夏威夷茂宜岛 —— 在 Snapdragon Summit 2026 上，Liquid AI 正式发布全新的端侧记忆系统 Liquid Context。该系统旨在重构人工智能助手与用户的交互逻辑，使其突破单次查询的限制，基于手机传感器、日历及用户习惯构建日常规律，从而提前预判需求。
Liquid Context 深度融合高通硬件
Liquid Context 将 Liquid AI 的上下文层与高通 Hexagon NPU 深度结合。在获得用户授权后，该系统在后台持续运行，收集信号并压缩为对用户偏好和日常模式的持久理解。这些理解完全保留在本地，无论是运行在设备端、云端还是混合架构中的智能体（Agents），均可按需调用这一上下文。
Liquid AI 首席执行官兼联合创始人 Ramin Hasani 表示：“个人人工智能的核心在于理解用户的生活方式及其时空需求。Liquid Context 在设备上构建这种理解，使智能体能提供更具相关性的帮助并预判需求。Hexagon NPU 让这种持续的本地智能成为现实，我们将个人上下文带入了用户日常依赖的设备中。”
传统助手往往反应滞后且易遗忘。例如，用户某天查询冰沙食谱后，助手次日早晨可结合近期运动数据、过往购物偏好及当前时间，主动推荐合适配方。关键在于，该建议能无缝流转至笔记本电脑和汽车，无需反复将敏感细节上传云端。
高通技术公司执行副总裁 Durga Malladi 指出，此次合作加速了“下一代智能体 AI 体验”的发展。双方计划深化合作，助力原始设备制造商（OEM）将个人上下文作为内置功能提供。
高效推理与隐私保护并重
Liquid Context 并非普通内存缓存，而是一个共享层，第三方智能体可获取相关的上下文切片。由优化后的 LFM2.5-2.6B 模型驱动的 Liquid Agent 也从中受益。得益于针对内存访问和延迟的定向调整，这个拥有 26 亿参数的模型能在 Hexagon NPU 上高效运行。标量、向量和矩阵处理与专用 Transformer 硬件相结合，确保在处理负载时不会耗尽电池或导致热量激增。
在隐私方面，数据处理均在设备端完成，获许可的智能体仅接收必要的上下文片段，用户掌控权限分配。该架构避免了频繁的云端往返，既延长了电池续航、降低了数据成本，也应对了日益严格的个人信息监管压力。
这一进展契合高通的战略叙事。高通首席执行官 Cristiano Amon 将 2026 年定义为“智能体之年”，认为智能体将成为新的计算平台。实现该愿景需满足模型质量逼近云端、上下文随用户迁移、工具体系完善、尊重物理限制以及跨设备协同五个条件。Liquid Context 直接解决了“上下文迁移”这一关键难题。
视觉模型提速与汽车领域落地
除上下文技术外，Liquid AI 在发布会次日发布了 LFM2.5-VL-DSpark。这是其 30 亿参数视觉语言模型的实验性草稿模型，增加了 2.8 亿参数，但在边缘设备上解码速度提升高达 3.13 倍，GPU 上提升 2.66 倍，端到端吞吐量在边缘硬件上提升 2.62 倍。该模型原生兼容 llama.cpp、SGLang 和 MLX-VLM。
尽管视觉令牌处理的增益受接受率影响，且在图像处理主导场景下可能缩减，但这些数据对于需要实时视觉处理的汽车和可穿戴设备仍具前景。Liquid AI 此前已协助一家全球汽车制造商部署实时语音和视觉 AI，使模型在现有硬件上速度提升 10 倍，体积缩小 50% 且精度无损，部署周期从数月缩短至一周。梅赛德斯-奔驰似乎已在早期的高通数字座舱工作中采用了 Liquid AI 的模型。
设备制造商现在可将 Liquid Agent 嵌入为品牌助手，或向用户偏好的任何智能体开放上下文层。记忆层压缩了手机、笔记本、可穿戴设备和汽车间的体验，实现上下文随用户流动。
尽管面临模型质量略逊于顶级云系统、后台处理需精细热管理及电源管理、用户对始终在线监控的信任度等挑战，但持久本地内存与更快推理工具的结合，正推动行业迈向真正个性化的智能体。Hasani 团队源自麻省理工学院，其设计的 Liquid 基础模型系列专为边缘约束打造，而非从数据中心模型简化而来。LFM2.5 模型在 Hugging Face 上周下载量已达 140 万次。分析师认为，个人上下文可能成为设备赢得用户忠诚度的护城河，而 Liquid AI 的软件借助高通骁龙平台的广泛覆盖，已具备巨大的分发潜力。