商业模式拆解 · Liquid AI
Liquid AI：端侧小模型靠授权与硬件预装赚钱，赌的是设备足够多
靠汽车座舱和消费电子预装把模型塞进端侧，按年收入1000万美元以下免费商用换装机量，最大的赌注是设备数量能撑起后续授权费。
关键数字
收入目前来自三条线：云 API 按 token 计费、企业定制版联系销售、开放模型在年收入超过 1000 万美元后收商业许可。真正想赚的钱在端侧预装，但账本没有披露任何授权费金额或分成口径。钱花在模型训练和全球设点，A 轮由 AMD 领投，资本上暂时不缺。活下去的关键是高通、奔驰这类硬件渠道能否把 LFM 装进足够多设备，让免费商用条款在几年后变成授权收入。最大风险是设备出货量不及预期，云 API 价格战又把唯一有明确标价的那条线压到极薄。
产品与模型
LFM2 用短卷积堆端侧速度，牺牲通用性换毫秒级延迟
LFM2 是混合架构，16 个块里 10 个双门控短卷积块、6 个分组查询注意力块，发布 0.35B、0.7B、1.2B 三个稠密检查点。短卷积在 CPU 上比注意力更省算力，LFM2 在 CPU 上的解码与预填充速度是 Qwen3 的 2 倍，这是端侧能离线跑、不按 token 付费的前提。
但稠密小模型的知识容量有限，LFM2 技术报告把上限放到 2.6B 稠密和 8.3B MoE，2026 年 10 月又发 LFM2.5-24B-A2B（总参数 24B、激活约 2B、上下文 131,072 token），说明公司也在往更大参数走，用 MoE 把激活量压住。
产品线的取舍很清楚：不做万亿参数通用模型，把推理成本压到设备本地，用速度换客户。代价是复杂推理任务上打不过大模型，只能切座舱、本地助手这类对延迟敏感、对知识广度要求不高的场景。
依据R3R7R9d1 决策模型不生成 token，按输入计费把定价逻辑反过来
d1 系列按输入 token 计费、输出免费，因为模型不生成 token，直接输出决策。这跟主流按输出 token 收费的 API 相反，输出越贵越抑制使用，d1 把使用量压在输入端。
这种定价适合分类、路由、风控这类短输入短输出的任务，客户按调用量付钱，但账单结构跟生成式 API 不同。账本没有披露 d1 的具体单价和调用量，只知道计费规则。
对创业者来说，这是一种可借的定价思路：如果你的产品输出成本极低而输入是瓶颈，按输入收费比按输出收费更贴近成本结构。但前提是决策质量能被客户量化验证，否则免费输出也换不来调用。
依据R5收入模式
云 API 按 token 标价，24B 模型输出 1 美元/百万 token 是价格锚
LFM2.5-24B-A2B 的 API 价格是每百万 token 输入 0.10 美元、缓存输入 0.05 美元、输出 1 美元。输入输出价差 10 倍，说明公司希望客户多读少写，把生成量压住。
第三方平台 Featherless 给 LFM2.5-350M-Base 标了输入 0.04 美元、缓存 0.008 美元、输出 0.08 美元，但未注明单位口径，只能当参考。云 API 是账本里唯一有明确单价的收入线，但价格水平放在开放模型市场里偏低，单靠 API 很难撑起 A 轮规模的公司的成本。
这条线的意义可能不在收入本身，而在给端侧授权提供一个可比价格：客户能看到云端调用多少钱，再对比预装授权的报价。
依据R9R12开放模型年收入 1000 万美元以下免费，超过才收许可费
开放模型在客户年收入低于 1000 万美元时免费商用，超过需商业许可。这是一条延迟收费的条款：先用免费换装机量和开发者习惯，等客户长大再收钱。
企业版定价按部署规模与支持需求定制，需联系销售，账本没有披露任何合同金额或分成比例。创业计划要求成立 5 年内、未上市、融资超 50 万美元、C 轮以前，说明免费商用不是无条件的，公司用融资阶段和收入门槛筛掉不会付费的小客户。
问题在于，年收入 1000 万美元的门槛把绝大多数小团队和早期创业公司挡在付费墙外，而真正付得起授权费的大客户又往往要求定制部署，走企业版销售。免费条款更像获客工具，不是收入来源。
依据R1R2客户与市场
奔驰、Shopify 是样板客户，但账本没有他们的付费金额
客户包括梅赛德斯-奔驰、Shopify、MacPaw，与奔驰、Shopify 合作为其提供端侧与云部署模型。Shopify CTO 公开说 Liquid 模型在部分场景以约少 50% 参数胜过 Qwen、Gemma 且快 2–10 倍，这是客户愿意公开背书的原因。
但账本没有披露这些客户付了多少钱、按什么方式付费、合同期限多长。播客称已有 125 家企业使用 Liquid AI 模型，口径未核实，且“使用”不等于“付费”。
判断：奔驰和高通座舱平台的合作是渠道型客户，价值在预装量而非单笔合同；Shopify 是效果型客户，价值在证明模型在真实业务里能用小参数打赢大模型。两类客户都不能直接换算成收入。
依据R13R4R14获客与渠道
借高通骁龙座舱进奔驰，芯片厂是端侧的分发入口
2026 年 9 月 23 日骁龙峰会宣布与高通合作推出 Liquid Context 记忆层，已集成于面向奔驰的骁龙座舱平台。这是典型的借船出海：模型不直接卖给车厂，而是嵌入芯片平台的参考设计，车厂选座舱方案时顺带选上。
账本显示公司在波士顿、旧金山、纽约和东京设有员工，下一步可能扩张至欧洲，欧洲正是奔驰总部所在地。设点跟着客户和芯片伙伴走，不是跟着收入走。
这种渠道的效率高，但议价权在芯片厂和车厂手里。Liquid AI 在预装环节能拿到多少授权费、按车还是按年收，账本没有披露。
依据R6R11成本结构
钱花在训练效率和全球设点，训练成本靠架构优化压
LFM2 训练效率较上一代提升 3 倍，降低训练成本。这是架构层面的省钱：短卷积和 MoE 减少计算量，让小团队也能迭代模型。
但公司同时在波士顿、旧金山、纽约、东京设点，并考虑扩张欧洲，人力成本是刚性支出。账本没有披露员工数和研发/销售费用拆分，无法判断钱具体花在哪一侧。
从产品节奏看，2026 年连续发布 LFM2.5 旗舰新版本和 LFM2.5-24B-A2B，模型迭代频率不低，训练和推理基础设施是持续开销。端侧预装如果起量，推理成本由设备承担，公司不用为每次调用付云厂商钱，这是成本结构上比纯 API 公司占便宜的地方。
依据R3R11R9融资与资本
AMD 领投的 A 轮是主要活水，融资口径本身不一致
完成 2.5 亿美元 A 轮融资，由 AMD 领投。播客同时提及 2.9 亿美元融资，与 2.5 亿美元 A 轮口径不一致，需分别记录。账本没有披露估值和累计融资总额。
AMD 领投不只是钱：AMD 在 CPU 和端侧芯片上有位置，与 Liquid AI 的端侧定位互补。但账本没有披露 AMD 与公司在业务上的绑定条款，不能推断 AMD 会为模型预装提供渠道。
按 A 轮规模，公司短期不缺现金，但账本没有披露 burn rate 和 runway，无法判断这笔钱能撑几年。商业模式又依赖设备出货和客户长大，收入兑现周期长，资本耐心是关键变量。
依据R14护城河
端侧速度优势是工程护城河，但容易被芯片厂和云厂商两头挤压
端侧推理免除按 token 的 API 费用，可离线运行并保持毫秒级延迟，这是 Liquid AI 对客户的核心卖点。LFM2 在 CPU 上解码与预填充速度较 Qwen3 快 2 倍，Shopify CTO 说部分场景以约少 50% 参数胜过 Qwen、Gemma 且快 2–10 倍。
速度优势来自架构，不是数据或生态。架构可以被复现，Qwen、Gemma 也在往小模型和端侧走。真正的壁垒在预装关系：一旦模型进了骁龙座舱平台，车厂切换成本高，但账本没有披露排他条款或预装量。
另一个风险是芯片厂自己推端侧模型。高通、AMD 既有芯片又有模型合作方，Liquid AI 在议价上不占优。护城河目前是工程速度加早期渠道卡位，不是不可替代。
依据R1R3R13R6风险与不确定性
免费商用门槛把付费客户筛到最晚，收入兑现可能拖过资本耐心
开放模型在客户年收入低于 1000 万美元时免费商用，超过才收许可费。这意味着公司要等客户长大才能收钱，而客户长大的时间不确定。账本没有披露有多少客户跨过这条线、许可费单价多少。
同时，云 API 价格偏低，24B 模型输出 1 美元/百万 token，单靠 API 收入难覆盖全球设点和训练开销。两条收入线都处在“有规则、没金额”的状态。
如果设备预装的授权费也迟迟不披露，公司会长期依赖融资。A 轮 2.5 亿美元规模不小，但账本没有 runway，无法判断窗口期。
依据R1R9R14端侧预装量是最大赌注，但账本只有目标没有出货数据
CEO 称希望三四年内运行在全球 50% 的设备上，这是目标性表述，不是承诺。账本没有披露任何设备预装量、激活量或授权费收入。
与高通的合作已集成于面向奔驰的骁龙座舱平台，但奔驰车型出货量、Liquid 模型在其中的渗透率都未披露。如果出货量起不来，端侧授权这条线就是空的。
另一个约束是端侧模型的竞争：Qwen、Gemma 都在推小尺寸版本，手机和车机厂商也有自研模型。Liquid AI 的速度优势需要持续迭代才能保持，而迭代依赖训练投入，收入没兑现前只能靠融资。
依据R4R6R3关键节点
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
端侧速度优势可以借，但别指望靠架构本身留住客户
LFM2 在 CPU 上的解码与预填充速度是 Qwen3 的 2 倍，Shopify CTO 也说部分场景以约少 50% 参数胜过 Qwen、Gemma 且快 2–10 倍。这种优势来自短卷积加分组查询注意力的混合架构，不是数据或生态，小团队完全可以在自己的细分场景里做类似的推理优化，把延迟压到可验证的水平，再拿这个指标去谈客户。
延迟收费的免费商用条款，小团队学的是筛选逻辑不是免费本身
开放模型在客户年收入低于 1000 万美元时免费商用，超过才收许可费，同时创业计划要求成立 5 年内、未上市、融资超 50 万美元、C 轮以前。这套组合的本质是用门槛筛客户：把不会付费的早期公司挡在外面，把可能长大的留下。小团队可以借这个思路，在设计免费额度时明确写出适用条件，而不是无差别免费换装机量。
样板客户能证明模型可用，但证明不了收入，别把背书当订单
奔驰、Shopify、MacPaw 是 Liquid AI 的样板客户，Shopify CTO 公开背书模型效果，高通合作也已集成进面向奔驰的骁龙座舱平台。这些背书对小团队有直接用法：找一个真实业务方，用可量化的参数和速度对比证明模型够用，比任何基准测试都有说服力。
公开资料没有回答的问题
- 端侧预装的授权费按什么口径收：按设备、按年、还是按车型？账本未披露。
- 奔驰座舱平台的实际出货量和 LFM 渗透率是多少？账本未披露。
- 2.5 亿美元 A 轮之后的 runway 和 burn rate 是多少？账本未披露。
- 125 家企业使用口径中，有多少是付费客户？账本未披露。
- Shopify 和 MacPaw 的合同金额与付费方式是什么？账本未披露。
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1Pricing | Liquid AIliquid.ai · 一手来源 · 可信度 88
- R2料金 | Liquid AIliquid.ai · 一手来源 · 可信度 87
- R3Introducing LFM2: The Fastest On-Device Foundation Models on the Market | Blogliquid.ai · 一手来源 · 可信度 87
- R4Tech Disruptors: Liquid AI Takes Intelligence Beyond the Cloud - Bloombergbloomberg.com · 媒体与披露 · 可信度 84
- R5Decision Models - Liquid Docsdocs.liquid.ai · 一手来源 · 可信度 84
- R6高通联Liquid AI推终端侧记忆层 已用于奔驰座舱itsdw.cn · 媒体与披露 · 可信度 84
- R7LFM2 Technical Reportar5iv.labs.arxiv.org · 媒体与披露 · 可信度 83
- R8The case for liquid foundation modelsmckinsey.com · 媒体与披露 · 可信度 83
- R9Liquid AI、AIエージェント向け24B推論モデル「LFM2.5-24B-A2B」無償公開pc.watch.impress.co.jp · 媒体与披露 · 可信度 83
- R10Liquid AI's smallest model yet LFM2.5-230M beats models 4X its size at data extraction, can run 'anywhere' - Featuredventurebeat.com · 媒体与披露 · 可信度 83
- R11Liquid in allen Gerätenforbes.at · 媒体与披露 · 可信度 82
- R12Run LFM2.5-350M Base API (Easy Deployment & Flat-Rate Pricing)featherless.ai · 媒体与披露 · 可信度 81
- R13Liquid AI - Liquid AI’s Customerscbinsights.com · 媒体与披露 · 可信度 81
- R14Ramin Hassani I Co-Founder & CEO of Liquid AI - Secondpod - Podcast Episode - Podscan.fm - Ramin Hassani I Co-Founder & CEO of Liquid AIpodscan.fm · 媒体与披露 · 可信度 81
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 13 个来源、11 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。