Liquid AI uvádí na trh rodinu LFM3: šest modelů s otevřenými vahami ve třídě 2B

Liquid AI oznámila LFM3 dne 27. října 2026. Jde o novou generaci modelů Liquid Foundation Models s otevřenými vahami, která přináší textové, obrazové, zvukové, multimodální a rozhodovací modely na společné základní architektuře. První vydání, podrobněji popsané v příspěvku na blogu Hugging Face, zahrnuje šest modelů s přibližně 2 miliardami parametrů.

Šest modelů na jedné společné základní architektuře

Každý model LFM3 vychází ze stejného modelu LFM3-1.7B-Base. Model LFM3-1.7B přijímá text a vrací text. LFM3-VL-2B přijímá text, obrázky a video a vrací text, zatímco LFM3-Audio-2B přijímá text nebo zvuk a odpovídá textem nebo řečí. LFM3-Omni-2B, který Liquid AI označuje za svůj první multimodální model, přijímá text, obrázky, video i zvuk a vytváří text a řeč. Dva rozhodovací modely, d1-2B a d1-omni-2B, jsou specializovanými verzemi obrazového a multimodálního modelu a vracejí kalibrované odpovědi namísto generovaného textu.

Podle karty modelu LFM3-1.7B má textový model 1,73 miliardy parametrů, kontextové okno o délce 256 tisíc tokenů, slovní zásobu o 128 000 tokenech a podporuje 16 jazyků. Je vydáván pod licencí LFM Open License v1.0. Základní i dodatečně trénované modely mají otevřené váhy a jsou dostupné na Hugging Face, v prostředí Liquid AI Playground a prostřednictvím rozhraní Liquid AI API.

V příspěvku o uvedení Liquid AI jmenuje partnery, kteří se zapojili hned v den uvedení: Ambarella, AMD, Arm, Intel prostřednictvím OpenVINO, NVIDIA, OpenRouter, Qualcomm prostřednictvím Qualcomm AI Hub a GenieX a Vercel. Uvádí také, že Mercedes-Benz a Shopify spolupracovaly na testování a vyhodnocování před vydáním.

Tri-hybridní architektura a trénování

LFM3-1.7B-Base má 24 vrstev: 13 řízených krátkých konvolucí, pět vrstev pozornosti s posuvným oknem o délce 256 tokenů a šest vrstev globální pozornosti. Konvoluce používají velikost jádra 7, oproti velikosti 3 u LFM2. Základní architekturu dále charakterizují tři změny: pozornost s řízením po jednotlivých hlavách, při níž sigmoidní brána škáluje výstup každé hlavy pozornosti a může potlačit aktivační odlehlé hodnoty, které zhoršují kvantizaci; částečné RoPE, při němž vrstvy globální pozornosti otáčejí pouze polovinu každé hlavy s nejvyššími frekvencemi, zatímco vrstvy s posuvným oknem používají plné RoPE; a sendvičová normalizace, která normalizuje vstup i výstup každého bloku.

Návrh vznikl na základě vyhledávání architektury Liquid AI v hardwarové smyčce, které bylo pro LFM3 rozšířeno na 14 kombinací zařízení a backendů. Patří mezi ně telefony (Samsung Galaxy S26 Ultra a OnePlus 15), Raspberry Pi 5, notebooky (Apple M4 Max a AMD Ryzen AI), cloudové procesory Arm a x86, grafické procesory a jednotka Qualcomm Hexagon NPU.

Model LFM3-1.7B-Base byl předtrénován na 22 bilionech tokenů; závěrečných 3,5 bilionu tokenů tvořilo fázi průběžného trénování na kurátorsky vybraných datech s větším podílem agentních stop a volání nástrojů. Tato fáze také rozšířila kontextové okno na 256 tisíc tokenů. Následné trénování probíhalo ve čtyřech fázích: doladění pod dohledem na 1,75 bilionu tokenů, smíšené posilované učení, vícedoménová distilace podle aktuální politiky od šesti specializovaných modelů učitelů trénovaných posilovaným učením a agentní posilované učení v rámci skutečných agentních prostředí.

Liquid AI uvedla, že nová architektura umožňuje modelu LFM3-1.7B překonat jeho předchůdce LFM2.5-2.6B při o 35 % nižším počtu parametrů. Na jeden parametr se podle společnosti vyrovná modelu LFM2-1.2B při krátkých zadáních; s kontextem o délce 8 tisíc tokenů přitom běží přibližně o 25 % rychleji. Při 4bitové přesnosti potřebuje textový model podle společnosti přibližně 1 GB paměti.

Výkon a specializace podle údajů společnosti

Liquid AI uvádí, že LFM3-1.7B dosahuje v testu WebArena-Verified skóre 38,42, zatímco LFM2.5-2.6B dosahuje skóre 3,02. Největší zlepšení se projevují u agentních úloh, karta modelu však uvádí, že se vzhledem k jeho malé velikosti nedoporučuje pro agentní programování ani složité vícekrokové uvažování.

Liquid AI uvedla, že LFM3-VL-2B je prvním obrazovým modelem LFM, který přijímá video. Podle společnosti zvyšuje průměrné skóre v 62 obrazových benchmarcích z 57,6 na 71,4 oproti modelu LFM2.5-VL-3B, přestože používá 1,9 miliardy parametrů oproti 3,1 miliardy. Výkonem se tak vyrovná modelu Gemma 4 12B, který je více než šestkrát větší. Nový interně vyvinutý obrazový enkodér se 164 miliony parametrů vyžaduje třikrát méně výpočetního výkonu než enkodér SigLIP2 používaný v předchozích modelech LFM VL a podle měření společnosti dosahuje stejné přesnosti jako obrazový enkodér modelu Qwen3.5-2B při 2,2krát nižším počtu operací s plovoucí desetinnou čárkou (FLOPs).

LFM3-Audio-2B podporuje 18 jazyků. Liquid AI uvádí kvalitu řeči 3,83 podle UTMOSv2 oproti 3,22 u LFM2.5-Audio-1.5B; plně kauzální zvukový enkodér dosahuje doby do prvního tokenu pouhých 50 ms a tokenizer LiquidCodec generuje řeč přibližně 87krát rychleji, než odpovídá skutečnému času, při použití jediného vlákna procesoru Apple M4 Max. Společnost uvedla, že model LFM3-Omni-2B s 2,2 miliardy parametrů překonává na benchmarcích porozumění audiovizuálnímu obsahu Daily-Omni, WorldSense a AV-SpeakerBench modely s až 10,7 miliardy parametrů, včetně Qwen2.5-Omni-7B.

Rozhodovací modely odpovídají na seznam otázek v jediném průchodu sítí a každou odpověď doplňují kalibrovanou pravděpodobností. Nabízejí také typované odpovědi, které odkazují na objekty, odečítají hodnoty z dokumentů, odhadují čísla včetně rozmezí a vybírají všechny odpovídající možnosti. Liquid AI uvedla, že d1-2B nahrazuje d1-3B s o třetinu nižším počtem parametrů a dosahuje skóre 75,5 oproti 64,0 v testu ImajevBench.

Každý model LFM3 lze doladit na jediném GPU a Liquid AI zveřejnila notebooky věnované supervizovanému dolaďování, metodám DPO a GRPO a pokračujícímu předtrénování textových, obrazových, zvukových a multimodálních modelů. V jednom příkladu z praxe společnosti byl model LFM3-VL-2B několik hodin dolaďován na přibližně 3 000 veřejně dostupných fotografiích lopatek větrných turbín, a to na jediném A100. Přesnost klasifikace vad se zvýšila na 67 % a skóre F1 při jejich detekci vzrostlo z 0,003 na 0,11 na fotografiích vyhrazených pro testování.

Liquid AI také upravila model LFM3-VL-2B a vytvořila z něj tři modely pro robotiku určené k orchestrace, navigaci a manipulaci. Společnost uvádí, že model pro manipulaci, který propojuje vidění, jazyk a akce a byl trénován na 15 různých robotických provedeních, dosáhl průměrné úspěšnosti 96,2 % ve čtyřech sadách úloh LIBERO a 45,7 % při stolních úlohách RoboCasa-GR1. Bloky akcí přitom generoval za méně než 50 ms na zařízení Jetson AGX Orin s TensorRT FP16.

Pokud jde o propustnost, Liquid AI uvedla, že LFM3-1.7B dokáže na jediném NVIDIA B300 zpracovat 3,6 miliardy tokenů denně při 1 024 souběžných požadavcích. Modely se dodávají s nativní podporou llama.cpp, MLX a vLLM a běží na hardwaru Apple, AMD, NVIDIA a Qualcomm. Dostupné varianty checkpointů zahrnují BF16, FP8, NVFP4, GGUF, MLX a ONNX.