Liquid AI：端侧 AI 独角兽的美国往事

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。

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。

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。

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。

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。

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。

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。

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”