Liquid AI发布本地数据脱敏工具ShieldFlow，可在电脑端离线运行
相关推荐
HyperFoundation解除质押5万枚hyperliquid:native，价值276.2万美元
Odaily星球日报讯 据 HyperliquidNews 监测，HyperFoundation 解除质押 5 万枚 hyperliquid:native，价值 276.2 万美元。
易理华：美股AGPU或为算力赛道最具确定性的Alpha机会之一
Odaily星球日报讯 Liquid Capital 创始人易理华在 X 平台发文表示，算力赛道最具确定性的 Alpha 机会往往来自极端的估值差异。其指出，美股 AGPU 近期已获得超过 16 亿美元合同，远期年度经常性收入（ARR）达 3.84 亿美元，但当前市值不足 1 亿美元，P/ARR 仅约 0.2 倍。相比之下，市值约 500 亿美元、重资产投入且仍处于亏损状态的 CoreWeave（CRWV），AGPU 采用“轻资产 Access + 专属 Build”混合模式更具竞争力。 易理华表示，AGPU 合同规模在数月内从零增长至 16 亿美元。后续将重点关注公司新增订单（管理层预计今年新增订单可达 100 亿美元）、财报表现及融资方式等进展。
3B小模型越级打8B：Liquid AI新视觉模型本地跑飞
据动察 Beating 监测，Liquid AI 发布视觉语言模型 LFM2.5-VL-3B，只有 31 亿参数，主打手机、电脑等本地设备。它能看懂网页和 App 界面、文档和多张图片，还新增了视觉工具调用能力。 官方在 28 项视觉评测中测得平均分 69.4。8B 参数的 Gemma-4-E4B 只有 59.7，5.1B 的 Gemma-4-E2B 为 52.0。它与 47 亿参数的 InternVL 3.5 4B 持平，只比 Qwen3.5-4B 低 0.7 分。 速度是它更突出的地方。4-bit 量化后，模型在 M5 Max 上每秒可生成 228 个 token，占用约 3.3GB 内存；Galaxy S26 Ultra 上也能达到每秒 20 个 token。单张 H100 高并发时，输出吞吐最高约每秒 1.1 万 token，约为部分 4B 级模型的两倍。 模型已经开放权重，可在 Hugging Face 下载，并支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX。它采用 LFM Open License v1.0，年营收低于 1000 万美元可免费商用，超过后需要另购商业授权。
Hyperliquid调整基础设施规则：降低高速数据接入门槛，HLP闲置资金将转入借贷池
BlockBeats 消息，8 月 13 日，Hyperliquid Foundation 正在调整链上数据基础设施的接入方式，允许专业基础设施服务商接入此前门槛较高的节点，并以统一价格向更多外部团队提供服务，从而降低做市商和交易团队获取高质量、低延迟链上数据的成本。 此前，Hyperliquid 每秒产生大量订单、成交和持仓数据，交易程序若希望更快获取这些数据，通常需要运行非验证节点并连接稳定的上游节点。由于 Foundation 节点距离核心验证网络更近、数据传输链路更短，因此相当于提供了更低延迟的数据源。 过去，直接连接该节点通常需要质押 1 万枚 HYPE，同时达到 Tier 1 做市商门槛，中小型交易团队较难满足。此次调整后，专业基础设施服务商可以接入，再以统一价格向外部客户提供连接服务，目前参考价格低于 1000 美元/月，并要求服务可用率达到 99.9%。相关服务商还需运营满 1 年、服务至少 100 名客户并覆盖 5 个网络，同时不得为特定做市商提供更快的专属线路；若被发现存在特殊待遇，举报者还可能获得赏金。 与此同时，Hyperliquid 团队成员 Jeff 在 Discord 表示，下一次网络升级后，Hyperliquid Liquidity Provider（HLP）将把未用于做市的 USDC 自动调入 HyperCore 原生借贷池赚取利息。目前 HLP 总 TVL 约 1.887 亿美元，其中主账户约 1.487 亿美元为现金，快照时没有持仓或挂单，占总资金近 79%；另有约 4006 万美元分配在 7 个子策略中。 HyperCore 原生借贷池目前已有约 7.62 亿美元资产，未偿借款约 1.14 亿美元，其中 USDC 供应量约 1.76 亿美元、借出约 1.12 亿美元，利用率约 63.7%，当前 USDC 借款年化利率为 5%，供应年化利率约 2.87%。
Liquid AI发布2.6B参数端侧模型，3项评测超过Qwen3.5-9B
据动察 Beating 监测，Liquid AI 发布 LFM2.5-2.6B，并开放模型权重。这款端侧 Agent 模型只有 26 亿参数，量化后内存占用约 2.5GB，在手机端也能达到每秒约 30 Token 的生成速度。 官方评测中，它在工具调用、多轮指令遵循和结构化输出三项测试上超过 Qwen3.5-9B。后者有 97 亿参数，接近它的 4 倍。不过，Qwen3.5-9B 在代码和部分复杂 Agent 任务中仍然领先。
Cursor重排GPU流水线，MoE模型训练提速41%
据动察 Beating 监测，Cursor 开源 Mixture-of-Kittens（MoK），用于加速 MoE 大模型训练。它把原本分开的 GPU 数据传输和计算，合进一个 kernel（直接在 GPU 上运行的底层程序）。 MoE 会把模型拆成大量「专家」，每次只调用其中一部分。专家分散在不同 GPU 上，数据需要频繁搬运，有时会占掉一半以上的训练时间。 MoK 让 GPU 一边传数据，一边做计算，减少等待。在 512 块 GB300 GPU 的实际训练中，整体吞吐提高 41%。单独测试 MoE 层时，最高比公开方案快 2.37 倍。 MoK 已用于 Cursor 数万块 GPU 的 Composer 训练，并以 Apache 2.0 开源。目前只支持英伟达 Blackwell GPU，主要面向拥有 GB200、GB300 NVL72 集群的机构。