模型資訊
| 項目 | 值 |
|---|---|
| Model ID | LiquidAI/LFM3-1.7B |
| 廠商 | Liquid AI |
| 參數量 | 1.73B（文字模型，24 層：13 短卷積／5 滑動窗注意力／6 全域注意力） |
| Context Window | 256,000 tokens（input + output） |
| Input 定價 (USD/1M tokens) | $0.08（快取 input $0.02，Liquid Console API） |
| Output 定價 (USD/1M tokens) | $0.20 |
| 開源 | 是（LFM Open License v1.0：免費下載／微調／商用，年營收超過 $10M 須另洽商業授權） |
| 發布日 | 2026-10-27 |
| 官方公告 | Liquid AI Blog：Introducing LFM3 |
| HuggingFace | LiquidAI/LFM3-1.7B |
| 家族 | LFM3（繼 LFM2.5 之後的新一代，六個模型共用同一個 LFM3-1.7B-Base 骨幹：文字、視覺 LFM3-VL-2B、語音 LFM3-Audio-2B、全模態 LFM3-Omni-2B、兩個決策模型） |
能力亮點
- WebArena-Verified 拿 38.42 分，比參數量多五倍的 Qwen3.5-9B（28.94 分）還高；LiveClaw agent benchmark 45.60 分也贏過 Qwen3.5-9B 的 35.77 分
- 用比前代 LFM2.5-2.6B 少 35% 的參數（1.73B 對 2.6B），在官方列出的全部對照 benchmark 上都更強
- Edge 推理在三款測試裝置（AMD Ryzen AI Max+ 395、Apple M5 Max、iPhone 17 Pro）上，32K context 下 prefill 至少快 2.5 倍、decode 至少快 1.8 倍，且用最少記憶體；4-bit 精度僅需約 1GB
- tri-hybrid 架構把 KV cache 壓到標準 24 層 transformer 約 27%，讓同等記憶體可以撐到 256K context，官方訓練資料共 22T tokens
Benchmark 表現
| Benchmark | LFM3-1.7B | 前代（LFM2.5-2.6B） | 競品最強（Qwen3.5-9B，5 倍大） |
|---|---|---|---|
| WebArena-Verified | 38.42 | 3.02 | 28.94 |
| LiveClaw | 45.60 | 14.70 | 35.77 |
| BFCL V4（工具呼叫） | 71.39 | 55.89 | 62.83 |
| IFEval（指令遵循） | 96.66 | 95.39 | 92.08 |
| AA-LCR（長文本理解） | 52.83 | 6.00 | 62.00 |
⚠️ 以上皆為 Liquid AI 官方自測（vLLM BF16，完整 context 長度跑分），截至發佈時尚無第三方獨立複現；多家媒體（VentureBeat、TechTimes）亦指出此為廠商自評數字。
與前代/競品比較
跟前代 LFM2.5-2.6B 比，LFM3-1.7B 不只是參數變少——架構整個換了：前代沒有的 tri-hybrid 設計（13 短卷積＋5 滑動窗注意力＋6 全域注意力）取代原本的結構,預訓練資料量也拉到 22T tokens。結果是前代在 WebArena-Verified 近乎答不出來（3.02 分）,LFM3-1.7B 卻拿下 38.42 分,等於是整整一個世代的能力跳級,而不是微調。
跟 Qwen3.5-9B（參數量多五倍）比,LFM3-1.7B 在偏「agent 動手做」的任務（WebArena-Verified、LiveClaw、BFCL V4 工具呼叫）全部贏,平均分數 49.37 對 47.24 也小贏;但在長文本理解（AA-LCR 52.83 對 62.00）與知識密集題（GPQA Diamond 63.37 對 80.40、Humanity's Last Exam 全面落後）上仍輸給大五倍的對手。這代表 LFM3-1.7B 是刻意為「動手做」而不是「博學」優化的模型。
定價策略上也有明顯轉向：Liquid Console API 的 $0.08/1M input、$0.20/1M output,比第三方彙整站記錄的前代 LFM2.5-2.6B 的 $0.35/$0.50 便宜許多（VentureBeat 引用需登入才能看到的官方控制台報價;LFM2.5-2.6B 數字引自 pricepertoken.com）。小模型＋低價格,搭配開放權重可在裝置端免費跑,是這次最直接的商業訊號。
對 Agent 開發的意義
tri-hybrid 架構把 KV cache 壓到約 27%,這代表同一份記憶體預算下可以撐更長的 context,也是官方敢把文字模型的 context window 直接拉到 256K 的原因。這對「常駐型」本地 agent（手機、筆電上一直跑著、累積對話歷史）特別有意義——不需要頻繁清空上下文,也不用靠雲端 API 補記憶。
- 如果你在做裝置端或企業內控（資料不出裝置）的常駐 agent：LFM3-1.7B 在 4-bit 精度下約 1GB 記憶體即可跑,256K context＋官方支援 Hermes Agent、Pi、OpenClaw 等 agent harness,官方公告也點名 Mercedes-Benz（探索 MBUX 車載助理）與 Shopify 為搶先測試夥伴
- 如果你在做高併發雲端工具呼叫服務：單張 NVIDIA B300 可在 1,024 併發下達到 36 億 tokens/天,加上比 Qwen3.5-9B 少五分之四參數卻贏多項 agentic benchmark,值得納入成本敏感場景的候選名單
- 不適合：HuggingFace 官方模型卡自己寫明「不建議用於 agentic coding 或複雜多步推理」(SWE-bench Verified 僅 43.40,輸給 Qwen3.5-9B 的 51.20),以及需要大量內建知識、不搭配檢索的場景
今日收穫
這次最有意思的不是「小模型贏大模型」這個常見敘事,而是 Liquid AI 把「犧牲什麼」講得很清楚：LFM3-1.7B 在工具呼叫與網頁操作類任務上贏過五倍大的對手,代價是長文本理解與知識密集題全面讓步,官方自己的模型卡甚至直接勸退 agentic coding 用途。LFM3 家族還同時發布了兩個「決策模型」（d1 系列）,回傳結構化答案而非對話式文字——這提醒我們,不是所有 agent 任務都需要一個會聊天的模型,有些場景要的只是一個可靠的分類器。
參考資料
- Liquid AI Blog：Introducing LFM3 — Every Modality for Specialized Intelligence（官方發佈文章）
- HuggingFace 官方模型卡：LiquidAI/LFM3-1.7B
- VentureBeat：Liquid AI's new LFM3 models put browser agents, voice commands, and image recognition onto enterprise-controlled devices（含 Liquid Console API 定價）
- TechTimes：Liquid AI Releases LFM3 — Six Open-Weight Models Fuse Text, Vision, Audio, One 2B Backbone（tri-hybrid 架構與 KV cache 細節）
- startupfortune.com：Liquid AI releases LFM3 models small enough to run on a phone（LFM3-VL-2B／LFM3-Audio-2B 細節）
- pricepertoken.com：Liquid AI API Pricing（LFM2.5-2.6B 定價對照）
- 本站 Liquid AI／LFM 家族導讀
- 本站模型卡：Liquid AI LFM2.5-24B-A2B（前篇）
資料來自 LiquidAI/LFM3-1.7B 官方 HuggingFace 模型卡 benchmark 表（Liquid AI 自測，vLLM BF16），尚待第三方獨立複現。換算：基線 y=300，繪圖區頂 y=60，數值網域 0–45，k=240/45=5.333（y = 300 − 數值 × 5.333）。