乌克兰 Mac 软件开发商 MacPaw 与脱胎于 MIT 研究团队的模型公司 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 针对本地设备优化的基础模型、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。」
这项合作关注模型之外的整合工作：把本地推理、记忆和应用操作打包给开发者。对 MacPaw 而言，模型得分和运行速度仍然重要，但平台价值最终要体现在开发者能否更容易交付可靠的 AI 功能。
本地推理减少联网延迟，也让 MacPaw 更能控制服务成本
MacPaw 转向端侧推理，首先是为了解决使用体验问题。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。
隐私和低延迟之外，公司也希望获得更多商业控制权。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。自建本地推理能力，可以减少随云端调用量增长的费用，但公司仍需承担模型适配、开发和维护开支。
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 按设备约束选择架构，性能仍需按任务比较
Liquid AI 将面向设备的模型效率作为主要开发方向。团队的 Liquid Neural Networks（LNNs）研究源自 MIT CSAIL 的长期积累，创始人 Ramin Hasani 和团队在 2020 年发表了相关连续时间递归神经网络研究。
早期 LNN 使用连续时间动力学描述神经元状态变化；传统全注意力 Transformer 则需要在推理时保存随上下文增长的 KV cache。不过，当前 LFM2 并非直接照搬 LNN，而是采用卷积与注意力的混合结构。其内存表现取决于具体结构和实现，不能由早期 LNN 的性质直接推定。
Liquid 官方的 LFM2 发布评测显示，不同任务中的比较结果并不一致：
- LFM2-1.2B 的 MMLU 得分为 55.23，Qwen3-1.7B 为 59.11；
- 同一评测中的 GSM8K 得分分别为 58.3 和 51.4，排名相反；
- 推理速度测试使用 Galaxy S24 Ultra 和 AMD Ryzen HX370，实际速度还受推理框架和量化配置影响；
- 长上下文部署也需要实测峰值内存，尤其 LFM2 仍保留注意力层，不能一概视为没有随上下文增长的缓存。
对 Eney 来说，理解自然语言指令、匹配技能、调用应用 API 和记住对话上下文，都是直接影响使用体验的任务。模型能力、响应延迟和上下文管理需要一起评估。
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。LFM2.5-1.2B 已经开放权重，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。
系统模型、开源工具和应用平台各自承担不同的整合工作
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 向开发者提供系统模型接口，也提供 Core ML 等本地机器学习工具和 Apple Silicon 的 Neural Engine 硬件支持。系统模型的优势是硬件与系统集成较深，其接口和模型选择由 Apple 控制；开发者也可以另外部署自选模型，但需要自行完成适配。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」——这是 Liquid 对自身产品方向的说明，实际适应能力仍需在具体任务中比较。
开源社区（llama.cpp 路线）。ggerganov 的 llama.cpp 通过 GGUF 格式和 Metal 后端让支持的模型能够在 Apple Silicon 上运行。Ollama 进一步降低了门槛——ollama run llama3:70b 可以启动对应的 70B 模型，但需要足够内存。这条路仍要求开发者自己解决模型选择、量化策略、提示工程和 Agent 执行流程。对需要可靠商业产品的软件公司来说，基础工具之外还存在可观的整合成本。
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 的系统接口减少了基础接入工作；llama.cpp 等工具提供更多模型选择，也要求开发者自行适配产品；MacPaw 则希望整合模型和执行能力，同时保留面向场景的定制空间。
产品交付、用户规模与任务定价决定平台能否持续
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 需要证明开发者接入和用户付费能够支持长期维护。
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。 Liquid AI 在消费级市场仍需扩大认知度。LFM2 和 LFM2.5 都已开放多个模型的权重，但开发者还需要了解各版本许可、框架支持和适配成本。与已有大量工具和用户的 Llama、Qwen 相比，Liquid 仍需积累更多社区实践。
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。
Eney 交付后，需要观察第三方接入与用户付费
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。可以先观察两个具体指标：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 的竞争就会进一步延伸到开发工具和应用生态。如果更多开发者通过 Setapp 这样的第三方渠道获取本地 AI 能力，用户就可能获得更多系统预装模型之外的选择。
