推荐这两个模型，Liquid AI 的新 encoder。 小参数下匹敌大模型质量——长文本 CPU 推理比 ModernBERT 快了数倍。 Liquid AI 在 7 月 28 日发布了两个新的 encoder 模型——LFM2.5-Encoder-230M 和 350M。核心卖点：在小参数下匹敌大模型的质量，上下文 8192 token 且延迟随输入长度增长缓慢，CPU 上比 ModernBERT-base 快约 3.7 倍。 架构 两个 encoder 从 LFM2 解码器主干初始化，然后做三步改造：双向注意力掩码（每个 token 看两边）、非因果短卷积（对称 padding）、30% token 的掩码语言建模训练。 两阶段训练：先用 1024 token 上下文做大语料 MLM，再扩展到 8192 token 强化事实、法律和多语言能力。 Benchmark 在 GLUE + SuperGLUE + 多语言分类共 17 个任务上，350M 版本排 14 个模型中的第 4 名，前 3 名都更大（最大一个 3.5B，近 10 倍参数）。230M 版本击败了 ModernBERT-base 和所有 EuroBERT 模型，参数量更小。 CPU 推理速度 最大的优势在 CPU 上。8192 token 输入时，ModernBERT-base 一次前向约 90 秒，LFM2.5-Encoder-230M 约 28 秒——约 3.7 倍快。这意味着你可以在笔记本 CPU 上 30 秒内扫描完一份完整合同、转录文本或长客服线程。 GPU 上的优势在长上下文时同样存在：短输入（<1000 token）ModernBERT 领先，长输入 LFM2.5-Encoders 反超。 实际用途 附带了 5 个 CPU-only 的 HuggingFace Space demo：零样本 prompt 路由、零样本策略检查、拼写纠正、40 种 PII 检测、掩码扩散文本生成（迭代 unmask 而非从左到右生成）。 两个模型都是开放权重，支持 transformers + Flash Attention 2。 模型： 博客： #Encoder# #CPUInference# #ONNX#

重磅，雷总又来整顿市场了 MiMo-V2.5 全系最高降 99%，今日生效。输入 ¥3，输出 ¥6，缓存 ¥0.025 MiMo 额外砍了两刀：Token Plan 加量 5-8 倍，已耗额度全部重置；TTS 语音合成限时免费 智力上，DeepSeek V4 Pro 是标准学霸，SuperCLUE 总分第一，数学知识样样精通。但致命伤是幻觉率高达 94%，不懂也硬编，做研究得逐句验证。 MiMo-V2.5-Pro 是工程偏科天才。SWE-bench Pro 代码实测 57.2%，与 GPT-5.4、Claude opus4.6持平；全球开源 Agent 能力第一。实测 4.3 小时自主写完编译器，11.5 小时独立完成视频编辑器，零人工干预。 总之大家有福了，deepseek写代码可能还不那么聪明，但是mimo这个价格是真的可以玩了。