Liquid AI 發表 LFM3，展現務實的策略轉向：團隊不再一味追求更大型的通用模型，而是以單一 17 億參數骨幹為基礎，打造六款專用模型。這個系列針對多模態能力進行精細最佳化，涵蓋文字、視覺、音訊、全模態與決策模型，並將重點放在裝置端處理效能、長上下文能力及本機微調。對實務工作者而言，這點至關重要，因為整套技術刻意針對真實部署限制設計：有限的 RAM／快閃記憶體、單張 GPU 訓練，以及對延遲敏感的互動式工作負載。
在技術架構上，LFM3 採用三重混合設計，結合閘控短卷積、滑動視窗注意力與選擇性全域注意力；這種設計能以更少參數實現更多能力，同時讓長上下文的成本維持在可控範圍。旗艦文字模型 LFM3-1.7B 支援 256K token 的上下文視窗，並可透過 4 位元格式量化至約 1GB。超長上下文搭配極小的量化體積，讓模型得以在私有環境中支援持續運作的背景代理、大型文件推理與工具操作；在這些環境裡，資料不能傳送至雲端 API，或使用雲端 API 的成本過高。
除了核心架構，Liquid AI 也推出全新的視覺與音訊編碼器，在提升影片與語音處理能力的同時降低運算負擔。視覺模型以成對影格的時間切片處理影片，將序列長度減半；音訊模型則支援串流語音、多語言 ASR／TTS 及工具呼叫工作流程。這些能力結合後，可打造能聆聽、觀看並採取行動的混合式代理，且首個 token 延遲極低。對車載對話助理、嵌入式機器人，以及處理多模態資料的企業私有代理而言，這是不可或缺的特性。
評估 LFM3 的團隊，實際上最需要思考的是該在哪些情境、以何種方式取代雲端 API。LFM3 專為重視隱私、處理量與延遲穩定性勝過極致準確度的場景而設計，例如處理敏感資料的企業助理、受監管產業的地端自動化、AI PC 上的嵌入式感知系統，以及連線受限的邊緣設備。本文將探討部署模式、如何以單張 GPU 微調、相較雲端模型的效能取捨，以及遷移過程中需要管理的營運風險。