小模型的专业化路线：LFM3 与多模态端侧部署

共享骨干如何扩展到多模态

Liquid AI 的团队文章介绍 LFM3：以共享骨干构建约 2B 级别的多种模态模型，并提供面向专业领域微调的路径。原文强调模型结构与目标硬件共同搜索和优化。

共享骨干方便复用，但不同模态仍有编码器、输入预处理与部署要求。支持某种模态不代表所有模型变体都接受相同输入。

小模型也要算完整内存

来源给出四位文本模型约 1 GB 的表述。这描述权重规模，不能直接当作应用峰值内存；运行时、缓存、输入图像和音频都需要额外空间。

本站建议分开记录冷启动、热运行与长会话内存。连续调用或同时播放媒体时的稳定性，常比单次推理更接近真实 App 负载。

专业化需要可比较的基线

用领域数据微调前，先建立未微调模型的基线。把训练样本与评测样本隔离，按实际用户分布覆盖术语、噪音和失败场景。

原文中的能力和速度比较属于供应方报告。产品选型仍需固定设备、精度和任务后复测；量化与微调后的效果不能直接继承原始模型结果。

实践检查表

• 区分权重大小与进程峰值内存。
• 固定设备、精度、上下文与并发条件。
• 优先优化高频任务，保留通用失败回退。