1GB内存跑多模态，LFM3实测：够用吗？

Liquid AI 发布了 LFM3，新一代 Liquid Foundation Models。LM Studio 同步上线，模型页写着：最小模型约 1GB 内存。

这次发布的是一个系列，不是单个模型。六个实例，覆盖文本、视觉、音频、omni 和决策，参数从 1.7B 到 2.2B。Liquid AI 的说法：tri-hybrid 架构，新的多模态编码器，为专用智能设计。

文本模型 LFM3-1.7B，256K 上下文。在 WebArena-Verified 和 AutomationBench 上，官方数据超过 Qwen3.5-9B。128K tokens 的 KV cache 占 1.6GB，Qwen3.5-4B 要 4.3GB。长对话下，小模型反而能给应用留出更多内存。Liquid AI 还并行跑了超过 30 万个 agent 分析安然邮件存档。

视觉模型 LFM3-VL-2B，支持视频输入。62 个视觉基准平均 71.4，官方说和 Gemma 4 12B 持平，后者 6 倍大。参数只有 1.92B。它还带空间推理，能定位物体、理解物体之间的位置关系，官方说它能为机器人应用提供基础。

音频模型 LFM3-Audio-2B，文本或音频输入，输出文本、语音或两者。18 种语言，支持口语工具调用。官方内部评估 58.5，对比 Qwen2.5-Omni-3B 的 44.3。LiquidCodec 分词器在 Apple M4 Max 单线程上约 87 倍实时合成语音。因果编码器可以边听边处理，减少等待。

Omni 模型 LFM3-Omni-2B，视觉、音频、语言一起处理。Daily-Omni 70.1，对比 Qwen2.5-Omni-7B 的 61.3。参数 2.2B。

决策模型 d1-2B / d1-Omni-2B，输出带校准概率的边界框、字段提取、数值范围、多选概率。117 个基准平均 63.2，d1-3B 是 58.8，参数少三分之一。

架构上，LFM3 语言骨干用了 24 层混合结构：门控短卷积、滑动窗口注意力、全局注意力。Liquid AI 说，架构用自动化硬件在环搜索设计，针对 14 类处理器优化，包括手机、笔记本、树莓派、云 CPU、GPU 和 NPU。部署约束被写进架构选择，同时优化每参数能力和设备端推理速度。

LM Studio 上的 LFM3-VL-2B GGUF 约 1.10GB。开发者 SourceCodeplz 下载 Q8 量化后指出：文件 1.85GB，128K 上下文额外约 1.6GB，总计约 3.5GB 内存。他让模型写一个 HTML 页面，结果不完美但可用，速度 97.85 tok/s。初版 GGUF 在 LM Studio 0.4.26 上加载失败，更新运行时后解决。这种“第一版总有点问题”的细节，熟悉本地模型的人应该不陌生。

这类小模型的价值在专用场景里更明显。官方给了一个风力涡轮机检查的例子：约 3000 张公开照片，SFT+GRPO，一张 A100 上训练几小时。缺陷分类准确率从不到 10% 到 67%，检测 F1 从 0.003 到 0.11。机器人方向：导航 R2R 53%、RxR 43%，操作 VLA 在 LIBERO 上平均 96.2%，在 Jetson AGX Orin 上动作生成不到 50ms。

LFM3 不会取代 GPT-6 这类前沿模型。它的思路是另一条：在特定任务上做到足够好，同时小到能塞进你的设备。有网友在评论区说，老笔记本终于又有活干了。1GB 内存的模型能调用工具、处理视觉和音频，这个趋势比参数数字更值得注意。本地 agent 的入场券，可能已经降到 1GB。