แท็ก

#edge AI

7 บทความ

MiniCPM5-2B: โมเดล 2.5B ที่ได้ SWE-bench Verified 46.4 และ AIME 2026 86.5 — Apache 2.0 ครบทั้งเช็กพอยต์ ข้อมูลเทรน และ Agent Skill 17 ตัวสำหรับกาง
โมเดลใหม่

MiniCPM5-2B: โมเดล 2.5B ที่ได้ SWE-bench Verified 46.4 และ AIME 2026 86.5 — Apache 2.0 ครบทั้งเช็กพอยต์ ข้อมูลเทรน และ Agent Skill 17 ตัวสำหรับกาง

OpenBMB ปล่อย MiniCPM5-2B โมเดลหนาแน่น 2.52B ใต้ Apache 2.0 พร้อม GGUF ที่ Q4_K_M เหลือ 1.56 GB — ค่าเฉลี่ย 34 เบนช์มาร์กอยู่ที่ 53.9 สูงกว่าทุกตัวในกลุ่ม 2B และสูงกว่าทุกตัวในกลุ่ม 4B ที่ยกมาเทียบ แต่ตารางเดียวกันก็บอกว่ามันแพ้ Qwen3.5-4B บน Terminal-Bench และ SWE-bench Pro แบบขาดลอย

· อ่าน 8 นาที
LFM2.5-DSpark: โมเดล draft ขนาด 300M ที่ทำให้ LFM2.5 เร็วขึ้น 2.7 เท่าโดยข้อความที่ได้ "เหมือนเดิมทุกตัวอักษร" — และลด latency การเรียกทูลลง 57%
โมเดลใหม่

LFM2.5-DSpark: โมเดล draft ขนาด 300M ที่ทำให้ LFM2.5 เร็วขึ้น 2.7 เท่าโดยข้อความที่ได้ "เหมือนเดิมทุกตัวอักษร" — และลด latency การเรียกทูลลง 57%

20 ส.ค. 2026 Liquid AI ปล่อยโมเดล draft สำหรับ speculative decoding ของ LFM2.5 สามขนาด แต่ละตัวราว 300M พารามิเตอร์ — ทำ throughput บน H100 ขึ้นได้ถึง 2.67 เท่า (323→864 tok/s) บน MacBook M4 Max 2.27 เท่า และลด latency การเรียกฟังก์ชันลง 57% โดยเอาต์พุตไม่เปลี่ยนเลย

· อ่าน 6 นาที
Liquid AI ปล่อย QAD Q4_0 GGUF ของ LFM2.5 ทั้ง 4 ขนาด — เทรน student ให้เป็น 4-bit ตั้งแต่แรก ได้คุณภาพเท่า quant ที่ใหญ่กว่าแต่วิ่งเร็วกว่า 3–33%
โมเดลใหม่

Liquid AI ปล่อย QAD Q4_0 GGUF ของ LFM2.5 ทั้ง 4 ขนาด — เทรน student ให้เป็น 4-bit ตั้งแต่แรก ได้คุณภาพเท่า quant ที่ใหญ่กว่าแต่วิ่งเร็วกว่า 3–33%

19 ส.ค. 2026 Liquid AI ปล่อยเช็คพอยต์ QAD Q4_0 ของ LFM2.5 ทั้งสี่ขนาด (230M / 350M / 1.2B-Instruct / 2.6B) ที่ได้จากการ distill โมเดลครูความละเอียดสูงลงเป็น student แบบ quantized โดยตรง — คงคะแนนเฉลี่ยได้ 96.5–97.4% ของ BF16 พร้อมความเร็ว decode ที่เหนือกว่า quant format คุณภาพเทียบเท่า 3–33%

· อ่าน 5 นาที
LFM2.5-VL-3B: โมเดลเห็นภาพ 3 พันล้านพารามิเตอร์ที่รันบนมือถือได้ และเก่งเรื่อง "อ่านหน้าจอ" เป็นพิเศษ
โมเดลใหม่

LFM2.5-VL-3B: โมเดลเห็นภาพ 3 พันล้านพารามิเตอร์ที่รันบนมือถือได้ และเก่งเรื่อง "อ่านหน้าจอ" เป็นพิเศษ

Liquid AI ปล่อย LFM2.5-VL-3B เมื่อ 12 ส.ค. 2026 โมเดลภาษา-ภาพ 3.1B ที่กินหน่วยความจำราว 3GB รันได้บน Galaxy S26 Ultra ที่ 20 โทเค็น/วินาที จุดเด่นคือความเข้าใจหน้าจอและ UI กับการ grounding ที่ทำคะแนน ScreenSpot 78-82% และ DocVQA 91.1%

· อ่าน 5 นาที
Needle 2: โมเดล 45M พารามิเตอร์ในไฟล์ 14MB เรียก tool ได้บนไมโครคอนโทรลเลอร์ — แต่ตารางเบนช์มาร์กของมันเองบอกว่ายังแพ้รุ่นพี่ในหลายข้อ
โมเดลใหม่

Needle 2: โมเดล 45M พารามิเตอร์ในไฟล์ 14MB เรียก tool ได้บนไมโครคอนโทรลเลอร์ — แต่ตารางเบนช์มาร์กของมันเองบอกว่ายังแพ้รุ่นพี่ในหลายข้อ

Cactus Compute ปล่อย Needle 2 เมื่อ 10 ส.ค. 2026 — โมเดล 45M พารามิเตอร์ที่บีบเป็นไบนารีเดียวขนาด 14MB ใช้ RAM ตอนทำงาน 28MB และรันได้ถึงระดับ ESP32 น้ำหนัก Apache-2.0 โค้ด MIT แต่ตารางเบนช์มาร์กในโมเดลการ์ดเองแสดงว่ามันแพ้ LFM2.5 230M และ Apple FM บน BFCL v4 ชัดเจน

· อ่าน 7 นาที
Hugging Face Transformers v5.13.0 — ท่อ export รวมศูนย์สู่ ONNX/ExecuTorch รันโมเดลบนมือถือ พร้อมรองรับสถาปัตยกรรมโอเพนใหม่ยกชุด
เครื่องมือนักพัฒนา

Hugging Face Transformers v5.13.0 — ท่อ export รวมศูนย์สู่ ONNX/ExecuTorch รันโมเดลบนมือถือ พร้อมรองรับสถาปัตยกรรมโอเพนใหม่ยกชุด

Transformers v5.13.0 เพิ่ม HfExporters — ท่อ export รวมศูนย์ที่ส่งโมเดลออกไปยัง PyTorch ExportedProgram, ONNX และ ExecuTorch (สำหรับมือถือ/edge) ด้วย API รูปแบบเดียวกัน พร้อมรองรับสถาปัตยกรรมโอเพนใหม่ยกชุด เช่น Kimi K2.7, Xiaomi MiMo-V2-Flash, Zyphra ZAYA และ Google VideoPrism

· อ่าน 5 นาที
Liquid AI ปล่อย LFM2.5-230M — โมเดลโอเพนเวต 230 ล้านพารามิเตอร์ที่รันบนมือถือได้ 213 โทเคน/วินาที และเก่งกว่าโมเดลใหญ่กว่า 4 เท่าในงานดึงข้อมูล
โมเดลใหม่

Liquid AI ปล่อย LFM2.5-230M — โมเดลโอเพนเวต 230 ล้านพารามิเตอร์ที่รันบนมือถือได้ 213 โทเคน/วินาที และเก่งกว่าโมเดลใหญ่กว่า 4 เท่าในงานดึงข้อมูล

Liquid AI เปิดเวต LFM2.5-230M โมเดลจิ๋ว 230 ล้านพารามิเตอร์ที่ออกแบบมาเพื่อ tool use และดึงข้อมูลบนอุปกรณ์ปลายทาง — ทำได้ 213 โทเคน/วินาทีบน Galaxy S25 Ultra, 42 โทเคน/วินาทีบน Raspberry Pi 5 และทำคะแนนดึงข้อมูลชนะ Qwen3.5-0.8B และ Gemma 3 1B ที่ตัวใหญ่กว่า

· อ่าน 5 นาที