英伟达RTX Spark笔记本已在华硕、戴尔、惠普、联想、微软和微星开售，起价2599美元，把Blackwell RTX GPU与Grace CPU集成在一颗超级芯片上，最高128GB统一内存、最高1 petaflop FP4 AI算力。配套更新包括开放权重的Nemotron 3.5 Transcribe语音模型，它用一个可提示模型完成转写、说话人标注和翻译，覆盖40种语言，并以约43亿活跃参数在Hugging Face Open ASR上排名第一。NVIDIA App新增资源管理，让用户在前台应用与后台运行的智能体之间分配GPU资源。
Liquid AI 发布 LFM3 系列，把文本、视觉、音频、全模态和决策模型统一到同一个 2B 级骨干上，全部开放权重并可在单张 GPU 上微调。相比上一代 LFM2 家族，LFM3-1.7B 以少 35% 的参数超过 LFM2.5-2.6B，在 WebArena-Verified 上得 38.42，而后者为 3.02。文本模型 4 比特精度下约 1 GB，支持 256K 上下文，面向端侧智能体部署。
Liquid AI 发布 LFM3 系列，把文本、视觉、音频、全模态和决策模型统一到一套约2B参数的共享骨干上，基座与后训练权重以开放权重形式在 Hugging Face 和其 API 上线。新骨干由门控短卷积、滑动窗口注意力和全局注意力混合而成，预训练使用22T token，末段3.5T token 的中训练把上下文扩展到256K。按参数计，LFM3-1.7B 在边缘设备短提示上追平 LFM2-1.2B，在8K token 上下文下约快25%。
Liquid AI发布多模态决策模型d1-ultra，在Liquid API上按每百万输入token 0.042美元计费，面向电路板缺陷比对、理赔照片核对这类更难更杂的真实场景。它沿用d1的三类提问方式：noul给出0到1的是非概率，Choice在多个标签中给出每个标签的概率，Score给出一个刻度上的位置。与上一代d1和Jev 1.14在112项独立评测上比较，d1-ultra在同等价格下准确率更高、概率校准更好，并在Artificial Analysis决策指数上领先其他决策模型至少8分。
Liquid AI发布LFM2.5-24B-A2B，一个总参数24B、每token仅激活2B的推理模型，面向设备端快速私有智能体。相比前代LFM2-24B-A2B，它把上下文从32768扩展到131072 token、词表从65K扩到128K，预训练从17T扩到33T token，并改为先输出显式思维链再给答案。在八项工具使用与智能体基准中的五项上，它与总参数和激活参数都多约50%的Qwen3.6-35B-A3B持平或领先，AutomationBench得27.69对8.72；在Apple M5 Max上解码184 tokens/s，单张NVIDIA B300 GPU上高并发时输出超过21K tokens/s。
Liquid AI发布LFM2.5-24B-A2B，一个总参数24B、每token仅激活2B的推理型智能体模型，面向设备端本地运行。它沿用前代LFM2-24B-A2B的架构，但上下文从32K扩到131K、词表从65K扩到128K，并改为先输出思维链再作答。在16项基准上它与总参数和激活参数都多约50%的Qwen3.6-35B-A3B竞争：LiveClaw得48.09对38.19，AutomationBench为27.69对8.72，同时在M5 Max上解码184 token/s。
Liquid AI 发布 LFM2.5-VL-DSpark 视觉草稿模型，沿用其文本 DSpark 架构，把图像块与文本 token 投影到同一表示后由 4 层注意力草稿器预测候选 token 块，仅增加约 280M 参数（相对 3B 目标模型增加 8.9%），在 M5 Max 上按任务实现 2.30x 至 3.13x 解码加速与 1.56x 至 2.62x 端到端提升，在 M3 Ultra 上为 1.57x 至 2.14x 与 1.30x 至 1.77x，在 H100 上端到端提升 1.64x 至 2.27x，并随模型提供 llama.cpp、MLX-VLM 与 SGLang 的首日集成。
已读完全部报道