Liquid AI本地智能体需要一份完整部署预算

分析｜2026年10月14日。

Liquid AI于10月13日发布LFM2.5-24B-A2B，让本地智能体采购成为当下值得讨论的问题。发布公告。真正需要判断的是：当任务、人员和业务规模正常变化时，企业能否持续运营一批可靠的设备。我们建议以整个部署使用期内“一项验收通过的业务成果”为评估单位，而不是把下载模型当成采购的全部。

容量是整台设备的问题

模型卡列出240亿总参数、24.5亿激活参数。模型卡。

先做一个明确简化的存储计算：240亿个数值，每个恰好占4比特，需要120亿字节，即十进制12 GB。这只是算术，不是实测下载大小，也不表示一台12 GB内存的电脑就能运行该模型。实际格式、辅助数据和执行过程需要另行测量。

Hugging Face文档指出，缓存占用会制约长上下文运行。缓存文档。因此，我们建议在验收记录中分别填写准确的模型文件包，以及典型工作期间整台设备的内存峰值。测量时应让员工的其他应用保持打开，让对话积累到实际长度，并让多个任务同时争用资源。在一台空闲机器上的干净演示，无法给这部分运行余量定价。

将使用权限纳入成本模型

Liquid的许可将商业使用与1,000万美元年收入门槛关联。许可与条款。

我们的采购问题是：企业情况变化后，部署预算会怎样变化？由谁核对资格、记录适用协议，并在需要不同条款时取得报价？在模型成为运营依赖之前，这些问题就应有答案。这是建议采用的采购控制措施，不是对某家企业资格的法律判断。

有意义的比较，是条件明确的本地方案与条件明确的托管方案之间的比较。双方都需要确定任务范围、支持责任和预期使用周期。未知的商业条款应保留为待定成本项；将其计为零，会让比较显得比现有证据更加精确。

先数完成的工作，再解释耗时

我们建议将耗时拆成加载、读取请求、生成输出、等待工具和核验结果。既记录任务总时长，也记录各部分耗时。如果生成更快，却需要更久核验，使用者可能收获有限。如果离线测试可以完成，但日常版本会调用外部服务，就应分别记录模型运行位置与工作流程的数据流向。

一个假设案例可以说明分母的重要性。若同一时期的硬件支出下降20%，但验收通过的任务数量下降30%，那么每项通过任务的硬件成本就变为基准的0.8除以0.7，约1.14倍，即上升14%。这只是说明性情景，不是Liquid AI的性能结果，也没有计入人工时间和其他成本。

下一步需要怎样的证据

可信的部署方案应附上带版本的模型文件包、典型长会话的内存记录、许可适用性结论，以及任务层面的成本比较，还应说明哪些设备和任务尚未测试。我们没有独立测试该模型，也没有取得商业协议报价。本文的分析结论更为有限：只有技术容量、使用权限和验收通过的产出能够纳入同一份运营计划，本地部署才构成可评估的经济方案。