8月4日，由 MIT CSAIL 衍生、专注边缘部署混合基础模型的 Liquid AI 发布 LFM2.5-2.6B。与动辄数百亿、上千亿参数、必须依赖云端的同行不同，这款26亿参数的模型被明确定位为「Agent 级」而非通用聊天机器人：它能在手机、笔记本、PC 与机器人上完全本地运行，负责规划、调用工具与多步任务，且每次运行的边际推理成本几乎为零、数据不会离开设备。在端侧AI硬件扎堆做耳机、眼镜、手表的当下，Liquid AI 选择先把「能干活的 Agent 大脑」塞进设备本身——这指向一个被忽视的方向：端侧智能体的瓶颈，可能先被一个小模型补上。
一、2.6B 的甜点区间：小到能跑、大到能推理
LFM2.5 家族被 Liquid AI 定义为「为端侧 Agent AI 构建块优化」的模型线，此前已包含 LFM2.5-1.2B（含基础、指令与日文变体）、多模态的视觉语言模型与音频语言模型，以及 LFM2.5-8B-A1B 混合专家配置。2.6B 正好卡在中间：比 sub-1.5B 的密集模型大，又小于8B 的 MoE，属于一个「大到能处理复杂 agentic 推理、小到能在手机或笔记本无独显跑起来」的甜点区间。公司称其预训练约34万亿 tokens——若准确，对一个26亿参数的模型而言是相当庞大的训练语料。这种「小参数 + 大语料 + 面向端侧」的组合，本质是在设备算力约束下，尽量把推理与规划能力压实进一个可落地的体积。
二、不是聊天机器人，是「会干活的本地 Agent」
Liquid AI 在发布中把 LFM2.5-2.6B 明确框为 agent-class 系统：它会规划（plans）、调用外部工具（calls tools）、自主跑通多步任务（works through multi-step tasks），而不是等用户一句句问。这与需要联网、数据出设备的云端 Agent 框架形成对照——零边际推理成本加上数据不离设备，让它天然适配隐私敏感的场景，比如医疗、金融、工业现场，以及任何不希望每次交互都往返云端的离线环境。把它放进近期的「端侧 Agent」拼图看，与专注端侧推理芯片的原粒半导体、把 AI 做进头盔的京东外卖，处在不同层：一个补模型、一个补硬件、一个补载体，共同把「智能体长在人身上、长在设备里」这件事做实。
三、坐标参照：端侧 Agent 的两种路线
当前 Agent 落地大致分两派：云端优先，把推理与工具调用放在远程，模型强但数据要出设备、且受网络与计费约束；端侧优先，如 Liquid AI 这样把 Agent 大脑直接放进设备，换来对延迟、隐私与离线能力的掌控。端侧的优势是数据主权与近乎为零的边际成本，劣势是模型能力上限受设备算力约束，难以承接超长链路、超高复杂度的任务。这与「智联网」判断——网络行动主体从人扩展到 Agent、价值尺度从流量转向任务完成率——也彼此呼应：当 Agent 无处不在，多数交互本就不该把数据传上云。端侧 Agent 模型的出现，是把这层基础设施提前铺到设备里。
四、客观看：端侧 Agent 模型的上限与前提
价值在于，LFM2.5-2.6B 把「能规划、能调工具、能跑多步任务」的 Agent 能力，做成一个可完全本地运行的小模型，补上了端侧AI从「感知与对话」走向「行动与执行」的关键一环，对隐私与成本敏感的场景尤为友好。但边界要如实标注：其一，发布时主要基于 X 平台公告，尚无正式博客或模型卡，部分技术规格（如激活参数、上下文长度）行业暂未独立核实；其二，26亿参数的复杂 agentic 推理上限仍受规模约束，与云端大模型在长链路、高复杂度任务上存在客观差距，不能简单等同；其三，约34万亿 tokens 的预训练体量若准确值得关注，但仍需官方确认。端侧 Agent 模型是一条清晰且必要的路线，而它能在多大程度上替代云端，取决于小模型工程与设备算力的共同演进。