Liquid AI本機代理需要一份完整部署預算

分析｜2026年10月14日。

Liquid AI於10月13日發布LFM2.5-24B-A2B，讓本機代理採購成為當下值得討論的問題。發布公告。真正需要判斷的是：當任務、人員與業務規模正常變化時，企業能否持續營運一批可靠的裝置。我們建議以整個部署使用期內「一項驗收通過的業務成果」為評估單位，而不是把下載模型當成採購的全部。

容量是整台裝置的問題

模型卡列出240億總參數、24.5億啟用參數。模型卡。

先做一個明確簡化的儲存計算：240億個數值，每個恰好占4位元，需要120億位元組，即十進位12 GB。這只是算術，不是實測下載大小，也不表示一台12 GB記憶體的電腦就能執行該模型。實際格式、輔助資料與執行過程需要另行測量。

Hugging Face文件指出，快取占用會限制長上下文執行。快取文件。因此，我們建議在驗收紀錄中分別填寫確切的模型套件，以及典型工作期間整台裝置的記憶體峰值。測量時應讓員工的其他應用程式保持開啟，讓對話累積到實際長度，並讓多個任務同時競爭資源。在一台閒置機器上的單純展示，無法替這部分執行餘裕定價。

將使用權限納入成本模型

Liquid的授權將商業使用與1,000萬美元年營收門檻連結。授權與條款。

我們的採購問題是：企業情況改變後，部署預算會如何變化？由誰核對資格、記錄適用協議，並在需要不同條款時取得報價？在模型成為營運依賴之前，這些問題就應有答案。這是建議採用的採購控制措施，不是對某家企業資格的法律判斷。

有意義的比較，是條件明確的本機方案與條件明確的託管方案之間的比較。雙方都需要確定任務範圍、支援責任與預期使用週期。未知的商業條款應保留為待定成本項；將其計為零，會讓比較顯得比現有證據更加精確。

先數完成的工作，再解釋耗時

我們建議將耗時拆成載入、讀取請求、產生輸出、等待工具與核驗結果。既記錄任務總時長，也記錄各部分耗時。如果產生更快，卻需要更久核驗，使用者可能收穫有限。如果離線測試可以完成，但日常版本會呼叫外部服務，就應分別記錄模型執行位置與工作流程的資料流向。

一個假設案例可以說明分母的重要性。若同一時期的硬體支出下降20%，但驗收通過的任務數量下降30%，那麼每項通過任務的硬體成本就變為基準的0.8除以0.7，約1.14倍，即上升14%。這只是說明性情境，不是Liquid AI的效能結果，也沒有計入人工時間與其他成本。

下一步需要怎樣的證據

可信的部署方案應附上帶版本的模型套件、典型長對話的記憶體紀錄、授權適用性結論，以及任務層面的成本比較，還應說明哪些裝置與任務尚未測試。我們沒有獨立測試該模型，也沒有取得商業協議報價。本文的分析結論更為有限：只有技術容量、使用權限與驗收通過的產出能夠納入同一份營運計畫，本機部署才構成可評估的經濟方案。