“2B跑分追平12B”刷屏背后:真正的主角,是把大模型压进1GB的那家公司
“2B跑分追平12B”刷屏背后:真正的主角,是把大模型压进1GB的那家公司
这两天科技群里在传一句话:“2B小模型跑分追平12B大模型,还能本地跑。”
配上一张六款模型的发布图,评论区立刻分成两派。一派说“大模型要白菜价了”,另一派冷笑:“又是PPT跑分。”
我把官方发布说明、跑分表、模型卡,还有海外开发者社区那几十条讨论翻了个遍,发现这句刷屏的话,至少有两处被悄悄改过。
改的不是小数点,是叙事的重心。
一、先泼一盆冷水:官方写的是9B,不是12B
主角是 Liquid AI 的 LFM3 家族,10 月 27 日发布,六款模型,全部开源权重。
官方模型卡里有一句原话,翻译过来大概是:“这个小模型能撑起过去需要 90 亿参数才能跑的智能体应用。”
90 亿,也就是 9B。
但传到你手机屏幕上的版本,变成了“追平 12B”。
中间这 3B 是谁加上去的,已经查不到了。更关键的是,官方那张对比表里,最大号的对手也只到 Qwen3.5-9B,压根没有 12B 的模型上场。
这就像考试排名,榜单上最高只排到第 9 名,传话的人说“他考赢了第 12 名”——听着更猛,但查无此人。
那为什么大家愿意信?
因为过去一年,小模型的进步确实有点反常识。去年还要两张显卡伺候的活,今年一个巴掌大的模型就能干。大家心里早就埋下了“小模型要逆袭”的预期,所以一句夸张的话,很容易就滑进信任区。
但真正值得刷屏的,从来不是那个被改大的数字。
二、这位主角是谁?六个兄弟,共用一个身板
Liquid AI 是 MIT 走出来的一家小公司,前几年靠“液态神经网络”这个偏门路线出圈,一直死磕一件事:怎么让 AI 在没显卡、没网、没云端的设备上跑起来。
这次他们一口气放出六款模型,规模都在 2B 上下:
- 纯文本的 LFM3-1.7B(就是这次被吹上天的那个)
- 能看图、看视频的 VL-2B
- 能听会说、支持 18 种语言的 Audio-2B
- 一次能同时处理文字、图像、音频的 Omni-2B
- 还有两个很特别的“决策模型” d1-2B 和 d1-Omni-2B
你可以把它们理解成六胞胎:骨架是同一个,从小一起长大,后来各自去学了不同手艺。学文的去写材料,学画画的去看图,学播音的去练嗓子。
顺便说个容易被忽略的细节:名字叫“2B”,实际参数量是 17.3 亿。行业里这个“B”早就不精确了,跟手机标“5000mAh”一个道理,别太当真。
那个 d1 决策模型尤其有意思。普通大模型是“一个字一个字往外蹦”,它不蹦——看一眼,直接给你一个答案,外加一个“我有多大把握”的分数。
打个比方:普通模型像刚毕业的实习生,非要跟你从头解释一遍思路;d1 像干了三十年的老医生,扫一眼片子就说“八成是这个,先按这个查”。
三、它到底“追平”了哪些科目
好,现在说正经的:官方的跑分表里,它确实赢了不少,而且赢的地方很集中。
第一类,是“跑腿办事”的活。
比如“网页操作”这项测试,模型要自己打开浏览器、点按钮、填表单、找到想要的信息。
LFM3-1.7B 拿了 38.42 分,上一代同门只有 3.02 分,而 9B 的对手是 28.94 分。
这个差距不是优化,是换了个物种。
第二类,是“调工具”。
现在的 AI 助手早就不只是聊天了,它要会调接口:查天气、订会议室、发邮件、改数据库。这项能力有个专门的名字叫“工具调用”,测试里它拿了 71.39 分,对手 9B 是 62.83。
还有一项企业流程自动化测试,它 41.29 分,对手只有 15.10。
这就像一个刚入职的行政,业务知识不算深,但公司 OA 系统他闭着眼都能点对:报销走哪个入口、请假找谁审批、合同模板在哪个文件夹。你要的不是他懂多少,是他别点错。
第三类,是“快”和“省”。
在 32K 长上下文的实测里,它在三台设备上——一台 AMD 的迷你主机、一台苹果 M5 Max、还有一台 iPhone 17 Pro——预处理速度快至少 2.5 倍,出字速度快至少 1.8 倍,而且内存吃得最少。
注意,最后那台是手机。

四、但有些科目,它是真没追上
这里必须说清楚,不然就是帮着传谣。
同一张表往下翻,画风立刻变了:
- 研究生级别的理科题(GPQA),它 63.37 分,4B 的对手 75.76,9B 的 80.40
- 号称“人类最后考试”的难题集,它 7.17 分,对手 16.41
- 128K 长文档里“大海捞针”,它 65.56 分,对手 84.63 和 87.11
- 真实修 bug 的编程测试,它 43.40 分,对手 51.20
最诚实的,是模型卡里那句自己写的提示:不建议用于智能体编程,也不建议做复杂多步推理。
一家公司主动在自己的产品说明里写“这个我不太行”,其实挺难得的。
所以那个 49.37 对 47.24 的平均分,本质上是一堆“办事类”科目拉高了总分,一堆“动脑类”科目又拖了后腿。
平均分就像体检报告上的“综合评分”:一个常年跑业务、血压血糖都正常的人,和一个坐办公室、指标一堆红字的人,可能拿到同样的总分。你要真按这个分数决定用谁,那就上当了。
还有个更隐蔽的缩水:256K 的超长上下文,是纯文本版独享的。 看图的那款砍到 128K,全模态那款只剩 32K,而且不能开“思考模式”。
宣传页上写的是家族最强项,实际用起来是分型号的。
五、真正的关键词:不是“追平”,是“塞得进手机”
那这次发布到底好在哪?
我个人认为,最值得记住的一点是:4 位精度下,权重只占 1GB 左右。
1GB 是什么概念?你手机里一个微信的聊天记录,可能都比它大。
这意味着它不用连网、不用排队、不用担心你的合同和病历被传到某个机房。打开就能用,断网也能用。
它凭什么这么小还这么快?架构上做了个很聪明的取舍:24 层里,13 层是“快速扫读”,5 层只看眼前一小段,只有 6 层会“全局细读”。
打个比方,你读一本 300 页的行业报告,不会每页都逐字抠。大部分页是扫标题、抓关键词、记个要点,只有真正关键的那几页才停下来反复看。
LFM3 就是这么读的。所以同样一本“书”,它读得又快又省内存,代价是——深挖细节的功夫,确实不如那些肯一页页死磕的大模型。
还有一个数字挺吓人:在一张英伟达 B300 上,开到 1024 个并发请求,它一天能吐出 36 亿个 token。
36 亿字是什么量级?差不多是《三体》全集的三千多倍。当然,这不是给你聊天用的,是给企业做批量分类、批量抽取用的。

六、普通人能拿它干嘛?已经有人在试了
发布当天,这事在海外开发者社区冲上了首页,110 分、四十多条讨论。Liquid 团队的人亲自下场回帖,聊的都是很具体的活儿。
我挑几个最有画面感的:
一是开会。
先用“听声音”的那款把一小时录音转成文字,再交给 1.7B 那款,把“谁在什么时候要做什么”抠出来,直接写进待办软件。
整套流程在你自己的笔记本上跑完,会议内容一个字都不出公司。
二是整理邮箱和文件夹。
有位老哥说他已经在用上一代模型,给自己所有的邮件、短信自动打标签、分优先级,攒成一个大库。他原话是:可信的标注大概占到四成。
这次的 1.7B 能不能把四成提到六成,是他最期待的。
三是小设备“长脑子”。
智能眼镜、车载语音、树莓派机器人——这些设备最怕的就是同时塞四套模型:语音识别一套、看图一套、对话一套、语音合成一套。
全模态那款直接四合一,工程上省掉一大半麻烦。
四是那些“重复到想吐”的活。
小票、发票、工单、表单,格式乱七八糟,人眼看着都烦。d1 那两款模型看一眼就给结构化结果加把握分,把握不够的再转人工。
这类活最没有技术含量,也最该被机器接走。
七、想上手?门槛不高,但有三个坑
门槛这块,确实友好。
主流的本地运行工具基本都能直接拉起来,量化版本、苹果芯片版、跨平台版全都备齐了。模型卡里还给了四个现成的微调教程:从乱文档里抽 JSON、按资料回答或者老实说“不知道”、在 108 个工具的手机 App 里选对工具、甚至从零教它一门新语言。
但下面三个坑,我得提前说。
坑一:1GB 不等于 1GB。 那只是权重文件的大小。真跑起来,还要算上运行环境、长对话的缓存、看图听声的编码器。上下文拉得越长,内存涨得越凶。
坑二:压得太狠会“降智”。 社区里有个段子特别典型:有人在官方试玩页问“牛怎么叫”,1.7B 那款一本正经回答“Oink”(猪叫)。换成量化程度更轻的版本,才老老实实答“Moo”。
小模型本来就靠“专精”吃饭,再狠压一刀,常识都可能压没了。能跑 Q8 就别用 Q4。
坑三:商用不是完全免费。 它的开源协议有个门槛:年营收 1000 万美元以下的公司可以免费商用,包括微调后私有部署;超过这条线,得去找他们谈商业授权。
小团队、个人开发者、研究者,基本不受影响。但你要把它塞进公司产品,法务那边得先过一眼。
八、写在最后
回头看这次刷屏,其实挺有意思。
一句“2B 追平 12B”,把 9B 改成了 12B,把“某些任务”改成了“全面追平”,把“办事能力强”改成了“智商高”。
传着传着,一个“很会跑腿的实习生”,就被吹成了“能替代老教授的天才”。
但它真正改变的东西,跟这些数字关系不大。
真正改变的是:AI 的门槛,正在从“你有没有显卡”,变成“你有没有想象力”。
一个 1GB 的模型,安安静静躺在你的手机里,不联网、不上传、不排队,把“整理文件、分类邮件、记会议待办、填报销单”这些琐碎到没人愿意干的活接过去——这件事的意义,比榜单上那几个小数点大得多。
最后抛个问题给你:
如果明天你手机里就住进一个不联网、不偷看你隐私、随叫随到的小助手,你最想让它先替你干哪件破事?
评论区聊聊,我看看谁的需求最实在。