Liquid AI 發布 LFM3：…新聞來源摘要
本文目錄：這則更新發生了甚麼及何時公布 | 已確認事實與尚未確認事項 | 這則更新會影響誰、影響甚麼決定 | 現在可以採取的核對步驟 | 文章參考資料
這則更新發生了甚麼及何時公布
Liquid AI 於 2026 年 10 月 27 日透過 Hugging Face blog 公布 LFM3 系列：約 20 億參數級的 Liquid Foundation Models，強調在單一骨幹上覆蓋文字、視覺、音訊、omni 與決策能力，可在單張 GPU 上微調，並以邊緣（edge）部署為導向。
官方自述方面，LFM3-1.7B 以少約 35% 參數勝過前代 LFM2.5-2.6B；文字模型在 4-bit 量化下約 1GB，上下文長度 256K；預訓練約 22 兆（22T）tokens，並經 mid-train 把上下文延伸至 256K。公開型號包括 LFM3-1.7B、支援視訊輸入的 LFM3-VL-2B、LFM3-Audio-2B、LFM3-Omni-2B，以及 d1-2B、d1-omni-2B；可經 transformers 執行，開源權重放在 Hugging Face。架構上官方以高階方式描述（例如 tri-hybrid 等），細節以模型卡與 blog 為準。blog 亦公布自述基準，例如 WebArena-Verified 由 3.02 提升至 38.42、VL 平均由 57.6 提升至 71.4——這些數字應視為官方自報，實務表現仍取決於任務與硬體。
已確認事實與尚未確認事項
已確認：LFM3 於 2026-10-27 在 Hugging Face blog 發布；約 2B 級多模態家族、單卡微調與邊緣導向定位；LFM3-1.7B 相對 LFM2.5-2.6B「少約 35% 參數仍更強」為官方自述；4-bit 約 1GB、256K context、約 22T tokens 預訓練與 mid-train；上述型號清單與 transformers／HF 開源權重路徑；官方自報 WebArena-Verified 與 VL 平均分數見於原文。
尚未確認：在香港常見邊緣裝置上的實際延遲與電量表現、以及每一種商用部署場景的授權是否涵蓋——請直接查 Hugging Face 模型卡與 Liquid AI 授權條款，本文不代為保證。
這則更新會影響誰、影響甚麼決定
若你正在評估「能否在有限 GPU／邊緣硬體上跑多模態小模型」，LFM3 主要影響模型短名單與 PoC 優先序：同一家族同時涵蓋文字、視覺、音訊與決策，可減少拼湊多個不相干檢查點的成本。對純雲端、不在意本機部署的團隊，短期影響較小，仍可把大型專有模型當主路徑。
決策時應分開「開源權重可下載」與「商業授權允許你的場景」：前者方便實驗，後者才決定能否上線客戶資料或內嵌產品。
現在可以採取的核對步驟
- 閱讀 Hugging Face／Liquid AI 原文與各模型卡，核對授權、檔案大小與支援模態。
- 在單卡環境以同一批真實任務比較 LFM3-1.7B 與你現用小模型的正確率、延遲與記憶體。
- 若需要視覺或音訊，分別驗證 LFM3-VL／Audio／Omni，不要假設文字模型已涵蓋全部模態。
- 把官方基準分數標註為「供應商自報」，另建內部評測集。
- 若要把開源模型落到可維護專案，可考慮一對一專案指導或由課程總覽起步。
官方來源：Hugging Face／Liquid AI：LFM3（2026-10-27）。若需要把模型選型做成可交付專案，可參考 一對一專案指導 或 香港 AI 課程總覽。
文章參考資料
以上公開資料於 2026 年 10 月 28 日查閱。
學習 AI，保護你的未來。
