城河到底有多深?资源受限场景下的 Tool Calling 能否保持绝对的可靠?更重要的是,微软 Phi、Google Gemini Nano 与苹果 Apple Intelligence 体系背后都有操作系统、芯片和分发入口加持,Liquid AI 必须证明自己在这些平台级玩家的夹击下,仍然能靠架构效率、部署工具链和行业场景占住位置。

但至少,它撕开了一个极具想象力的切口。

过去两年的 AI 叙事,聚光灯始终打在云端大模型的能力穹顶上;而接下来的时代暗流,将属于智能如何挣脱数据中心的引力,下沉到手机、PC、汽车、机器人与每一个本地工作流之中。

无论 Liquid AI 的结果如何,都将是这部宏大史诗中的重要一章。

文章来自于微信公众号 "Vinci叽里呱啦",作者 "Vinci叽里呱啦"

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)