标签
Liquid AI 分享了原地升级预训练模型分词器的秘诀，将 LFM2.5 的分词器从 65K 扩展到 128K，以提高对泰语、越南语和印地语等语言的效率，结果使得令牌数量减少多达4倍，生成速度提升2.2-3.7倍。
一篇Substack文章解释了LLM中的doom loop问题——模型会无休止地重复token，并介绍了Liquid AI提出的Final Token Preference Optimization（FTPO）方法，用于在微调过程中检测并修复此类循环。
Liquid AI 庆祝在 Shopify 平台上处理了 10 亿次请求，突显了他们多年合作中的一个里程碑。
Liquid AI 发布了 Antidoom，一种用于减少推理模型中 doom loops 的开源方法，应用于 LFM2.5-2.6B 和 Qwen3.5-4B，显著降低了 doom-loop 率并提高了评估分数。
ifstruct 是 Liquid AI 推出的一个针对结构化输出的指令遵循基准测试，旨在推动该领域发展出更好的、可本地运行的小型模型。
在Fable-5编码轨迹上微调了LiquidAI的LFM2.5-230M模型，发现结果比预期的要好。
开源AI推理在移动端达到300 tok/s，借助WebGPU框架，Liquid AI的LFM2.5 230M模型在浏览器中达到1,400 tok/s。
LiquidAI 发布了 LFM2.5-230M，一个 230M 参数的语言模型，专为在有限硬件上运行而设计，支持 transformers、vLLM 和 SGLang。
您现在可以使用 TRL 的 GRPO 和 RLOO 方法来训练 Liquid AI 的 LFM2-VL 模型，并提供了示例脚本。
Liquid AI 的 LFM2.5-230M 模型在 Unitree G1 机器人上展示了多步工具调用能力，完全在 NVIDIA Jetson Orin 设备端运行，充当技能选择层。
Liquid AI发布了LFM2.5-230M，一款紧凑的230M参数混合模型，针对设备端部署进行了优化，边缘推理速度快（在Galaxy S25 Ultra上达到213 tok/s），并通过强化学习构建，适用于智能体任务。
Liquid AI 展示了如何使用 LFM2.5-ColBERT-350M 作为过滤器，从151个工具中仅选出最相关的五个，从而减少延迟并提高工具选择准确性。
Liquid AI 发布了 LFM2.5-8B-A1B，这是一款边缘 MoE 模型，基于 38T tokens 训练，拥有 128K 上下文窗口，改进了工具调用和推理能力，可在 Hugging Face 上获取。
Liquid AI 发布了 LFM2.5-8B-A1B，这是一款边缘模型，拥有 128K 上下文窗口、38T 预训练 token 和大规模强化学习，支持工具调用和复杂任务，同时可运行于入门级笔记本电脑。
Liquid AI 发布了 LFM2.5-8B-A1B，这是一个8B MoE模型，拥有1.5B活跃参数和128K上下文，为边缘设备优化。
LottoLabs 宣布了 LiquidAI 的 LFM2.5-8B-A1B-GGUF 模型，这是一个8B参数的模型，在大量token上训练，并针对有限GPU硬件上的快速推理进行了优化，支持 llama.cpp、Ollama、vLLM 等。
LiquidAI 发布了其 LFM2.5-8B-A1B 模型的 GGUF 量化版本，并提供了在多个推理引擎上的使用说明。
LiquidAI 发布 LFM2.5-ColBERT-350M，这是一种后期交互多语言检索模型，同时还有一个密集双编码器变体，两者均基于 LFM2.5-350M-Base，支持 11 种语言，并设计为 RAG 管道的即插即用替代品。
一条推文认为，下一波人工智能浪潮将是边缘设备上的紧凑智能，而非更大的数据中心，Liquid AI 支持在手机、汽车和日常设备上运行 AI 的愿景。
Liquid AI 发布了 LFM2.5-Embedding-350M，这是一种密集双编码器，用于多语言检索，支持11种语言，可作为 RAG 流水线的直接替代方案。