仅需 1GB 内存就能在手机和轻薄本上跑全能 Agent，MIT 孵化的 Liquid AI 最新开源 LFM3 家族

大家好，我是蓝戒。本篇我们来聊聊：“仅需1G内存的大模型LFM3”。

这几年大家聊起大模型，动辄就是几百亿、上千亿参数，仿佛不配一台插满顶级显卡的服务器，就不配在本地跑 AI 智能体。

但我们在日常工作和生活里，真的每件事都需要请一位“无所不知的超级科学家”出山吗？

仔细想想，我们每天在电脑和手机上80%的枯燥杂活——比如从一段乱七八糟的聊天记录里抠出收货地址填进表格、看一眼发票照片把金额记下来、听一段语音指令帮忙设个日程提醒、或者在内部网页上自动点几个按钮提交表单——其实根本不需要模型会写长篇小说或者推导高深数学题。我们真正需要的，是一个不挑硬件、只占一点点内存、断网也能秒回、而且绝对不会把私人文件传到外网去的“本地熟练工”。

就在 10 月 27 日，由麻省理工学院（MIT）计算机科学与人工智能实验室孵化出来的明星初创公司 Liquid AI，正式开源了他们最新的第三代模型家族——LFM3（Liquid Foundation Models 3）。

这一波开源直接在端侧 AI 圈子炸开了锅：它一口气放出了涵盖文字、看图看视频、语音对话、全模态（Omni）以及快速决策在内的 6 款 20 亿参数（2B）级别小模型。最让人惊讶的是，经过常规压缩（4-bit 量化）后，它的核心文字模型只需要大约 1GB 的内存就能流畅运行，却足足塞进了能一口气读完约 20 万汉字（256K 上下文）的超大记忆窗口！

今天咱们就抛开那些让人头晕的数学公式和架构黑话，用最通俗的大白话，聊聊这家主打“液态网络”的公司到底施了什么魔法，以及这个只有 1GB 大小的新物种到底能帮我们干些什么。

一、出身麻省理工的“另类学霸”：为什么 1GB 内存就能装下 20 万字记忆？

第一次听说 Liquid AI 的朋友，可能会对它的名字感到好奇：为什么别的公司都在闷头卷传统的 Transformer 架构，它却偏偏要搞所谓的“液态基础模型（LFM）”？

用大白话打个比方你就明白了：

传统的通用大模型，就像是一个“强迫症速记员”——你在跟它聊天的过程中，每当它要往下多写一个字，它都得把你们前面聊过的几万字从第一个字开始重新翻阅比对一遍。这就导致对话越长，占用的内存就像滚雪球一样成倍暴涨，普通手机和轻薄本根本扛不住。

而脱胎于麻省理工实验室的 Liquid AI 换了一套特别聪明的“三档混合大脑”思路。在这次开源的核心底座 LFM3-1.7B-Base（拥有约 17.3 亿参数，足足喂了 22 万亿词元的高质量数据训练而成）里，整个大脑一共只有 24 层，但它把这 24 层分成了三种不同的工作方式：

• 13 层负责“肌肉记忆”：用极省算力的方式快速处理相邻的词句，就像老司机开车换挡一样，根本不用费脑子；
• 5 层负责“盯着眼前这一段”：只关注最近两百多个词的局部上下文，随用随清；
• 只有 6 层负责“把控全局”：专门用来跨段落抓重点，而且在不重要的地方懂得自动“闭麦休息”。

正是靠着这种“好钢用在刀刃上”的精巧分工，LFM3 创下了三个不可思议的硬件指标：

1. 只要 1GB 内存就能跑：经过 4-bit 压缩后，整个模型占用的内存只有 1GB 左右——要知道，现在手机上随便更新一个大型游戏包都不止 1GB。这意味着无论是你的日常智能手机、没有独立显卡的办公轻薄本，甚至是一块几百块钱的树莓派 5（Raspberry Pi 5）开发板，都能轻松把它装进内存里常驻运行。
2. 256K 超大记忆容量：别看它体积迷你，它的单次记忆窗口高达 256K。你可以直接把一整本几百页的产品手册或者上百封历史邮件喂给它，而且在处理长文档时，它的速度比上一代足足快了 25%。
3. 参数少了三分之一，干活反而更猛：相比上一代 26 亿参数的模型（LFM2.5-2.6B），新的 LFM3-1.7B 体型缩水了 35%，但在各项测试里的综合得分反而全面反超！

二、一个底座：看视频、听语音、做判断样样能打

过去我们想在本地设备上同时处理文字、图片和声音，往往要在电脑里装三四个不同厂家做的模型，不仅切换起来慢，内存更是吃不消。

这次 LFM3 最省心的地方在于，它用同一个 1.7B 的核心底座，直接衍生出了 6 款各司其职的 2B 级模型，就像一套共用同一个电机手柄的多功能家用工具箱，你需要干什么活，就换上哪个头：

这六兄弟里，有四个亮点特别值得拎出来夸一夸：

1. 网页操作越级打赢“大块头”

在专门考验 AI 能不能像人一样操作真实浏览器和企业软件的权威测试（WebArena-Verified）里，只有 17 亿参数的 LFM3-1.7B 拿下了 38.42 分——不仅比自家上一代（3.02 分）翻了十倍不止，甚至直接打赢了体积比它大五倍多的 90 亿参数模型（Qwen3.5-9B，得分 28.94）！而且它内置了一项“按需查工具”的绝活：哪怕你的软件里有上百个功能按钮，它也不用一次性全塞进脑子里，而是先搜索挑出当前用得上的两三个工具再下手。

2. 视觉与全模态“以小博大”，还能开机器人

视觉模型 LFM3-VL-2B（仅 19 亿参数）是家族里第一个能直接看视频的模型，在 62 项视觉测试里的平均分从上一代的 57.6 跃升到了 71.4 分，直接追平了体积是它 6 倍大的 Gemma 4 12B（120 亿参数）。官方甚至演示了把它装进边缘计算盒子里指挥机械臂：从看懂桌面上的物品位置、规划路线到伸手抓取，不到 50 毫秒就能算出一连串动作，成功率高达 96.2%！而全能版 LFM3-Omni-2B 在看带声音的视频理解测试中，也越级击败了 70 亿到 100 亿参数级别的对手。

3. 话音未落就能接茬的极速语音

语音版 LFM3-Audio-2B 和全能版换上了 Liquid AI 自研的全新声音编码器（LiquidCodec）。你对着麦克风说话时，它不需要等你全部讲完再慢吞吞地转圈，而是边听边处理，最快 50 毫秒就能吐出第一个回应；在苹果 M4 Max 芯片的单个 CPU 线程上，它把文字转成语音的速度比人类正常语速快 87 倍，真正做到了零卡顿对答。

4. 不废话、只给准信的“d1 决策双雄”

平时我们用大模型做业务分类（比如判断一封邮件是不是催退款的），最怕模型啰里八嗦写一大段话，格式还不统一。d1-2B 和 d1-omni-2B 干脆砍掉了闲聊功能：你把一张客户投诉单丢给它，同时列出四个问题——“要退款吗？分给财务还是物流？涉及哪几个话题？紧急程度高不高？” 它只需要算一次，就能在几毫秒内把四个问题的答案连同准确概率（比如“99% 确定要退款”）整整齐齐地一次性吐出来！

三、1GB 的小模型是万能神药吗？实测长短板大起底

聊完了让人眼馋的亮点，咱们必须按老规矩泼盆冷水，客观说说它的真实能力边界。

毕竟从物理规律上讲，一个只有 1GB 内存占用、17 亿参数的小模型，脑容量不可能装得下全宇宙的知识。结合 Liquid AI 官方说明文档以及第三方评测机构在本地环境下的真实拷打测试，它的强项和短板分界线极其清晰：

哪些活可以放心大胆交给它？

• 从乱糟糟的文字或发票里抠标准数据：给它一段夹杂着口水话的采购记录，让它整理成标准的数据格式（JSON），它不仅每个数字都抠得严丝合缝，还能听懂“某件商品缺货不计入”的附加条件。
• 调取本地工具与遵守死规矩：让它同时调用“设闹钟”和“查天气”两个工具，参数填得既准又稳；给它规定“必须用四句话、不能出现逗号、总字数不超过 60 字”，它能一字不差地严格执行。
• 单张显卡就能训成“行业专才”：因为它足够小，普通开发者用一张消费级显卡（甚至免费的云端笔记本 Colab），花几个小时就能把你们公司内部的专属话术、特定表格格式或者智能家居口令教给它。

哪些活千万别去难为它？

• 别拿它写复杂代码或修项目 Bug：这一点连 Liquid AI 官方都在文档里直白地写着——“由于体积较小，不建议将 LFM3-1.7B 用于编程智能体（Agentic Coding）或复杂的多步推理”。在第三方实测中，让它独立写一个带画面动画的网页，它连续两次都因为漏定义了一个基础变量而画出白屏；让它去修一个餐饮库存后台的计算错误，它甚至会出现“嘴上汇报修改成功，实际上刷新页面发现一行代码都没动”的尴尬情况。
• 语言范围集中在 16 种主流语言：它的文字底座主要支持中文、英文、日语、韩语、德语、法语、西班牙语、阿拉伯语等 16 种主流语言（语音版支持 18 种）。如果你拿它去硬翻七八十种冷门小语种，它就会开始拼写出错或生造词。
• 商业授权的 1000 万美元分水岭：LFM3 系列采用的是官方自定的 LFM Open License v1.0 开源协议——对于个人玩家、学术研究，以及年营收低于 1000 万美元（约合人民币 7000 多万元）的初创公司和中小企业，完全免费商用；但如果你们公司年营收超过了 1000 万美元且想把它集成到商业产品里，就需要联系官方获取企业授权。

四、普通人怎么上手体验？AI 正在加速搬回你的个人设备

如果你手头正好有一台普通笔记本电脑，想亲自试试这个只占 1GB 内存的小钢炮到底有多快，现在上车已经非常方便了。

Liquid AI 官方在发布当天就已经把所有主流量化格式全部打包好了：

1. 零代码图形界面玩家：直接打开大家熟悉的 LM Studio 或 Ollama，搜索 LiquidAI/LFM3-1.7B（下载 GGUF 格式的 4-bit 量化包），点一下就能在本地跑起来；苹果 Mac 用户还可以直接选用专门为苹果芯片加速的 MLX 版本。
2. 本地智能体玩家：它已经原生适配了目前社区最火的 OpenClaw、Hermes Agent 和 Pi 等本地智能体框架，可以直接把它设为你的本地工具路由大脑。
3. Python 开发者：只需把电脑上的 transformers 库升级到最新版，几行代码就能直接拉起文字、看图、语音或 d1 决策模型。

跳出这一款模型来看，LFM3 的出现其实揭示了一个越来越清晰的行业大趋势：未来的 AI 绝不是“云端巨无霸通吃一切”，而是“云端大脑 + 端侧小秘书”的黄金搭档。

遇到需要写几千行代码、做全网深度调研的大工程，我们去调云端的千亿级旗舰大模型；而平时在手机和电脑上处理个人隐私账单、实时语音操控软件、过滤日常消息、或者给硬件设备做毫秒级反应时，一个只占 1GB 内存、不用联网、不花一分钱 Token 费的 LFM3 常驻在本地，才是最让人踏实、也最划算的选择。感兴趣的朋友，今晚不妨腾出 1GB 内存，把这个来自麻省理工的“小精灵”领进自己的电脑里试试水！