Η Liquid AI κυκλοφορεί την οικογένεια LFM3 με έξι μοντέλα ανοικτών βαρών κατηγορίας 2B

Η Liquid AI ανακοίνωσε το LFM3 στις 27 Οκτωβρίου 2026, παρουσιάζοντας μια νέα γενιά μοντέλων Liquid Foundation Models ανοικτών βαρών, η οποία εντάσσει μοντέλα κειμένου, όρασης, ήχου, πολυτροπικά μοντέλα και μοντέλα λήψης αποφάσεων σε μία κοινή αρχιτεκτονική βάσης. Η πρώτη κυκλοφορία περιλαμβάνει έξι μοντέλα της κατηγορίας των 2B παραμέτρων, όπως αναλύεται σε ανάρτηση στο ιστολόγιο του Hugging Face.

Έξι μοντέλα σε μία κοινή αρχιτεκτονική βάσης

Κάθε μοντέλο LFM3 προέρχεται από το ίδιο LFM3-1.7B-Base. Το LFM3-1.7B δέχεται κείμενο ως είσοδο και επιστρέφει κείμενο. Το LFM3-VL-2B δέχεται κείμενο, εικόνες και βίντεο και επιστρέφει κείμενο, ενώ το LFM3-Audio-2B δέχεται κείμενο ή ήχο και αποκρίνεται με κείμενο ή ομιλία. Το LFM3-Omni-2B, το οποίο η Liquid AI περιγράφει ως το πρώτο πολυτροπικό μοντέλο της, δέχεται κείμενο, εικόνες, βίντεο και ήχο και παράγει κείμενο και ομιλία. Δύο μοντέλα λήψης αποφάσεων, τα d1-2B και d1-omni-2B, εξειδικεύονται από τα μοντέλα όρασης και πολυτροπικής επεξεργασίας και επιστρέφουν βαθμονομημένες απαντήσεις αντί για κείμενο που παράγεται από το μοντέλο.

Σύμφωνα με την κάρτα μοντέλου του LFM3-1.7B, το μοντέλο κειμένου έχει 1.73B παραμέτρους, μήκος πλαισίου συμφραζομένων 256K tokens, λεξιλόγιο 128,000 tokens και υποστηρίζει 16 γλώσσες, ενώ διατίθεται με την άδεια LFM Open License v1.0. Τα βασικά μοντέλα και τα μοντέλα που έχουν υποβληθεί σε μεταγενέστερη εκπαίδευση διαθέτουν ανοικτά βάρη και είναι διαθέσιμα στο Hugging Face, στο Liquid AI Playground και μέσω του Liquid AI API.

Η ανάρτηση κυκλοφορίας της Liquid AI κατονομάζει ως συνεργάτες από την πρώτη ημέρα της κυκλοφορίας τις Ambarella, AMD, Arm, Intel μέσω OpenVINO, NVIDIA, OpenRouter, Qualcomm μέσω των Qualcomm AI Hub και GenieX, καθώς και τη Vercel. Αναφέρει επίσης ότι οι Mercedes-Benz και Shopify συνεργάστηκαν στις δοκιμές και την αξιολόγηση πριν από την κυκλοφορία.

Τρι-υβριδική αρχιτεκτονική και εκπαίδευση

Το LFM3-1.7B-Base έχει 24 επίπεδα: 13 βραχείες συνελίξεις με πύλη, πέντε επίπεδα προσοχής με συρόμενο παράθυρο 256 tokens και έξι επίπεδα καθολικής προσοχής. Οι συνελίξεις χρησιμοποιούν μέγεθος πυρήνα 7, έναντι 3 στο LFM2. Τρεις ακόμη αλλαγές καθορίζουν την αρχιτεκτονική βάσης: προσοχή με πύλη ανά κεφαλή, όπου μια πύλη σιγμοειδούς συνάρτησης κλιμακώνει την έξοδο κάθε κεφαλής προσοχής και μπορεί να περιορίσει ακραίες τιμές ενεργοποίησης που υποβαθμίζουν την κβάντιση· μερική RoPE, όπου τα επίπεδα καθολικής προσοχής περιστρέφουν μόνο το ήμισυ υψηλότερης συχνότητας κάθε κεφαλής, ενώ τα επίπεδα με συρόμενο παράθυρο διατηρούν πλήρη RoPE· και κανονικοποίηση τύπου sandwich, η οποία κανονικοποιεί την είσοδο και την έξοδο κάθε μπλοκ.

Ο σχεδιασμός προέκυψε από την αναζήτηση αρχιτεκτονικής της Liquid AI με δοκιμές σε πραγματικό υλικό και επεκτάθηκε για το LFM3, ώστε να καλύπτει 14 συνδυασμούς συσκευών και υποβάθρων εκτέλεσης. Σε αυτούς περιλαμβάνονται κινητά τηλέφωνα (Samsung Galaxy S26 Ultra και OnePlus 15), ένα Raspberry Pi 5, φορητοί υπολογιστές (Apple M4 Max και AMD Ryzen AI), επεξεργαστές Arm και x86 για υπολογιστικό νέφος, μονάδες GPU και η μονάδα NPU Qualcomm Hexagon.

Το LFM3-1.7B-Base προεκπαιδεύτηκε σε 22T tokens, ενώ τα τελευταία 3.5T tokens αποτέλεσαν ένα στάδιο ενδιάμεσης εκπαίδευσης σε επιμελημένα δεδομένα, με μεγαλύτερο μερίδιο ιχνών ενεργειών από αυτόνομους πράκτορες και κλήσεων εργαλείων· το στάδιο αυτό επέκτεινε επίσης το παράθυρο συμφραζομένων στα 256K tokens. Η μεταγενέστερη εκπαίδευση πραγματοποιήθηκε σε τέσσερα στάδια: εποπτευόμενη λεπτομερής ρύθμιση σε 1.75T tokens, μικτή ενισχυτική μάθηση, απόσταξη βάσει πολιτικής εντός του ίδιου πεδίου εφαρμογής και σε πολλούς τομείς, από έξι δασκάλους εξειδικευμένους στην ενισχυτική μάθηση, και ενισχυτική μάθηση για αυτόνομους πράκτορες μέσα σε πραγματικά περιβάλλοντα εκτέλεσης πρακτόρων.

Η Liquid AI δήλωσε ότι η νέα αρχιτεκτονική επιτρέπει στο LFM3-1.7B να ξεπερνά τον προκάτοχό του, LFM2.5-2.6B, με 35% λιγότερες παραμέτρους, και ότι ανά παράμετρο ισοφαρίζει το LFM2-1.2B σε σύντομα prompts, ενώ εκτελείται περίπου 25% ταχύτερα με 8K tokens στο πλαίσιο συμφραζομένων. Η εταιρεία ανέφερε ότι, σε ακρίβεια 4 bit, το μοντέλο κειμένου απαιτεί περίπου 1 GB μνήμης.

Επιδόσεις και εξειδίκευση σύμφωνα με την εταιρεία

Η Liquid AI αναφέρει ότι το LFM3-1.7B συγκεντρώνει βαθμολογία 38.42 στο WebArena-Verified, έναντι 3.02 για το LFM2.5-2.6B, με τις μεγαλύτερες βελτιώσεις στις εργασίες αυτόνομων πρακτόρων. Ωστόσο, η κάρτα μοντέλου αναφέρει ότι δεν συνιστάται για κώδικα που δημιουργείται από αυτόνομους πράκτορες ή για σύνθετη συλλογιστική πολλών βημάτων, λόγω του μικρού μεγέθους του μοντέλου.

Η Liquid AI δήλωσε ότι το LFM3-VL-2B είναι το πρώτο μοντέλο όρασης LFM που δέχεται είσοδο βίντεο και αναφέρει ότι αυξάνει τη μέση βαθμολογία σε 62 δοκιμές αναφοράς όρασης από 57.6 σε 71.4 σε σύγκριση με το LFM2.5-VL-3B, ενώ χρησιμοποιεί 1.9B παραμέτρους έναντι 3.1B, επιτυγχάνοντας επιδόσεις αντίστοιχες με το Gemma 4 12B, ένα μοντέλο με μέγεθος πάνω από έξι φορές μεγαλύτερο. Σύμφωνα με τις μετρήσεις της εταιρείας, ένας νέος εσωτερικά αναπτυγμένος κωδικοποιητής όρασης 164M παραμέτρων απαιτεί 3x λιγότερους υπολογιστικούς πόρους από τον κωδικοποιητή SigLIP2 που χρησιμοποιούνταν σε προηγούμενα μοντέλα LFM VL και πετυχαίνει ακρίβεια αντίστοιχη με τον κωδικοποιητή όρασης του Qwen3.5-2B, με 2.2x λιγότερες πράξεις κινητής υποδιαστολής (FLOPs).

Το LFM3-Audio-2B υποστηρίζει 18 γλώσσες και, σύμφωνα με τη Liquid AI, επιτυγχάνει ποιότητα ομιλίας 3.83 στο UTMOSv2, έναντι 3.22 για το LFM2.5-Audio-1.5B. Διαθέτει πλήρως αιτιατό κωδικοποιητή ήχου, με χρόνο έως το πρώτο token μόλις 50 ms, καθώς και ένα tokenizer LiquidCodec που παράγει ομιλία με ταχύτητα περίπου 87x μεγαλύτερη από τον πραγματικό χρόνο, σε ένα μόνο νήμα CPU σε Apple M4 Max. Η εταιρεία δήλωσε ότι το LFM3-Omni-2B, με 2.2B παραμέτρους, ξεπερνά μοντέλα με έως και 10.7B παραμέτρους, συμπεριλαμβανομένου του Qwen2.5-Omni-7B, στις δοκιμές αναφοράς κατανόησης ήχου και εικόνας Daily-Omni, WorldSense και AV-SpeakerBench.

Τα μοντέλα λήψης αποφάσεων απαντούν σε μια λίστα ερωτήσεων με ένα μόνο πέρασμα προς τα εμπρός, δίνοντας για καθεμία μια βαθμονομημένη πιθανότητα. Παράγουν επίσης τυποποιημένες απαντήσεις που υποδεικνύουν αντικείμενα, ανακτούν τιμές από έγγραφα, εκτιμούν αριθμούς με εύρος τιμών και επιλέγουν όλες τις επιλογές που ισχύουν. Η Liquid AI δήλωσε ότι το d1-2B αντικαθιστά το d1-3B με ένα τρίτο λιγότερες παραμέτρους και συγκεντρώνει βαθμολογία 75.5 στο ImajevBench, έναντι 64.0.

Κάθε μοντέλο LFM3 μπορεί να προσαρμοστεί περαιτέρω σε μία μόνο GPU, ενώ η Liquid AI δημοσίευσε σημειωματάρια με οδηγίες για εποπτευόμενη προσαρμογή, DPO, GRPO και συνέχιση της προεκπαίδευσης για τα μοντέλα κειμένου, εικόνας, ήχου και omni. Σε ένα παράδειγμα από εταιρεία, το LFM3-VL-2B προσαρμόστηκε περαιτέρω για λίγες ώρες σε μία A100, με περίπου 3.000 δημόσια διαθέσιμες φωτογραφίες πτερυγίων ανεμογεννητριών. Έτσι, η ακρίβεια ταξινόμησης ελαττωμάτων αυξήθηκε στο 67% και η βαθμολογία F1 ανίχνευσης από 0,003 σε 0,11 σε φωτογραφίες που δεν είχαν χρησιμοποιηθεί κατά την εκπαίδευση.

Η Liquid AI προσάρμοσε επίσης το LFM3-VL-2B, δημιουργώντας τρία μοντέλα ρομποτικής για ενορχήστρωση, πλοήγηση και χειρισμό. Σύμφωνα με την εταιρεία, το μοντέλο όρασης-γλώσσας-δράσης για χειρισμό, το οποίο εκπαιδεύτηκε σε 15 διαφορετικές ρομποτικές διαμορφώσεις, πέτυχε μέσο ποσοστό επιτυχίας 96,2% στις τέσσερις σουίτες LIBERO και 45,7% σε επιτραπέζιες εργασίες του RoboCasa-GR1, ενώ παρήγαγε τμήματα ενεργειών σε λιγότερο από 50 ms σε Jetson AGX Orin με TensorRT FP16.

Όσον αφορά τη ρυθμαπόδοση, η Liquid AI δήλωσε ότι το LFM3-1.7B μπορεί να παράγει 3,6 δισεκατομμύρια διακριτικά ημερησίως σε μία NVIDIA B300, με 1.024 ταυτόχρονα αιτήματα. Τα μοντέλα διατίθενται με εγγενή υποστήριξη για llama.cpp, MLX και vLLM σε υλικό Apple, AMD, NVIDIA και Qualcomm, ενώ οι παραλλαγές των σημείων ελέγχου περιλαμβάνουν BF16, FP8, NVFP4, GGUF, MLX και ONNX.