人工智能初创企业 liquid ai 今日正式推出并开源全新端侧大模型
在模型架构层面，LFM2.5-8B-A1B 采用稀疏混合专家（MoE）结构，总参数规模达 8.3B。凭借其稀疏激活机制，模型在生成每个 Token 时仅需调动约 1.5B 参数，从而实现在智能手机、轻薄笔记本等资源受限的边缘设备上稳定、流畅运行。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
上下文容量跃升与深度推理强化
相较上一代版本，LFM2.5 将原生上下文长度由 32K 扩展至 128K 词元，预训练语料规模亦从 12T 增至 38T。作为专注推理任务的纯推理模型，它在输出最终结论前会显式构建完整的思维链路；同时，其高度压缩的多语言词表可更紧凑、更精准地表征包括中文、阿拉伯文在内的九种主流语言。
将小说章节转换为电影分镜剧本。用户上传txt/md/docx文本，AI分析场景、角色、情绪、镜头语言，输出专业分镜脚本。适用于用户提及“分镜”“storyboard”“小说转分镜”“影视改编”“镜头脚本”或需要将小说改编为分镜的场景。
针对长程推理中常见的逻辑循环与事实幻觉问题，研发团队在训练流程中嵌入双阶段强化学习（RL）策略：第一阶段通过偏好建模显著缓解多步推理中的“无限循环”现象；第二阶段则引入定制化防幻觉奖励函数，使模型在遭遇知识边界外的问题时具备主动拒答能力。
端侧效能卓越且全栈生态无缝适配
性能方面，LFM2.5 实现全面突破——在逻辑推理与抗幻觉评测中大幅领先前代产品，指令理解与执行能力甚至可比肩参数量更大的竞品模型。在工具交互场景下，模型默认以简洁高效的 Python 函数形式输出调用指令，并支持通过系统提示词一键切换为标准 JSON 格式，兼顾灵活性与兼容性。
该模型上线当日即获得主流推理框架的原生支持，涵盖 llama.cpp、MLX、vLLM 及 SGLang 等核心生态。硬件实测数据显示：在搭载 M5 Max 芯片的设备上，其解码吞吐量高达每秒 253 字节；而在典型安卓旗舰手机端亦可稳定维持约每秒 30 字节的推理速度，真正实现隐私安全与运行效率的双重保障。
