LFM3-Omni-2B：会说话的全能模型，以及那份说它做不到的泄露

LFM3-Omni-2B能用声音作答。仅这一句话本身就是新闻，因为一周前最有力的公开证据还指向相反结论。当 LFM3 系列通过一个尚未合并的 SGLang 拉取请求浮出水面时，这些检查点仅接入了文本输出，而我们针对那次泄露所写的文章在当时正确地得出结论：“LFM3 会说话”尚未得到证实。2026 年 10 月 27 日，Liquid AI 发布了该系列公告和模型卡，而模型卡一锤定音：24 kHz 语音输出，通过一个名为 LiquidCodec 的组件生成，并以快于实时的速度流式传输。一个未经证实的模型不该在第一天就承担关键职责。自动故障转移流量可以按规则迁移，而故障路径无需更改代码即可故障转移。

关于此次发布的其他一切，都比那项更正所暗示的要低调得多。Liquid 的公告涵盖六个模型，而 LFM3-Omni-2B 在其中只占三句话——没有基准测试表，没有上下文长度，也没有参数量。量化记录完全存在于 Hugging Face 模型卡中，下文所有数字都来自那里。在围绕该模型做规划之前，值得理解这种割裂：定位是营销，数字是代码仓库，而两者之中没有任何内容经过独立测试。

实际发布了什么，以及何时发布的

该仓库创建于 2026 年 10 月 21 日 16:58 UTC。该卡片最后修改于 10 月 27 日 17:25 UTC，与该系列发布帖同日。撰写本文时，Hugging Face 显示 83 次下载和 17 个点赞——这些数字不算高，符合一个作为六模型家族中一个分支发布的检查点，而非作为主打发布。同级仓库也说明了同样的情况：LFM3-VL-2B 创建于 10 月 19 日，LFM3-Audio-2B 创建于 9 月 8 日，而它们全都在 10 月 27 日被改动过。

所以这并不是简报所暗示的那种"未公布"的模型。Liquid 公布了这个系列，为六个分支命名，并描述了 omni 模型的功能。公司没有做的，是以自己的方式正式发布 LFM3-Omni-2B：没有独立的博客文章，没有发布当天的评测文章，没有定价页面（因为不存在托管端点），也没有独立的基准测试。本文所关注的，正是"已公布"与"有据可查"之间的那道空白。

完整卡片

该检查点是单个 BF16 构建，包含 2,166,928,384 个参数，模型卡将其取整为 2.17B。它基于 LFM3-1.7B-Base 主干，也就是与家族其他成员相同的三混合骨干架构：大部分层由门控短卷积承担，全局注意力仅保留给少数层。在该主干之上，是一个视觉编码器、一个因果音频编码器，以及将生成的 token 转回波形的 LiquidCodec 分词器。

• 输入 — 文本、原生分辨率的图像、以每秒 2 帧的速率提供 4 至 384 帧的视频，以及 16 kHz 音频。视频输入可包含其自身的配乐。

• 输出——文本、24 kHz 语音，或在同一响应中同时提供两者。

• 上下文 —— 32,768 个 token，涵盖输入和输出总计。

• 图像预算 — 每张图像最多 2,048 个视觉 token，无论分辨率如何。

• 语言——卡片列出了 16 种文本语言和 19 种语音语言或区域设置；仓库元数据声称有 23 种。这两个数字在页面上并不一致。

• 许可证——LFM Open License v1.0，Liquid 自 LFM2 起一直使用的自定义条款，而非 OSI 许可证。

• 推理 — 无。该卡片指出不支持思考模式，且无法使用 enable_thinking=True。

其中有两行比其他内容更重要。第一行是 32K 上下文；对于 2026 年的多模态模型来说，这个上下文很小，而这是面向端侧目标的直接结果：在手机上，每个上下文 token 都会占用内存。第二行是许可证。LFM Open License v1.0 不是 Apache-2.0，其条款设有一个收入门槛，决定谁可以在无需另行签订协议的情况下将这些权重用于商业用途。如果你正在为某个产品评估这个模型，请先读许可证，再读基准测试。

没人公布的数字

Liquid 的帖子就 LFM3-Omni-2B 提出了一个比较性说法：它在 Daily-Omni、WorldSense 和 AV-SpeakerBench 上击败了参数最高达 10.7B 的模型，“例如 Qwen2.5-Omni-7B”。那句话没有附带任何分数。模型卡提供了这些分数，而且它们是 Liquid AI 自行测量的——属于厂商评估，而非独立评估，并且是唯一存在的评估。

在这篇帖子提到的三项基准测试中，模型卡报告 Daily-Omni 为 70.09，WorldSense 为 47.10，AV-SpeakerBench 为 46.79。OmniBench 总体得分为 46.32，其中语音子集为 48.25。对于口语视觉问答——这是该模型的主打亮点，即通过语音对图像提问——模型卡列出的成绩为 RealWorldQA 64.68、MMStar 51.79、POPE 83.78、ERQA 39.43 和 EmbSpatial 67.59。音频类各项为：英语 ASR 的词错误率 6.36，多语言 ASR 6.72，英语语音合成的 UTMOSv2 为 3.80，VoiceBench 64.73，音频理解 MMAR 51.40。为完整起见，其纯文本视觉得分为 DocVQA 92.47、OCRBench 806（满分 1,000）、MMMU 验证集 42.44 和 MathVista mini 62.50。

整体来看，这些分数描绘出的模型是“样样都行，却无一精通”。AV-SpeakerBench 上的 46.79 和 WorldSense 上的 47.10 并不是能赢得排行榜的数字；它们说明的是一个 2.2B 模型能够在音视频推理上站稳脚跟而不崩盘。DocVQA 的分数则是反方向的异常值，也是表中单个最值得关注的数字——一个 2.2B 全模态模型拿到 92.47 很高，而且这是该 checkpoint 明显优于 Liquid 自家专用视觉模型的唯一一行，后者报告为 91.1。

泄密内容说对了什么，又说错了哪一件事

这个让该模型家族进入公众视野的 SGLang 拉取请求，在几乎所有结构性信息上都是准确的。它正确列出了四个检查点，正确描述了共享主干，也正确指出 256 token 滑动窗口是一种注意力设置，而非上下文限制。它保持谨慎也是对的：该拉取请求尚未合并，三项 CI 检查失败，并且二十二项 omni 验证检查中有两项在针对开发检查点的 ROUGE 比较中仍然失败。

它误导人的地方——也是我们重复了这一点的地方——在于输出模态。它接入的运行时路径返回的是文本。那段代码里没有音频输出分支，而合理的推断是，该系列模型可能已经去掉了语音合成，或者首个运行时版本只支持文本。实际发布的模型两者都支持。教训并不是这次泄露很粗心；而是服务集成描述的是某人实现的路径，而不是其背后检查点的能力。一个 PR 是关于运行时的证据，而我们却把它当成了关于模型的证据。

什么仍未确认

三件事，而它们正是决定生产部署的那三件事。

首先，这里不存在任何形式的独立评估。上述所有数字都由构建该模型的公司在其自有评测框架上产出，且未公布方法论。没有 Artificial Analysis 的收录条目，没有 LMArena 的结果，也没有任何第三方复现。请将这份基准测试表视为对意图的说明，而非实测结果。

其次，语音服务在供应商自身路径之外没有文档记录。卡片称 SGLang 支持涵盖文本输出，却未说明语音分支是如何提供服务的。如果你的计划是“一个模型、语音回答、运行在我们自己的硬件上”，那么对于这句话的后半部分，卡片没有提供任何参考。截至撰写本文时，仓库未列出任何推理提供商。

第三，各处的语言数字彼此不一致。文本语言十六种，语音区域设置十九个，元数据里则是二十三个。这很可能是同一件事的三套不同定义，但没有人公布过哪一种才是对的。

为什么 2.2B 全模态模型是另一种押注

2026 年构建语音助手的常见方式是一条流水线：ASR 模型把语音转成文本，语言模型负责思考，视觉模型处理摄像头，TTS 模型说出答案。每个阶段都是一个独立的检查点、独立的延迟预算和独立的故障模式。LFM3-Omni-2B 的卖点在于，这四者全部合并为一个 4.3 GB 的 BF16 文件，能装进手机，并且永远不离开手机。

这是一个真正的架构层面的论点，也正是它使得基准测试分数不如整体的形态重要。由四个小型专家模型组成的流水线，在每项单独任务上通常都会胜过单个通用模型。但它做不到的是共享表征：全模态模型能听到关于一张图片的提问的语气，而答案同时以两者为条件。这是否能带来更好的答案，恰恰是没有任何独立评测检验过的。

在像这样的检查点尚未经过验证时，使用它的务实做法是让它远离你的关键路径。OrcaRouter 的路由 DSL 正是为此类模式而构建——将一条专用路径和一条实验路径置于同一个端点之后，这样新模型就可以按其可靠性比例承接流量，而不是一次性全量承接，并且在出错时自动故障转移。LFM3-Omni-2B 目前不在我们的目录中，因此本文没有任何内容声称你可以通过我们调用它。当这样的模型真正落地时，这就是它适合的部署形态：可用、可度量，并且在它凭实力赢得之前不承担关键负载。

看什么

下一个信号不是又一张基准测试表，而是 Liquid 之外是否有人发布一张。一个真正能在 Daily-Omni 上保持 70.09 的 2.2B 全模态模型，对端侧工作而言是个值得注意的结果；而独立复现——哪怕是部分复现——也会比厂商的完整表格更有价值。第二个信号是 SGLang 合并：当语音路径被记录在服务栈中时，这个模型就不再只是一个代码仓库，而开始成为基础设施。

在此之前，诚实的总结很有限。LFM3-Omni-2B 确实存在，它比几乎所有竞争对手都小，能接收四种模态、输出两种模态，而且是 Liquid 首个能出声回答的模型。泄密消息说它做不到。卡片说它做得到，而目前这张卡片是唯一的见证者。