你在网页里打开摄像头，画面旁边随即出现字幕；对着笔记本说句话，模型在本机完成转写，再用语音回答。过去，这类功能常要把数据传到云端。Liquid AI 新发布的 LFM3 系列，想把它们搬回手机、电脑和浏览器：不是让一个庞大模型包办一切，而是用一组约 2B 参数的小模型分别处理文字、图像、视频和声音。
这就是“端侧多模态”：多模态指模型能处理文字、图像、声音等不同信息；端侧推理则是模型直接在用户设备上运行。它通常意味着更低的网络延迟、离线可用，也能让数据留在本机。值得注意的是，目前大部分能力和规格来自 Liquid AI 官方模型卡；浏览器视频字幕另有第三方演示印证，但材料没有独立基准、速度或准确率测试。
一次发布，补齐四种入口
LFM3 不是单个模型，而是一个覆盖 base、text、vision、audio、omni 和 decision 模型的家族。本次材料最值得关注的，是四个面向本地使用的成员。
纯文本的 LFM3-1.7B 有 17.3 亿参数，经过后训练，面向本地代理、工具调用、结构化输出和领域微调。所谓工具调用，就是让模型不只回答问题，还能按规定格式请求日历、搜索或其他程序执行动作。结构化输出则要求它稳定返回表格或 JSON 一类机器容易读取的结果。
它采用“tri-hybrid”架构，也就是在 24 层模型中混合三种计算方式：13 层 gated short convolutions、5 层 sliding-window attention，以及 6 层 global attention。可以把它理解成三种阅读范围的分工：有的层盯住附近文字，有的层看一段窗口，有的层负责联系全文。官方模型卡只给出了结构，没有提供这些设计相对其他方案的独立效果对比。
LFM3-1.7B 支持最长 256K token 的上下文，输入与输出合计计算。token 是模型切分文字后的基本单位，并不等同于汉字或单词。这个长度为处理长材料留出了空间，但材料没有说明实际长文本任务的准确率，也不能把 256K 外推到其他 LFM3 成员。
约 1 GB，指的是权重
LFM3-1.7B 在 4-bit 精度下约占 1 GB 内存。4-bit 量化，就是用更少的位数记录模型权重，从而缩小体积；代价是可能损失一部分精度。这个数字确实让手机和笔记本本地部署更现实，但“约 1 GB”不能理解成整套程序只需 1 GB：它没有计入运行时、上下文缓存和系统开销，也不适用于视觉、音频或 Omni 模型。
官方把 LFM3-1.7B 定位为小型、可定制的执行者，而不是万能助手。知识密集型任务需要配合检索或搜索；官方明确不建议用它处理 agentic coding——让代理自主规划并修改代码——或复杂的多步推理。这个边界很重要：小模型的价值在于把特定工作放到本地，不是用更少参数复制大型云端模型的全部能力。
浏览器开始“看见”视频
LFM3-VL-2B 是视觉语言模型，也就是能把视觉内容和文字问题放在一起处理。它接受文本、图像和视频输入，将 LFM3 语言模型与 Liquid AI 自研的视觉编码器组合起来。视觉编码器负责把画面转换成语言模型能够处理的信息。
真正让它显得接近实用的，是 WebGPU 演示。WebGPU 是浏览器调用设备 GPU 做通用计算的标准接口。借助它，网页无需安装专用桌面程序，也能在本地加速模型。Liquid AI 的模型资产与第三方 webml-community 演示共同表明，LFM3-VL-2B 已可在浏览器本地运行，并为实时视频生成字幕。
不过，“演示能运行”不等于它已经能稳定理解所有视频。现有材料没有帧率、延迟、字幕准确率或设备范围，也没有与同尺寸模型比较。更稳妥的结论是：浏览器内的本地视频字幕已经有了可操作的入口，通用性能仍待验证。
声音不再只是转成文字
LFM3-Audio-2B 面向笔记本和边缘设备，可接收文字或音频，再输出文字、语音或两者。它覆盖语音识别（ASR，即把说话内容转成文字）、实时语音识别（LiveASR）、文字转语音（TTS）、语音聊天、录音内容理解、语音翻译，以及由语音触发工具调用。
官方称它能在 18 种语言间进行语音转写、合成和翻译。但材料没有列出具体语言，也没有说明每种语言是否完整支持全部任务，因此不能理解为 18 种语言的每项能力都同样成熟。
LFM3-Omni-2B 则把范围继续扩大：它理解文字、图像、视频和音频，并以文字或语音回答。官方提供了 GGUF 版本。GGUF 是便于本地推理工具装载模型及相关信息的文件格式，现有说明列出了 llama.cpp、Ollama、LM Studio、Jan 和 Docker Model Runner 等入口。
这里仍有一道现实门槛。模型卡写明，llama.cpp 对 LFM3-Audio 和 LFM3-Omni 的支持当时仍等待相关代码合并与发布；实时语音对话接口也尚在开发，llama.cpp 还不支持该模型的视频输入。因此，兼容入口已经铺开，不等于每个客户端、每种模态都完成了全面验证。
为什么现在值得看
LFM3 的意义不在某个领先分数——材料根本没有提供这种证据——而在于它把端侧多模态需要的几块拼图同时摆上桌面：文本模型压到约 1 GB 权重，视觉模型进入 WebGPU 浏览器演示，音频模型覆盖从识别到合成的链路，Omni 模型则开始接入常见本地工具。
这种“小模型分工”也延续了 Liquid AI 的技术叙事。据 MIT News 与 Science News Explores，团队研究的源头之一，是受秀丽隐杆线虫启发的神经网络。这种约 1 毫米长的生物只有 302 个神经元。相关研究后来进入汽车和无人机实验，并由 Ramin Hasani、Mathias Lechner、Radu Grosu 与 Daniela Rus 等人在 2023 年共同创办 Liquid AI 后推向商业化。故事本身不能证明模型效果，却解释了这家公司为何长期强调：模型未必越大越好。
局限与未知
- 现有材料没有独立的准确率、速度、功耗、内存实测，也没有与同尺寸模型对比，不能据此宣称 LFM3 已“接管”本地多模态或性能领先。
- 约 1 GB 和 256K 上下文只对应 LFM3-1.7B 的特定说明；视觉、音频及 Omni 模型的完整资源需求仍未知。
- 浏览器字幕已有第三方演示，但 Omni 在 llama.cpp 中的音频、实时语音和视频支持仍不完整。LFM3 更像是端侧多模态从展示走向可用的一组入口，而不是已经收尾的成品。