乌克兰 Mac 软件开发商 MacPaw 与 MIT 衍生模型公司 Liquid AI 在 8 月 5 日宣布了一项长期战略合作：双方将共同为 Mac 构建一套完整的端侧 AI 技术栈，涵盖 Liquid 的非 Transformer 基础模型、MacPaw 自研的推理引擎 Elix，以及持久记忆层 Mnemos。这套技术栈首先落地于 MacPaw 的 AI 助手 Eney，之后将通过旗下应用商店 Setapp 向第三方开发者开放。
MacPaw CEO Oleksandr Kosovan 对 TechCrunch 表示，本地模型将使用户能够离线运行助手和 Agent 工作流。Liquid AI CEO Ramin Hasani 则强调了架构层面的差异化：「我们在训练模型之前就选择了不同且针对硬件定制的架构，这让我们能在设备上直接运行最高效的智能。」
这个合作的价值不在模型参数或 benchmark 分数上——Liquid 的模型在标准评测中落后于同尺寸的 Transformer 模型——而在于它展示了一种端侧 AI 商业化的新模式：不是卖芯片、不是预装系统功能、也不是让开发者自己折腾开源工具，而是把端侧推理打包成一个可控的开发者平台。
为什么是端侧：速度、隐私和离线能力只是起点
MacPaw 选择端侧推理并非技术炫技。这家以 CleanMyMac 和 Setapp 闻名的公司，在 2025 年 5 月推出了 AI 助手 Eney，初版完全依赖云端推理。但 Eney 的技术负责人 Sergii Kryvoblotskyi 在去年 12 月的博客中解释了转向本地的原因：云端延迟打断了用户的工作流，每次查询都需要网络往返；而本地引擎 Elix（Eney Local Intelligence MLX）让推理、上下文搜索、技能执行和对话历史全部留在设备上，只在调用外部 API 或下载技能清单时才触网，且在此之前会过滤掉个人身份信息。
但隐私和低延迟只是表层理由。更深层的逻辑是商业控制权。Kosovan 在 Forbes 采访中说得很直白：「MacPaw 正在将独立产品进化为互联生态系统，AI 是我们自己构建和拥有的核心技术。」对于一家拥有 15 万付费 Setapp 用户的公司，把 AI 推理委托给第三方 API 意味着将核心用户体验和成本结构交到别人手里。自建端侧推理层，本质上是把 AI 从可变成本转化为固定成本，同时控制用户体验的每一环。
Forbes 的报道还点出了一个容易被忽略的事实：Eney 产品的难度不在跑模型——「跑一个本地模型是最简单的那层。困难的是为每个任务选择合适的模型、围绕它构建 Agent 流程，并证明这些流程在本地模型上能可靠运行。」
Liquid AI 的架构赌注：用 benchmark 换部署效率
Liquid AI 是当前最高调的非 Transformer 基础模型实验室。其核心技术 Liquid Neural Networks（LNNs）源自 MIT CSAIL 长达十年的研究，创始人 Ramin Hasani 和团队在 2020 年首次提出了这种连续时间递归神经网络。
与 Transformer 的核心区别在于记忆机制。Transformer 依赖自注意力机制——每个 token 都要「看」序列中所有其他 token，并在推理时维护一个随序列长度线性增长的 KV cache。而 LNN 使用连续时间动力学方程来描述神经元状态变化，对历史信息的压缩效率更高，内存占用随上下文长度呈次线性增长。
但这种架构优势是拿 benchmark 分数换来的。根据 Liquid AI 官方数据和第三方汇总：
- LFM 2 3B 在 MMLU 上得分约 58，而同等尺寸的 Qwen3-3B 约为 67，Phi-4-mini 约为 66.6；
- 在 GSM8K 数学推理上，LFM 2 3B 约 62.4，Qwen3-3B 约 85.6，差距超过 23 分；
- 但在 iPhone 16 Pro 上的推理速度，LFM 2 3B 约 22 tok/s，Qwen3-3B 约 16 tok/s，领先约 38%；
- 在长上下文（32K tokens 以上）场景，LFM 的内存增长为次线性，而 Transformer 的 KV cache 线性膨胀成为瓶颈。
这种取舍在 MacPaw 的场景中是合理的。Eney 需要的不是解微积分或写代码，而是理解自然语言指令、匹配技能、调用应用 API、记住对话上下文——这些任务的瓶颈不在模型智力而在响应延迟和上下文管理。
Liquid AI 的第二代模型 LFM2 引入了混合架构：主体使用门控短卷积（gated short convolutions），辅以少量分组查询注意力块（grouped query attention）。Liquid AI 将其描述为「硬件在环架构搜索」——在训练前先根据目标硬件的延迟和内存约束搜索最优架构组合，再开始训练。最新发布的 LFM2.5-1.2B 已经开源权重，支持 llama.cpp、MLX 和 vLLM 等主流推理框架。
2024 年 12 月，Liquid AI 完成由 AMD 领投的 2.5 亿美元 A 轮融资，估值约 23 亿美元。AMD 的参与不仅是财务投资——Liquid 的模型已在 AMD Instinct GPU、Ryzen AI NPU 以及 Qualcomm、Cerebras、Apple 等多平台做了优化。
端侧 AI 的三条分发路径
MacPaw-Liquid 合作的意义，放在端侧 AI 的竞争版图中才会清晰。目前市场上存在三条截然不同的分发路径：
系统预装（Apple Intelligence 路线）。Apple 通过 Core ML 和 Apple Silicon 的 Neural Engine 提供本地模型能力，开发者通过系统 API 调用。优势是零摩擦、深度硬件集成；局限是模型选择受 Apple 控制，开发者只能使用 Apple 提供的模型，无法替换推理引擎或定制架构。Hasani 在 TechCrunch 中直接回应了这个问题：Liquid 的模型聚焦于「不同的能力维度」，且提供定制化栈让模型「随着用户输入持续改进」——这暗示了 Apple 模型在适应性和持续学习上的局限。
开源社区（llama.cpp 路线）。ggerganov 的 llama.cpp 通过 GGUF 格式和 Metal 后端使任何模型都能在 Apple Silicon 上运行。Ollama 进一步降低了门槛——ollama run llama3 就能跑 70B 模型。但这条路要求开发者自己解决模型选择、量化策略、提示工程和 Agent 编排。对于个人开发者和爱好者足够；对于需要可靠商业产品的软件公司，整合成本太高。
应用商店平台（Setapp 路线）。MacPaw 的做法是把模型、推理引擎、记忆层和 macOS 原生的任务执行能力打包成一个栈，开放给 Setapp 生态内的开发者。Kosovan 明确表示平台还会接入 Google 等公司的云端模型，充当开发者的「一站式 AI 入口」。Setapp 还在试验基于信用额的定价模型——用户根据信用额度和任务复杂度消耗 AI 操作配额——这比按 token 计费更容易被普通用户理解。
三条路径之间的竞争本质上是「谁来承担整合成本」之争。Apple 替用户和开发者承担了全部整合工作，但封死了定制空间；llama.cpp 把整合完全交给开发者，换来最大灵活性；MacPaw 选择了中间路线——承担核心栈的整合成本，同时保留面向场景的定制可能。
制约与未解问题
有几个现实约束让这个合作的前景需要冷静评估。
规模受限。 Setapp 拥有 15 万付费用户，相比之下 Apple 的活跃 Mac 装机量超过 1 亿。即使 Setapp 向所有开发者开放 AI 栈，其覆盖的用户基数仍远小于系统级分发。MacPaw 和 Liquid AI 需要证明这种模式能跑通商业闭环，而不仅仅是示范效应。
产品尚未交付。 Forbes 报道称 Eney 的本地版本预计「今年晚些时候」发布。目前 Eney 仍处于公开预览阶段，本地引擎 Elix 在去年 12 月的博客中首次亮相，但用户反馈集中在基础交互流畅度上，而非 Agent 工作流的可靠性。MacPaw 需要证明本地模型在真实多步骤任务中不比云端模型差太多。
Liquid AI 的市场位置。 非 Transformer 架构在学术和防御领域有明确优势，但在消费级 AI 市场仍缺乏认知度。Liquid AI 的模型选择了「不开放核心权重」（LFM 一代和二代主力模型非开源，仅 LFM2.5 系列开放权重），这限制了社区贡献和生态扩散速度。与之对比，Meta 的 Llama 和阿里 Qwen 的完全开源策略换来了庞大的开发者生态。
信用额定价的可行性。 MacPaw 已在 Setapp 上试验「按任务复杂度消耗信用额」的定价。Eney 目前提供 15000/30000/50000 信用额三档（月费 18/36/60 美元），但这一定价能否覆盖本地模型的开发与维护成本、能否在 Setapp 开发者生态中推广，都还是未知数。
值得观察的下一项变量
MacPaw 与 Liquid AI 的合作本质上是一次实验——验证「端侧 AI 推理作为开发者平台」这个命题能否跑通。判断标准不是 Setapp 的用户增长或 Liquid AI 的融资轮次，而是两个具体指标：Eney 本地版发布后，第三方 Setapp 开发者是否真正接入了这套栈；以及用户是否愿意为「本地 AI」而不是「云端 AI」买单。
如果答案是肯定的，那么端侧 AI 的战场将从「谁的芯片 NPU 更强」「谁的模型参数更大」转向「谁能构建最有粘性的开发者生态」。这对 Apple 的封闭系统策略是一个值得关注的变量——如果开发者开始通过 Setapp 这样的第三方渠道获取端侧 AI 能力，系统预装的模型就从一个「特权」变成了一个「选项」。
