这是什么

Liquid AI 发布了一款 2.6B 参数的小模型 LFM 2.6B，定位是手机端和本地运行。在 RTX 3090 这种两代前的消费级显卡上，它能达到每秒 260 个 token 的生成速度、上万 token 的读取速度。模型本身不大，所以上下文窗口（模型一次能"读"多长的文本）只有 128k（大约相当于一本薄书），能力也有限——复杂任务做不了，但用来快速读长文找特定信息、查 Linux 命令、做点文本改写，够用。

值得关注的是"本地跑"这件事本身。过去要在自己电脑上流畅运行 AI 模型，要么买昂贵显卡，要么接受蜗牛速度。2.6B 这个体量意味着，对大部分有独立显卡的人来说，本地 AI 不再是玩具，而是可以塞进日常工作流的小工具。

行业怎么看

Reddit 社区里的开发者普遍觉得"挺好玩"，但共识是：重要的事还得用云端大模型。本地小模型的价值在于"快"和"免费"，不在于"强"。

反对意见也有：有人指出 2.6B 参数的模型在专业场景下的准确率堪忧，"快速但错误"有时候比"慢但可靠"更浪费时间。还有人担心隐私叙事被过度包装——多数用户根本不会去部署本地模型，这只是技术圈的自嗨。

我们关心的是 Liquid 这家公司的策略：押注小模型而不是卷参数规模。Liquid 源自 MIT 的研究孵化，走的是"结构化"路线（用数学方法设计模型架构），和主流"堆数据堆算力"的路径完全不同。这是条窄路，但一旦走通，对算力依赖会大幅下降。

对普通人的影响

对企业 IT：一些对数据敏感、又不想把数据传给云端的场景（法务、医疗、内部日志），本地小模型可能成为折中方案。但 2.6B 还远远不够，IT 决策者需要关注的是这条线整体的趋势，而不是某一款产品。

对个人职场：愿意折腾技术的人可以开始把"先丢给本地模型过一遍"作为日常习惯——查资料、整理格式、做草稿，省下 API 调用费用。但不折腾的人不用着急，云端工具够用。

对消费市场：短期内不会有"你的手机因为这个变聪明了"的体验。真正的变化会发生在未来 12-18 个月：当厂商把这些小模型预装进手机和电脑时，端侧 AI（不联网、在设备本地运行的 AI）才会进入日常生活。