Liquid AI lanceert de LFM3-familie met zes open-weightmodellen in de 2B-klasse

Liquid AI kondigde LFM3 op 27 oktober 2026 aan: een nieuwe generatie open-weight Liquid Foundation Models die tekst-, visie-, audio-, omni- en beslismodellen op één gedeelde backbone samenbrengt. De eerste release omvat zes modellen in de parameterklasse van 2B, zoals beschreven in een bericht op de Hugging Face-blog.

Zes modellen op één gedeelde backbone

Elk LFM3-model is gebaseerd op dezelfde LFM3-1.7B-Base. LFM3-1.7B ontvangt tekst en genereert tekst. LFM3-VL-2B accepteert tekst, afbeeldingen en video en genereert tekst, terwijl LFM3-Audio-2B tekst of audio ontvangt en reageert met tekst of spraak. LFM3-Omni-2B, dat Liquid AI omschrijft als zijn eerste omni-model, accepteert tekst, afbeeldingen, video en audio en produceert tekst en spraak. Twee beslismodellen, d1-2B en d1-omni-2B, zijn afgeleid van de visie- en omni-modellen en geven gekalibreerde antwoorden in plaats van gegenereerde tekst.

Volgens de modelkaart van LFM3-1.7B heeft het tekstmodel 1,73 miljard parameters, een contextlengte van 256K tokens, een vocabulaire van 128.000 tokens en ondersteuning voor 16 talen. Het wordt uitgebracht onder de LFM Open License v1.0. De basismodellen en modellen die na training verder zijn verfijnd, zijn open-weight en beschikbaar op Hugging Face, in de Liquid AI Playground en via de Liquid AI API.

In het releasebericht noemt Liquid AI Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via Qualcomm AI Hub en GenieX, en Vercel als lanceringspartners vanaf dag één. Ook meldt het bedrijf dat Mercedes-Benz en Shopify hebben meegewerkt aan tests en evaluaties voorafgaand aan de release.

Tri-hybride architectuur en training

LFM3-1.7B-Base heeft 24 lagen: 13 gated short convolutions, vijf sliding-window-attentielagen met een venster van 256 tokens en zes globale attentielagen. De convoluties hebben een kernelgrootte van 7, tegenover 3 in LFM2. Drie andere aanpassingen bepalen de backbone: head-wise gated attention, waarbij een sigmoid-gate de uitvoer van elke attention head schaalt en activeringsuitschieters kan onderdrukken die de kwantisatie verslechteren; gedeeltelijke RoPE, waarbij globale attentielagen alleen de helft met de hoogste frequenties van elke head roteren, terwijl sliding-windowlagen volledige RoPE behouden; en een sandwichnorm, die de invoer en uitvoer van elk blok normaliseert.

Het ontwerp kwam voort uit Liquid AI’s architectuuronderzoek met hardware-in-the-loop, dat voor LFM3 werd uitgebreid tot 14 combinaties van apparaten en back-ends, waaronder telefoons (Samsung Galaxy S26 Ultra en OnePlus 15), een Raspberry Pi 5, laptops (Apple M4 Max en AMD Ryzen AI), Arm- en x86-cloud-CPU’s, GPU’s en de Qualcomm Hexagon-NPU.

LFM3-1.7B-Base is vooraf getraind op 22 biljoen tokens. De laatste 3,5 biljoen tokens vormden een fase van tussentijdse training op samengestelde data, met een groter aandeel agentische verwerkingstrajecten en toolaanroepen. In die fase werd ook het contextvenster uitgebreid tot 256K tokens. De training na de voortraining verliep in vier fasen: supervised fine-tuning op 1,75 biljoen tokens, gemengde reinforcement learning, distillatie volgens on-policy-methode in meerdere domeinen op basis van zes gespecialiseerde reinforcement-learningmodellen als leraren, en agentische reinforcement learning binnen echte agentomgevingen.

Liquid AI zei dat de nieuwe architectuur LFM3-1.7B met 35% minder parameters beter laat presteren dan zijn voorganger LFM2.5-2.6B. Per parameter evenaart het model LFM2-1.2B op korte prompts en werkt het ongeveer 25% sneller bij een context van 8K tokens. Volgens het bedrijf heeft het tekstmodel bij een precisie van 4 bits ongeveer 1 GB geheugen nodig.

Door het bedrijf gerapporteerde prestaties en specialisaties

Liquid AI meldt dat LFM3-1.7B op WebArena-Verified een score van 38,42 behaalt, tegenover 3,02 voor LFM2.5-2.6B, met de grootste verbeteringen op agentische taken. De modelkaart vermeldt echter dat het model vanwege zijn beperkte omvang niet wordt aanbevolen voor agentische codeertaken of complexe redeneringen in meerdere stappen.

Liquid AI zei dat LFM3-VL-2B het eerste LFM-visiemodel is dat video-invoer accepteert. Volgens het bedrijf stijgt de gemiddelde score op 62 visiebenchmarks ermee van 57,6 naar 71,4 ten opzichte van LFM2.5-VL-3B, terwijl het model 1,9 miljard parameters heeft tegenover 3,1 miljard. Daarmee evenaart het Gemma 4 12B, een model dat ruim zes keer zo groot is. Een nieuwe, intern ontwikkelde vision encoder met 164 miljoen parameters gebruikt drie keer minder rekenkracht dan de SigLIP2-encoder in eerdere LFM VL-modellen en evenaart de nauwkeurigheid van de vision encoder van Qwen3.5-2B met 2,2 keer minder FLOPs, volgens metingen van het bedrijf.

LFM3-Audio-2B ondersteunt 18 talen. Liquid AI meldt een spraakkwaliteitsscore van 3,83 op UTMOSv2, tegenover 3,22 voor LFM2.5-Audio-1.5B, en noemt daarnaast een volledig causaal audio-encoder met een tijd tot het eerste token van slechts 50 ms en een LiquidCodec-tokenizer die op één CPU-thread van een Apple M4 Max spraak genereert met ongeveer 87 keer de realtime snelheid. Het bedrijf zei dat LFM3-Omni-2B, met 2,2 miljard parameters, op de audiovisuele begripsbenchmarks Daily-Omni, WorldSense en AV-SpeakerBench beter presteert dan modellen met maximaal 10,7 miljard parameters, waaronder Qwen2.5-Omni-7B.

De beslismodellen beantwoorden een reeks vragen in één forward pass, telkens met een gekalibreerde waarschijnlijkheid. Daarnaast geven ze getypeerde antwoorden die objecten aanwijzen, waarden uit documenten uitlezen, getallen binnen een bereik schatten en alle toepasselijke opties selecteren. Liquid AI zei dat d1-2B d1-3B vervangt met een derde minder parameters en op ImajevBench een score van 75,5 behaalt, tegenover 64,0.

Elk LFM3-model kan op één GPU worden fijnafgesteld. Liquid AI publiceerde notebooks over supervised fine-tuning, DPO, GRPO en voortgezette pretraining voor de tekst-, visie-, audio- en omnimodellen. In een bedrijfsvoorbeeld werd LFM3-VL-2B gedurende enkele uren op één A100 fijnafgesteld met ongeveer 3.000 openbare foto’s van windturbinebladen. Daardoor steeg de nauwkeurigheid van de defectclassificatie naar 67% en de detectie-F1-score op apart gehouden foto’s van 0,003 naar 0,11.

Liquid AI paste LFM3-VL-2B ook aan tot drie robotmodellen voor coördinatie, navigatie en manipulatie. Het bedrijf meldt dat het vision-language-action-model voor manipulatie, getraind op 15 robotconfiguraties, een gemiddeld succespercentage van 96,2% behaalde over de vier LIBERO-suites en 45,7% bij de tabletop-taken van RoboCasa-GR1. Het genereerde daarbij actieblokken in minder dan 50 ms op een Jetson AGX Orin met TensorRT FP16.

Over de doorvoer zei Liquid AI dat LFM3-1.7B op één NVIDIA B300 3,6 miljard tokens per dag kan produceren bij 1.024 gelijktijdige verzoeken. De modellen worden geleverd met native ondersteuning voor llama.cpp, MLX en vLLM op hardware van Apple, AMD, NVIDIA en Qualcomm. De beschikbare checkpointvarianten omvatten BF16, FP8, NVFP4, GGUF, MLX en ONNX.