Who Signs
for the Machine AI 领域每日动态 · 2026-08-05 下午班

事件内容

Liquid AI 于 8 月 4 日发布 LFM2.5-2.6B（同时开放 Base），开源权重上架 Hugging Face，标题即《Deploy Agents Everywhere》。

• 训练：约 34 万亿 token 预训练 + 128K 长上下文扩展；后训四步（教师 SFT、教师特化学习、多域 on-policy 蒸馏、真实 agent harness 内强化学习），官方点名 harness：OpenClaw、Hermes Agent——在真实工具调用环境里训，而非喂合成轨迹；
• 架构：以短卷积为主、辅以选择性注意力（LIV convolutions），每 token 维持常数状态，消除 KV cache 开销——小内存设备稳定长跑的关键；
• 速度/体积：Apple M5 Max 220 tok/s、Ryzen AI Max+ 395 113 tok/s、手机 30 tok/s，内存 < 2.5 GB；H100 单卡高并发近 15,000 output tok/s（约每天 13 亿 token）；
• 基准：对手为 5.1B–9.7B 模型，它是最小但指令遵循（IFBench 59.17 / Multi-IF 80.07 / IFStruct 85.49）与工具使用（ToolSandbox 77.83、BFCLv4 56.88 仅次 Qwen3.5-9B）全线第一；编程是唯一仍由更大模型保持优势的领域（LiveCodeBench v6 59.41 落后 Qwen3.5-9B 的 69.86）。HF 近月下载 47,393。

值得关注的原因

• 它把"谁签字"绕开了。 当够用的 Agent 完全跑在设备上、不连任何云 API，就既不需 Cloudflare 发钱包，也不产生可供第三方审计的云端账本——没有第三方在场，也就没有第三方可签字。既是隐私解放，也是治理盲区，恰好呼应 Snyk"看不见的三分之二"：端侧 Agent 天然不在任何人的清单里。
• 成本模型翻转：约束从"每 token 花多少"变成"本地跑多快"，后台常驻 Agent 边际成本趋零——可让它一直醒着、反复重试、大量并行思考，而不必为每次调用心疼。
• 训练环境选择本身是个信号：在 OpenClaw、Hermes Agent 这类真实 harness 里做 RL，意味着厂商开始把"能否在真实工具链跑通"当训练目标而非事后评测——对本机已在用 OpenClaw 一类工具链的人，这条有直试性。