LFM2.5-1.2B-Thinking 发布：仅占用手机 900 MB 内存

在AI模型逐渐向轻量化和高效推理方向演进的当下，Liquid AI 拿出了他们在小模型领域的最新成果——LFM2.5-1.2B-Thinking。这款参数规模仅为12亿的模型，最直观的亮点在于内存需求极其友好：只需约900MB的手机存储空间，就能把它的推理能力带到移动端。更关键的是，在同尺寸的选手中，它的推理速度和精度都走在了最前面。

作为LFM2.5系列的最新迭代版本，这次发布的Thinking模型并不是简单地在原有基础上堆参数，而是从推理范式上做了调整。它的核心思路可以概括为四个字：先想后答。在最终给出答案之前，模型会自主构建一条结构化的思考路径，把推理过程拆解开来，再系统地进行求解。这种做法结合了LFM架构本身在高速推理上的底子，最终效果是答案质量更稳、逻辑更经得起推敲。

跟前一代的Instruct版本相比，LFM2.5-1.2B-Thinking在三项关键指标上都有肉眼可见的跃升：数学推理方面，MATH-500基准从63分直接拉到88分；指令理解与执行（Multi-IF）从61分涨到69分；工具调用能力（BFCLv3）也从49分提升到了57分。这种跨维度的全面进步，对于一款12亿参数的模型来说，含金量相当高。

有意思的是，Liquid AI 在官方对比中直接拿它跟Qwen3-1.7B做了对标。尽管参数规模比后者缩了将近四成，LFM2.5-1.2B-Thinking却在主流推理评测里不仅不落下风，反而是全面打平甚至多项反超。真正拉开差距的地方在于效率：在开启“思考模式”的前提下，它要达到比Qwen3-1.7B更高的综合性能，需要的输出token数量反而更少。换句话说，脑子转得快，话还不多。

到了实际推理环节，表现更加直观。不仅在速度上大幅甩开同级别的Qwen3-1.7B，就连像Granite-4.0-H-1B这种采用混合架构的模型，在速度和内存占用方面也被它压了一头。

最后值得一提的是，这款模型在高自主性、强逻辑依赖型的任务中，比如工具协同调用、复杂数学推演、代码生成，以及长上下文推理场景里，都表现出了相当稳定的实力。对于需要在端侧部署或对延迟敏感的应用来说，这无疑是个值得关注的新选择。