LFM3-Omni-2B：會說話的全能模型，以及聲稱它不會說話的外洩

LFM3-Omni-2B以語音回答。這一句話本身就是新聞，因為一週前最有力的公開證據顯示的正好相反。當 LFM3 系列透過一個尚未合併的 SGLang 提取要求曝光時，其檢查點僅配置為文字輸出，而我們自己針對那次外洩所寫的報導在當時正確地得出結論：「LFM3 會說話」尚未獲得證實。2026 年 10 月 27 日，Liquid AI 發布了該系列的公告與模型卡，而模型卡一錘定音：24 kHz 語音輸出，透過名為 LiquidCodec 的元件生成，並以快於即時的速度串流。 未經證實的模型不應在第一天就成為關鍵支撐。 自動容錯移轉 流量可依規則轉移，且故障路徑無需修改程式碼即可容錯移轉。

這次發布的其他一切，都比那則更正所暗示的更為低調。Liquid 的公告涵蓋六個模型，而 LFM3-Omni-2B 在裡面只佔了三句話——沒有基準測試表、沒有上下文長度、沒有參數量。量化記錄完全存在於 Hugging Face 卡片中，下文每一個數字都來自那裡。在圍繞這個模型做規劃之前，值得先理解這種拆分：定位是行銷，數字是儲存庫，而兩者之中沒有任何一項經過獨立測試。

實際發布了什麼，以及何時發布

此儲存庫建立於 2026 年 10 月 21 日 16:58 UTC。這張卡片最後修改於 10 月 27 日 17:25 UTC，與家族貼文同一天。撰寫本文時，Hugging Face 顯示 83 次下載與 17 個讚——這樣的數字不算多，符合它是以六模型家族其中一個分支的形式發布的檢查點，而非作為重點發布。同系列的其他儲存庫也說明同樣的情況：LFM3-VL-2B 建立於 10 月 19 日，LFM3-Audio-2B 建立於 9 月 8 日，而它們全都在 10 月 27 日有過異動。

所以，這並不是簡報所暗示的那種未經公布的模型。Liquid 已宣布這個系列、命名了六個分支，並說明了 omni 模型的功能。該公司沒有做的，是單獨以 LFM3-Omni-2B 為主體來發布公告。沒有獨立貼文、沒有發布當天的評測文章、沒有定價頁面，因為沒有託管端點，也沒有獨立基準測試。本文關注的，正是「已宣布」與「已有文件紀錄」之間的落差。

完整卡片

此檢查點是單一的 BF16 建置，具備 2,166,928,384 個參數，模型卡將其四捨五入為 2.17B。它建立在 LFM3-1.7B-Base 主幹上——與家族其他成員相同的三混合骨幹，其中多數層由閘控短卷積承載，全域注意力則僅保留給少數幾層。在此主幹之上，則有視覺編碼器、因果音訊編碼器，以及可將生成符元轉回波形的 LiquidCodec 符元化器。

• 輸入 — 文字、原生解析度的圖片、每秒 2 幀且長度為 4 至 384 幀的影片，以及 16 kHz 音訊。影片輸入可包含其自身的音軌。

• 輸出 — 文字、24 kHz 語音，或於同一回應中同時提供兩者。

• 上下文 — 32,768 個 token，涵蓋輸入與輸出。

• 圖片額度 — 每張圖片最多 2,048 個視覺 token，不論解析度為何。

• 語言 — 卡片列出 16 種文字語言，以及 19 種語音語言或地區設定；儲存庫中繼資料則聲稱有 23 種。這兩個數字在頁面上並不一致。

• 授權 — LFM Open License v1.0，Liquid 自 LFM2 以來一直使用的自訂條款，並非 OSI 授權。

• 推理 — 無。卡片指出不支援思考模式，且無法使用 enable_thinking=True。

其中兩行比其他行更重要。第一項是 32K 上下文，這對 2026 年的多模態模型來說偏小，也是鎖定裝置端目標的直接後果：在手機上，每一個上下文 token 都要耗費記憶體。第二項是授權條款。LFM Open License v1.0 並非 Apache-2.0，其條款帶有營收門檻，決定誰能在無須另行簽署協議的情況下，將權重用於商業用途。如果你正在為某個產品評估這個模型，請先讀授權條款，再讀基準測試結果。

沒有人宣佈的數字

Liquid 的貼文對 LFM3-Omni-2B 提出了一項比較性說法：它在 Daily-Omni、WorldSense 和 AV-SpeakerBench 上勝過參數量最高達 10.7B 的模型，「例如 Qwen2.5-Omni-7B」。該句並未附上分數。模型卡提供了這些分數，而它們是由 Liquid AI 自行測量的——屬於廠商評估，而非獨立評估，而且這是目前唯一存在的評估。

在文章點名的三項基準測試中，模型卡回報 Daily-Omni 70.09、WorldSense 47.10 與 AV-SpeakerBench 46.79。OmniBench 整體為 46.32，語音子集為 48.25。至於口語視覺問答——模型的主打招數，也就是出聲詢問圖片內容——模型卡列出 RealWorldQA 64.68、MMStar 51.79、POPE 83.78、ERQA 39.43 與 EmbSpatial 67.59。音訊項目為英語 ASR 詞錯誤率 6.36、多語言 ASR 6.72、英語語音合成 UTMOSv2 3.80、VoiceBench 64.73，以及音訊理解 MMAR 51.40。為求完整，其純文字視覺分數為 DocVQA 92.47、OCRBench 1,000 分中的 806 分、MMMU 驗證集 42.44 與 MathVista mini 62.50。

整體來看，這些分數描述的是一個樣樣稱職、卻無一項卓越的模型。AV-SpeakerBench 上的 46.79 與 WorldSense 上的 47.10，並不是能登上排行榜榜首的數字；它們表明的是一個 2.2B 模型能在音視覺推理上站得住腳，而不至於崩解。DocVQA 的分數則是反方向的離群值，也是表中最有意思的單一數字——2.2B 全模態模型能拿到 92.47 算高，而這是表中唯一一列，這個 checkpoint 明顯優於 Liquid 自家專門視覺模型所回報的 91.1。

這次外洩消息說對了什麼，以及它唯一說錯的一件事

讓這個模型家族進入公眾視野的 SGLang 拉取請求，對幾乎所有結構性內容的描述都準確。它正確列出了四個檢查點，正確描述了共用的主幹，也正確指出 256 個 token 的滑動視窗是注意力設定，而非上下文上限。它保持謹慎也是對的：該拉取請求尚未合併，三項 CI 檢查失敗，而二十二項 omni 驗證檢查中仍有兩項在與開發檢查點進行 ROUGE 比較時失敗。

它誤導人的地方——也是我們重複它說法的地方——在於輸出模態。它接上的執行時路徑回傳的是文字。那段程式碼裡沒有音訊輸出的分支，而合理的推論是這個系列可能已經捨棄了語音合成，或者第一個執行時版本僅支援文字。實際出貨的模型兩者都能。教訓不是那次洩漏很粗心；而是服務整合描述的是某人實作的路徑，不是其背後檢查點的能力。一個 PR 是關於執行時的證據，而我們卻把它當成關於模型的證據。

還有什麼尚未確認？

三件事，而這三件事正是決定正式環境部署的關鍵。

首先，完全沒有任何形式的獨立評估。上述每一個數字，都是由打造該模型的公司在其自家測試框架上產生的，且未公布方法論。沒有 Artificial Analysis 的收錄項目，沒有 LMArena 的結果，也沒有第三方重現。請把這張基準測試表視為意圖的規格說明，而不是量測結果。

其次，語音服務在廠商自家路徑之外並無文件說明。模型卡表示 SGLang 支援涵蓋文字輸出，卻未說明語音分支如何提供服務。如果你的計畫是「一個模型、口說答案、在我們自己的硬體上」，那麼模型卡並未為這句話的後半段提供任何參考。在撰寫本文時，該儲存庫未列出任何推論供應商。

第三，語言數字彼此不一致。十六種文字語言、十九個語音地區設定、中繼資料裡有二十三種。這大概是同一件事的三種不同定義，但沒有人公布哪一種才是正確的。

為什麼 2.2B 全模態模型是不同的賭注

2026 年打造語音助理的常見做法是管道式流程：ASR 模型將語音轉成文字，語言模型負責思考，視覺模型處理相機影像，TTS 模型則把答案說出來。每個階段都是獨立的檢查點、獨立的延遲預算，以及獨立的故障模式。LFM3-Omni-2B 的賣點在於，這四個部分全都整合進單一 4.3 GB BF16 檔案，能放進手機裡，而且永遠不會離開手機。

那是個真正的架構論證，也正是為什麼基準測試分數不如這東西的整體形態來得重要。由四個小型專用模型組成的管線，通常在個別任務上都會勝過單一通用模型。它做不到的是共享表徵：全模態模型會聽見關於一張圖片的問題的語氣，而答案同時以兩者為條件。這是否會產生更好的答案，正是一直沒有獨立評估測試過的事。

在像這樣的檢查點尚未經過驗證時，實務上的做法是不要把它放在你的關鍵路徑上。OrcaRouter 的 路由 DSL 正是為這種模式而打造——把專家路徑和實驗路徑放在同一個端點後面，讓新模型能依其可靠性比例承接流量，而不是一次全部導入，並在發生錯誤時自動容錯切換。LFM3-Omni-2B 目前不在我們的目錄中，所以這裡沒有任何內容是在聲稱你可以透過我們呼叫它。當這樣的模型真的推出時，那正是它適合的部署形態：可用、可衡量，而且在它證明自身價值之前，不承擔關鍵負載。

看什麼

下一個訊號不是另一張基準測試表，而是 Liquid 之外是否有人發布一張。一個 2.2B 全模態模型若真的能在 Daily-Omni 上維持 70.09，對裝置端工作而言是個值得注意的結果，而獨立重現——即使是部分重現——會比廠商的完整表格更有價值。第二個訊號是 SGLang 合併：當語音路徑在服務堆疊中被記錄下來，模型就不再只是一個儲存庫，而開始成為基礎設施。

在那之前，誠實的總結很有限。LFM3-Omni-2B 確實存在，它比幾乎所有與之競爭的模型都小，接受四種模態輸入、產生兩種輸出，而且是第一個能出聲回答的 Liquid 模型。洩漏消息說它做不到。模型卡說它做得到，而目前模型卡是唯一的見證。