> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# LFM2.5-1.2B-Thinking边缘模型
- URL: https://www.hubwiz.com/blog/lfm2-5-1-2b-thinking-edge-model/
- Published: 2026-01-26T08:18:31.000Z
- Updated: 2026-01-26T08:18:31.000Z
- Description: Liquid AI刚刚发布了一个12亿参数模型，生成思考痕迹，完全在设备上运行，并且可以匹敌3-5倍大小的模型。
- Author: admin
- Tags: MODEL-ZOO, LFM2-5, #Import 2026-10-14 14:41

Liquid AI刚刚发布了一个12亿参数模型，生成思考痕迹，完全在设备上运行，并且可以匹敌3-5倍大小的模型。我终于通过LEAP SDK获得了**LFM2.5-1.2B-Thinking**。为了测试它的能力，我构建了一个个人助理应用程序，将其与FunctionGemma配对用于移动操作。结果：在三星S23上运行的真实推理，延迟低于1秒。

## 1、使LFM2.5-1.2B-Thinking与众不同的原因

这不仅仅是另一个小型语言模型。LFM2.5-1.2B-Thinking是一个**专门为推理任务训练的12亿参数模型**。它在产生答案之前生成思考痕迹，系统地解决问题。

与LFM2.5-1.2B-Instruct相比，Thinking变体的三个能力急剧提升：

- **数学推理**：MATH-500上从63 → 88
- **指令遵循**：Multi-IF上从61 → 69
- **工具使用**：BFCLv3上从49 → 57

LFM2.5-1.2B-Thinking在大多数推理基准上匹配或超过Qwen3-1.7B，**尽管参数少40%**。此外，它需要更少的输出token，同时提供更高的整体性能——对于每个token都会产生延迟的边缘部署至关重要。

Liquid AI发现LFM2.5-1.2B-Thinking在**推理繁重的任务**中表现出色：

- **工具使用** — 规划工具调用序列
- **数学** — 多步数学推理
- **编程** — 代码生成和调试
- **代理任务** — 验证中间结果，调整方法

当模型需要规划、验证和调整时，推理痕迹提供真正的价值。

## 2、训练配方：构建思考模型

构建有能力的思考模型需要通过多步推理来增强有限的知识容量，同时为低延迟边缘部署保持简洁的答案。

推理模型的一个常见问题：**陷入重复文本模式**而不是得出结论。Liquid AI称之为"厄运循环"。

他们的解决方案：

1. **在偏好对齐（DPO）期间**：从SFT检查点生成5个温度采样和1个贪婪候选。选择的响应是在LLM判断下得分最高的；被拒绝的响应要么是得分最低的候选（当没有循环存在时），要么是任何循环候选，无论得分如何。
2. **在RLVR期间**：在训练早期应用基于n-gram的重复惩罚。

结果：**厄运循环从15.74%下降到0.36%** —— 40倍的减少。

## 3、带有模型合并的课程学习

Liquid AI不是在所有领域同时训练单个模型，而是使用**并行课程方法**：

1. 以指令遵循RLVR为基础开始
2. 分支创建领域特定的检查点（推理、数学、工具使用）
3. 合并检查点以组合能力

最终检查点是一个**在其家谱中有25个独特检查点的合并模型**。

这种方法对于小型、专注的团队也更有效。独立的工作流在自己的领域快速迭代而不会相互阻塞。通过合并而不是协调的联合训练运行来组合贡献。

![课程学习](https://www.hubwiz.com/blog/content/images/2026/01/1-lhqa0H5X4anEwWADwPsurg.png)

## 4、测试模型：个人助理演示

为了在实际中验证LFM2.5-1.2B-Thinking的能力，我构建了一个双模型移动助理：

![个人助理](https://www.hubwiz.com/blog/content/images/2026/01/1-nBS2sxl9xdOUylyOGhL9pQ.jpeg)

LFM2.5-1.2B-Thinking处理**推理和编排** —— 理解上下文、解决歧义、规划多步序列。FunctionGemma（2.7亿参数，使用官方Google Jupyter Notebook在Mobile Actions数据集上微调）处理**精确的函数调用生成**。我真正寻找了推理能力的最佳组合——特别是对于序列和完美准确的函数调用。

这种分离发挥了每个模型的优势。总占用空间：两个模型同时运行约1.5GB。它实际做什么： ➡带有流式响应的自然对话 ➡日历事件（"明天8点晚餐"） ➡联系人管理 ➡地图导航 ➡设备控制（手电筒、WiFi） ➡电子邮件撰写

该模型用真实推理处理复杂的多动作请求——而不仅仅是模式匹配。更重要的是，我发现LFM2.5-1.2B-Thinking擅长长上下文推理。大多数模型随着上下文增长而显著退化。LFM2.5-1.2B-Thinking即使在整个上下文长度也保持吞吐量。

## 5、这对边缘AI意味着什么

LFM2.5-1.2B-Thinking证明了几个重要点：

1. **真实推理适合900MB。** "思考"能力不是噱头 —— 它是训练行为，仅在厄运循环减少方面就将任务性能提高了40倍。
2. **带有模型合并的课程学习行之有效。** 最终模型在其家谱中有25个检查点，每个都贡献特定能力。
3. **参数少40%，性能相同或更好。** LFM2.5-1.2B-Thinking匹配Qwen3-1.7B，同时明显更小。
4. **工具已为生产做好准备。** LEAP SDK、llama.cpp支持以及从第一天起在所有主要硬件平台上的NPU优化。

轨迹很明确：专用的小型模型将主导边缘AI。不是因为它们更便宜（尽管确实如此），而是因为它们更快、更私密，并且越来越有能力。

LFM2.5-1.2B-Thinking就是证明。

---

原文链接: [LFM2.5–1.2B-Thinking: Liquid AI's Reasoning Model That Fits in Your Pocket](https://medium.com/@meshuggah22/lfm2-5-1-2b-thinking-liquid-ais-reasoning-model-that-fits-in-your-pocket-12d5e8298cec?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处