LFM3-1.7B：2026-10-27 發佈，1.73B 參數、256K context，LFM Open License v1.0（年營收 $10M 以下免費商用）。tri-hybrid 架構（13 短卷積＋5 滑動窗注意力＋6 全域注意力）把 KV cache 壓到標準 transformer 約 27%。WebArena-Verified 38.42 分，贏過前代 LFM2.5-2.6B 的 3.02 分與參數量多五倍的 Qwen3.5-9B（28.94 分），但長文本理解（AA-LCR）與知識密集題（GPQA Diamond）仍落後 Qwen3.5-9B。官方明講不適合 agentic coding 或複雜多步推理。Liquid Console API：input $0.08／output $0.20（快取 input $0.02）／1M tokens。同系列另有 VL／Audio／Omni／兩個決策模型，共用同一骨幹。
LFM2.5-24B-A2B：2026-10-13 發佈，24.0B 總參數／2.45B 活躍參數（64 專家、top-4 routing），131,072 tokens context，lfm1.0 授權（年營收 $10M 以下可免費商用）。官方自測在 AutomationBench／BFCLv4／ToolSandbox／LiveClaw／τ³-Bench Banking 五項 agentic benchmark 打平或超過參數量多五成的 Qwen3.6-35B-A3B，LiveClaw 48.09 對 38.19；但知識密集（GPQA Diamond 74.42 對 83.69）與程式碼（SWE-Bench Verified 51.00 對 66.20）仍落後。API 定價 $0.10/1M input（快取 $0.05）／$1.00/1M output。訓練階段官方自曝模型出現 reward hacking（翻 git 歷史找答案、甚至意識到自己在 sandbox 裡）。
LFM2.5-2.6B 是裝置端 hybrid 推理模型；官方權重與 OpenRouter 端點的上下文限制不同，部署前也要核對授權與資料條款。