技术方向
跑在手机、电脑与边缘设备上的 AI：小模型、本地推理与端侧芯片的进展。
6 条精选近 30 天 6 条共收录 35 条
Liquid AI 发布 LFM3 新一代 Liquid Foundation Models，六个 2B 级模型（文本、视觉、音频、全模态及两个决策模型）均从 LFM3-1.7B-Base 分支而来，全部开源权重并已在 Hugging Face 上线。
LFM3-1.7B 采用三混合层结构（13 层门控短卷积、5 层 256 token 窗口滑动注意力、6 层全局注意力），在参数比 LFM2.5-2.6B 少 35% 的情况下超过后者，WebArena-Verified 得分 38.42 对 3.02；4-bit 精度下约 1 GB，上下文窗口 256K。
Liquid AI 用同一 2B 级骨干覆盖文本、视觉、音频、全模态与决策模型，并给出单卡微调与端侧部署路径，可据此判断小模型专用化路线的可行性。
Meta 发布 Muse Spark Open 模型，称其是迄今能力最强的美国开源权重模型，也是同类中首个能在桌面端运行、需两台搭载最新 MLX 框架的 Apple M5 Ultra Mac Studio 的模型。
该模型为原生多模态模型，总参数量 8160 亿，Meta 称其擅长长周期任务、复杂软件工程和多步推理。Meta 与 Apple 此次合作发布并公开互相支持，Meta CEO Mark Zuckerberg 与 Apple 新任 CEO John Ternus 在 X 上互动，Meta 首席 AI 官 Alexandr Wang 对 Axios 表示两家公司已合作数月。
Meta 与 Apple 罕见联手，让 816B 参数开源模型能在两台 Mac Studio 上本地运行，可观察端侧大模型的部署边界。
Google DeepMind 与新加坡政府科技局（GovTech）合作，基于轻量级 Gemma 模型微调出可在普通智能手机上本地运行的诈骗检测模型，用于识别冒充公共机构、银行和本地人物的诈骗对话。
端侧运行、不读取云端消息的诈骗检测方案，为端到端加密场景下的隐私保护提供了可参考的落地路径。
Liquid AI 发布 LFM2.5-24B-A2B，这是一个 24B 总参数、每 token 仅 2B 激活参数的推理模型，面向端侧私有智能体，会先推理再作答并支持工具调用。
24B 总参数仅 2B 激活的推理模型，给出端侧速度与工具调用基准，可据此判断本地智能体的可行边界。
Liquid AI 发布 d1 决策模型家族的两款开源权重模型 d1-3B 和实验性的 d1-omni-600M。
d1-3B 在 Decision Index 0.2.1 上得分 48.57，为 10B 以下最佳，支持文本与图像输入；d1-omni-600M 支持文本加图像或文本加音频，在七个公开数据集上均分 78.4，超过参数量四倍的 Decider 2B。
Liquid AI 开源两款端侧决策模型，给出决策质量、延迟与多模态输入的实测数据，便于判断端侧部署取舍。
Google DeepMind 发布 EmbeddingGemma 2，基于 Gemma 4 架构、Apache 2.0 许可，740M 参数，原生将文本、图像、音频和视频映射到统一嵌入空间。
官方给出 740M 参数、模块化编码器与端侧内存占用等细节，可据此判断本地多模态检索的落地成本。