Liquid AI端侧AI独角兽美国往事深度测评与排行榜

先给出几个关键判断。当AI战场从云端转向终端，真正值得聚焦的不再是“哪个模型参数量最大”，而是“哪个模型能在真实设备、隐私约束和业务限制下产出实际价值”。Liquid AI过去两年的演进轨迹，正好验证了这一点。

设想一个典型工作场景：电脑里存着两份合同、一堆客户资料、几个项目文件夹，外加一份不知何时遗留的.env文件。你希望AI完成三项任务：找出可能泄露的API Key、对比合同差异并生成报告、自动整理一份审计日志。

交给云端大模型？性能确实没问题，但风险同样明显——你必须把本地文件、客户隐私、目录结构乃至系统状态全部交给第三方。对个人用户或许只是体验上的取舍，对企业而言，这直接触碰了安全、合规和部署边界的三条红线。

Liquid AI刚推出的LocalCowork，正是针对这一矛盾：一台笔记本，无需云端API，数据全程留在本地。它背后是67个本地工具、13个MCP Servers，以及最新的LFM2.5-8B-A1B模型。通过本地调用工具、解释结果和可审计的工作流，它确实将前述三个任务变成了现实。

图：LocalCowork 界面，利用本地模型调度工具完成私有工作流。

到2026年这个时间点，Liquid AI这家公司，或许不该再被简单看作“又一家发布了小模型”的玩家。

用国内读者更熟悉的说法，它有点像“美国版的面壁智能”。过去两年，面壁智能的MiniCPM系列最突出的标签是端侧运行和强多模态——让小参数模型在手机上也能跑出惊艳效果。乍看之下，Liquid AI的LFM2.5-8B-A1B也踩着相似节奏：8B MoE架构、1.5B激活参数、128K上下文、纯本地部署和工具调用。

面壁智能是源自清华的端侧模型独角兽，而Liquid AI的起点同样不俗——孵化自顶级MIT CSAIL实验室。但此后它走出了一条不同路径：先引入有别于纯Transformer暴力Scaling的全新架构，再发布一系列Foundation Models，随后迅速补齐开发者工具与端侧入口，最终切入Shopify、奔驰等真实商业场景。

这才是Liquid AI故事里最值得深挖的部分。当整个行业都在云端数据中心比拼算力上限时，智能已经开始向边缘蔓延。一旦AI真正进入手机、PC、汽车、机器人和企业内网，核心问题就变成：模型如何适应真实的设备算力、隐私边界和业务流程？Liquid AI过去几年的战略布局，几乎全围绕这一底层变化展开。

逆流而上：当行业疯狂Scaling，Liquid AI选择重构架构

故事要从2023年底讲起。

那时，大模型行业的主流叙事已经固化：GPT-4验证了Scaling Law的统治力，资本、算力和顶尖人才全都往更大的集群和更长的训练周期里扎堆。牌桌上的玩家只关心一件事：谁能抢到更多GPU，谁能训出更大的模型。

Liquid AI却偏偏选了一个没人注意的盲区：如果AI最终要落到真实的物理世界和企业内网，那我们难道还要继续设计只适合数据中心的模型？

公司的名字“Liquid”，来自创始团队在MIT的核心研究——液态神经网络（Liquid Neural Network）。这是一种天生会“动态调整”的架构：当模型面对连续变化的信号和环境时，它的内部状态能实时自适应调整。这种特性天然契合自动驾驶、机器人、传感器序列等真实世界场景。所以从一开始，Liquid AI就把内存、延迟、能耗、硬件适配和可解释性放在了最核心的位置。

图：LFM架构图。

那时的Liquid AI，没有卷入“谁来训练下一个万亿参数Transformer”的军备竞赛。它沿着动力学系统和信号处理的底层研究，重新思考基础模型该长什么样。

这条路在传播上有天然优势——差异化足够锋利。在人人争抢“最大模型”的时代，它独占了“最高效架构”的叙事。但代价也很明显：信任成本极高。外界难免会问：你的模型在哪？评测数据呢？实验室里的论文，真的能变成工业级产品？

2023年12月，Liquid AI宣布完成4660万美元种子轮融资。投资人名单很有意思：除了OSS Capital、Samsung Next，还有Shopify创始人Tobias Lutke和Notion联合创始人Chris Prucha。这个阵容释放了清晰信号：Liquid AI的野心不仅在学术界，它想把高效模型真正扎进商业系统和设备生态中。

第一代LFM：从学术概念到可验证的模型

2024年9月，Liquid AI发布了第一代Liquid Foundation Models (LFMs)。当时的外部环境正处在一个微妙转折点：大模型能力确实在涨，但企业开始算经济账了——云端API的调用成本、网络延迟、私有化部署的安全顾虑，这些问题越来越突出。与此同时，AI PC、手机NPU和车载AI的普及，让离线运行从“可选”变成了“刚需”。

第一代LFM包含1.3B Dense、3.1B Dense和40.3B MoE三个型号。它们向外界展示了更好的性能/尺寸权衡、更低的内存占用，以及面向NVIDIA、AMD、高通、苹果等异构硬件的优化潜力。

这一步很关键：Liquid AI从“贩卖新架构概念”正式变成了“交付可用模型”的公司。社区里关于端侧AI的讨论，也从概念争论进入了真刀真枪的可行性和能力边界验证。

LFM2、LEAP与Apollo：端侧AI走向工作流

2025年，端侧AI彻底告别了边缘地位。面壁的MiniCPM证明了小参数的多模态能力；微软Phi把推理无缝接入了Windows和Copilot+ PC；Google Gemini Nano深入到了Android系统底层。Liquid AI也在2024年底拿到了AMD领投的大额融资，深度绑定了芯片和推理栈生态。

到了这个阶段，行业终于意识到：训练出小模型只是入场券，分发、运行权限和生态闭环，才是决定它能活多久的关键。

2025年7月，Liquid AI推出LFM2，主打混合架构和在CPU上的极速Decode/Prefill效率，同时释出了350M、700M、1.2B这类极度端侧友好的权重。

图：LFM2端侧模型的速度与效率。

同月，两个基础设施级别的发布，将Liquid AI的产品化向前猛推了一把：

• LEAP (Liquid Edge AI Platform)：定位为端侧中间件，把模型的发现、测试、微调、量化打包和部署串成了完整的工作流。它解决了那个老问题：开发者到底该怎么为特定设备选到合适的模型？
• Apollo：移动端原生入口。不仅让普通用户能在手机上直接体验本地模型，也为Liquid AI收集到了真实设备在延迟、内存、发热和交互边界上的第一手数据。

图：LEAP试图把模型发现、测试、定制和部署串成端侧AI工作流。

这是Liquid AI的一个关键拐点：它不再只是一个发布模型的机构，而是变成了一个提供端侧部署解决方案的平台。

扩张模型族：拒绝“万能模型”的迷思

从2025下半年到2026年，Liquid AI迎来了产品矩阵的爆发式扩张。除了文本模型，它快速补齐了视觉语言（VL）、音频、MoE、Embedding、RAG、工具调用（Tool Use）等细分方向。LFM2-VL、LFM2.5-1.2B-Thinking、LFM2-24B-A2B等型号相继亮相，形成了一个庞大的“端侧模型货架”。

背后的商业逻辑很直白：没有任何一个模型能吞下所有场景。手机上的离线翻译、车机里的语音助手、电商搜索的极速推荐——它们对参数大小、延迟限制和多模态能力的要求完全不同。

到这里，它和面壁智能的差异就显现出来了：面壁的故事更聚焦——手机端的极致多模态；而Liquid AI铺了一条很长的战线——从底层架构、模型族群，一路贯通到部署平台和垂直行业。

走向真实业务：从Benchmark到落地Showcase

2026年前后，Liquid AI终于在应用层交出了答卷。它跳出了写诗、翻译这类常规Demo，直接切入了高价值的业务腹地：

• LocalCowork (本地Agent)：正如开篇所说，它精准切中了企业数据资产（代码、合同、内部文档）不能上云的痛点，把Agent Loop拉回本地，由端侧模型可靠地调度工具链。
• Mercedes-Benz (车载智能)：2026年4月，双方宣布在北美开展多年合作，为第三/四代MBUX系统提供嵌入式车载智能。汽车是端侧AI的终极试验田——它要求极致的低延迟、断网鲁棒性和长期系统稳定性。

图：Mercedes-Benz与Liquid AI合作，将嵌入式智能带入车载场景。

• Shopify (商业系统)：首个生产环境部署强调了低于20毫秒（sub-20ms）的文本模型，专门服务于电商搜索和交易流。这证明了一件事：高效模型即使在云端，也能大幅削减成本并突破吞吐瓶颈。

图：Liquid AI与Shopify合作，把高效模型用于核心commerce workflow。

这三个案例，勾勒出了Liquid AI真正的靶心：那些云端千亿大模型进不去、跑不快、不合规的广阔“缝隙”。

LFM2.5-8B-A1B：端侧潜力的阶段性样本

作为最新力作，LFM2.5-8B-A1B把这条路线推到了新高度。总参数8.3B，激活参数仅1.5B，训练数据量却高达38T Tokens（和DeepSeek V4系列处于同一量级）；支持128K超长上下文，专为工具调用和Agent工作流优化，而且全面拥抱llama.cpp、vLLM等开源生态。

图：LFM2.5-8B-A1B benchmark，强调端侧工具调用能力。

它的发布，让社区的关注点从空泛的“参数规模”落到了实处：消费级GPU能不能流畅跑？量化之后会不会破坏MoE路由的稳定性？长上下文会不会出现注意力漂移？这些问题的提出本身就是一个信号——开发者已经开始用衡量生产力工具的标准（Tokens/s、内存占用、量化损耗）来审视它了。

这个模型不必被神化。它更像是一个极具价值的阶段性样本：证明了在消费级硬件的算力和延迟边界内，本地Agent、超长上下文和高难度工具调用，已经成为现实。

尾声：一场部署范式的底层变革

回到开头的问题：Liquid AI究竟是不是美国版的“面壁智能”？

答案是：是，但又不是。

“是”的那一面在于，它们并肩站在同一股不可逆转的浪潮之巅。它们都在用行动宣告一件事：模型的价值不只看参数量。在严苛的成本和算力约束下，提供有效的智能，同样是一种价值。

但如果我们从更宏观的视角来看端侧机器学习系统的演进，就会发现Liquid AI的路线是在打造一套硬件原生的基础模型技术栈。它始于MIT实验室里的学术狂想，穿越了LFM的技术自证和平台化阵痛，最终在汽车和电商的工业齿轮中找到了自己的位置。它试图证明一个观点：基础模型需要被具体的设备、隐私边界和产业场景重新定义。

当然，这场关于端侧AI的探索远没有结束。Liquid AI仍然要面对漫长的考验：新架构的护城河到底有多深？资源受限场景下的Tool Calling能不能保持绝对的可靠性？更重要的是，微软Phi、Google Gemini Nano和苹果Apple Intelligence背后都有操作系统、芯片和分发入口的加持，Liquid AI必须在这些平台级玩家的夹击中，靠架构效率、部署工具链和行业场景守住自己的阵地。

但至少，它撕开了一个极具想象力的切口。

过去两年，AI的聚光灯始终打在云端大模型的能力穹顶上；而接下来的暗流，将属于智能如何挣脱数据中心的引力，下沉到手机、PC、汽车、机器人和每一个本地工作流之中。

无论Liquid AI最终的结果如何，它都将是这部宏大史诗中值得记录的一章。

来源：互联网