Liquid AI 推出 LFM2.5-230M：端侧小模型为何重新升温？
Liquid AI 推出 LFM2.5-230M，主打小参数量、低延迟和端侧部署能力。它反映出 AI Agent、机器人和本地应用正在重新重视“小而强”的模型路线。
事件背景：不是所有 AI 都需要超大模型
Liquid AI 在 2026 年 6 月 25 日发布 LFM2.5-230M，这是一款面向端侧和轻量场景的小参数模型。与动辄数百亿、上千亿参数的前沿大模型相比，230M 的规模看起来并不醒目，但它恰好击中了当前 AI 应用落地中的一个现实问题：许多任务需要低延迟、低成本、可本地运行，而不是每次都把请求发往云端大模型。
这个方向与 2026 年 AI 产品趋势高度相关。AI Agent 开始进入浏览器、桌面、机器人和企业设备后，模型不只要“聪明”，还要能在有限算力、网络不稳定、隐私要求更高的环境中稳定运行。小模型因此重新获得关注。
产品重点：小参数量背后的部署价值
官方模型页显示，LFM2.5-230M 面向 on-device deployment，提供基础模型、指令模型、GGUF、ONNX、MLX 等格式，方便在本地推理框架和不同硬件环境中运行。Hugging Face 页面还强调它适合工具调用、数据抽取和边缘推理，这些都是轻量 Agent 常见的基础任务。
端侧模型通常更适合做实时分类、意图识别、工具路由、传感器数据理解、局部对话和设备控制。它可以和云端大模型形成分工：本地模型先完成快速判断和轻量任务，复杂推理再交给更大的模型。
可能影响：端侧 Agent 会变得更可行
第一，小模型有利于降低 AI 应用的边际成本。对高频调用产品来说，哪怕每次请求只节省少量成本，累计下来也会影响商业模型。
第二，端侧部署有助于隐私和响应速度。客服辅助、会议记录、设备控制、工业巡检等场景，往往不希望所有原始数据都上传云端。更小的本地模型可以承担前置过滤、实时提示和低风险操作。
第三，未来 AI 产品可能会采用“多模型编排”而不是单模型路线。一个应用同时使用本地小模型、云端通用模型和专用行业模型，会比只依赖一个大模型更灵活。
适合哪些人关注
硬件和机器人团队应关注 LFM2.5-230M 这类模型能否降低设备端智能化门槛。企业 IT 和安全团队可以关注它在内网、隐私敏感流程中的应用价值。AI 开发者则应关注小模型与大模型协同的架构设计，例如工具路由、缓存、离线降级和本地预处理。
