推文

@fireandstart · 2026-10-14 01:53

这条发布信息里，我最关注的是端侧部署能力与推理效率如何同时落地。LFM2.5-24B-A2B把总参数规模、每 token 激活参数和 131K 上下文放在一起，指向的不是单纯追求更大的模型，而是在笔记本或 PC 上运行多步骤代理时，尽量兼顾响应速度、较长任务上下文与数据留在本地的隐私需求。 但参数表只能说明模型的配置，真正决定它是否适合代理工作的，还是工具调用、长链任务和异常恢复中的表现。Liquid AI 提到它在代理与工具使用任务上能和总量、激活量都更大的 Qwen3.6-35B-A3B 竞争，这值得关注；不过“有竞争力”不等于所有任务都领先，基准结果也不能代替对具体工作流的验证。最好同时看成功率、延迟、峰值内存、连续运行稳定性，以及工具失败后能否正确恢复。 我也看重基础权重和后训练权重开放、易于微调这些信息：它们让团队可以针对自己的工具协议和领域数据做适配，而不必把敏感输入交给云端 API。下一步更有说服力的证据，是公开可复现的评测设置、端侧实际资源占用，以及模型在真实代理框架中的持续运行结果。小模型能否把能力带到数据所在的位置，最终要由这些具体约束来回答。

曝光 90 · 评论 1 · 点赞 1 · 书签 0