导读：Liquid AI 推出基于纯强化学习训练的 LFM2-2.6B-Exp，引发社区强烈反响。这个仅 2.6B 参数的开源模型，在指令和数学等评测中表现突出，甚至在部分指标上超过体量大得多的模型。

Liquid AI 最新发布的 LFM2-2.6B-Exp，正在社区里引发不小的讨论。

从官方披露的信息来看，LFM2-2.6B-Exp 目标非常聚焦：明确针对指令跟随、知识理解和数学能力进行训练。也正因为这种取舍，使其在多个相关基准测试中表现持续提升，在 3B 级别模型中处于领先位置。

最受关注的，是其在 IFBench 上的表现。在这一指标上，该模型超过了 DeepSeek R1-0528，而 R1 的参数规模约为其 263 倍。这一结果公布后，很快在开发者社区引发讨论。

有网友直言，这种对比“让人很难不震惊”。有人将它与早期 ChatGPT 的升级时刻类比，认为这是又一次刷新认知的节点：“一个只有 2.6B 参数、可以在手机上运行的开源模型，某些方面已经超过了早期的大模型，这本身就很不可思议。”

也有声音把视角放得更远。部分开发者认为，如果在通用智能之后，能力能够持续向小模型下沉，那么在任何设备上运行高性能模型并非遥远设想。在他们看来，LFM2-2.6B-Exp 更像是一次提前到来的信号，指向“小而强”的另一条路径。

还有网友注意到更具体的数据点：2.6B 参数规模下，在 GPQA 上拿到 41.31% 的成绩，相比之下，GPT-4 得分为 35.7！在评论区，这被形容为“离谱”“疯狂”，甚至有人感叹，这样的小模型已经具备相当扎实的知识理解能力。

回到官方定位，由于模型体量较小，Liquid AI 推荐在具体、垂直的任务中进行微调，以释放最大性能潜力，例如代理式任务、结构化数据抽取、RAG 场景、创意写作和多轮对话等。

相对应地，对于高度依赖庞大外部知识、或需要复杂编程能力的任务，并不推荐直接使用该系列模型。

从架构层面看，LFM2 系列采用的是短卷积与注意力机制结合的混合结构，在有限参数规模下，兼顾了上下文建模能力和推理效率。模型统一支持 32K 上下文长度，并覆盖包括中文在内的多种语言。

整体来看，LFM2-2.6B-Exp 更像是一场方向明确的实验：不靠堆参数，而是通过训练方式和目标设计，探索小体量模型的性能边界。

项目地址：https://huggingface.co/LiquidAI/LFM2-2.6B-Exp