Liquid AI wprowadza rodzinę LFM3: sześć modeli z otwartymi wagami klasy 2B

27 października 2026 r. Liquid AI ogłosiło LFM3 — nową generację modeli Liquid Foundation Models z otwartymi wagami, która łączy modele tekstowe, wizyjne, audio, omni i decyzyjne we wspólnym szkielecie. Pierwsze wydanie, opisane we wpisie na blogu Hugging Face, obejmuje sześć modeli z zakresu 2B parametrów.

Sześć modeli na wspólnym szkielecie

Każdy model LFM3 wywodzi się z tego samego modelu LFM3-1.7B-Base. LFM3-1.7B przyjmuje tekst i zwraca tekst. LFM3-VL-2B przyjmuje tekst, obrazy i wideo, a zwraca tekst, natomiast LFM3-Audio-2B przyjmuje tekst lub dźwięk i odpowiada tekstem lub mową. LFM3-Omni-2B, który Liquid AI opisuje jako swój pierwszy model omni, przyjmuje tekst, obrazy, wideo i dźwięk, a generuje tekst i mowę. Dwa modele decyzyjne, d1-2B i d1-omni-2B, wyspecjalizowano na bazie modeli wizyjnego i omni; zwracają skalibrowane odpowiedzi zamiast wygenerowanego tekstu.

Zgodnie z kartą modelu LFM3-1.7B model tekstowy ma 1,73 mld parametrów, kontekst o długości 256 tys. tokenów, słownik liczący 128 000 tokenów i obsługuje 16 języków. Jest udostępniany na licencji LFM Open License v1.0. Modele bazowe i modele po treningu są dostępne z otwartymi wagami w Hugging Face, Liquid AI Playground i Liquid AI API.

We wpisie o premierze Liquid AI wymienia partnerów debiutu w dniu 0: Ambarella, AMD, Arm, Intel za pośrednictwem OpenVINO, NVIDIA, OpenRouter, Qualcomm za pośrednictwem Qualcomm AI Hub i GenieX oraz Vercel. Firma informuje też, że Mercedes-Benz i Shopify współpracowały przy testach i ewaluacji przed premierą.

Architektura tri-hybrydowa i trening

LFM3-1.7B-Base ma 24 warstwy: 13 bramkowanych krótkich splotów, pięć warstw uwagi z przesuwanym oknem o długości 256 tokenów oraz sześć warstw uwagi globalnej. W splotach zastosowano jądro o rozmiarze 7, w porównaniu z rozmiarem 3 w LFM2. Szkielet modelu definiują trzy dodatkowe zmiany: uwaga z bramkowaniem dla każdej głowy, w której bramka sigmoidalna skaluje wyjście każdej głowy uwagi i może tłumić wartości odstające aktywacji, które pogarszają kwantyzację; częściowe RoPE, w którym warstwy uwagi globalnej obracają tylko połowę głowy o najwyższych częstotliwościach, a warstwy z przesuwanym oknem zachowują pełne RoPE; oraz normalizacja typu sandwich, która normalizuje wejście i wyjście każdego bloku.

Projekt powstał w wyniku wyszukiwania architektury przez Liquid AI z udziałem sprzętu w pętli; na potrzeby LFM3 rozszerzono je do 14 kombinacji urządzeń i zapleczy programowych. Uwzględniono wśród nich telefony (Samsung Galaxy S26 Ultra i OnePlus 15), Raspberry Pi 5, laptopy (Apple M4 Max i AMD Ryzen AI), chmurowe procesory CPU Arm i x86, układy GPU oraz procesor NPU Qualcomm Hexagon.

LFM3-1.7B-Base wytrenowano wstępnie na 22 bln tokenów. Końcowe 3,5 bln tokenów stanowiło etap treningu pośredniego na wyselekcjonowanych danych, z większym udziałem śladów działań agentów i wywołań narzędzi; na tym etapie wydłużono też okno kontekstu do 256 tys. tokenów. Trening po wstępnym trenowaniu przebiegał w czterech etapach: dostrajanie nadzorowane na 1,75 bln tokenów, mieszane uczenie ze wzmocnieniem, wielodomenowa destylacja on-policy z sześciu wyspecjalizowanych modeli uczących się przez uczenie ze wzmocnieniem oraz agentowe uczenie ze wzmocnieniem w rzeczywistych środowiskach uruchomieniowych agentów.

Liquid AI poinformowało, że nowa architektura pozwala LFM3-1.7B przewyższyć poprzednika LFM2.5-2.6B przy 35% mniejszej liczbie parametrów. W przeliczeniu na parametr model dorównuje LFM2-1.2B przy krótkich promptach, a przy kontekście o długości 8 tys. tokenów działa o około 25% szybciej. Według firmy przy precyzji 4-bitowej model tekstowy zajmuje około 1 GB pamięci.

Wyniki podane przez firmę i specjalizacja

Liquid AI podaje, że LFM3-1.7B uzyskuje wynik 38,42 w teście WebArena-Verified, w porównaniu z 3,02 dla LFM2.5-2.6B; największe postępy odnotowano w zadaniach agentowych. Karta modelu zaznacza jednak, że ze względu na niewielki rozmiar nie jest on zalecany do programowania z użyciem agentów ani do złożonego, wieloetapowego rozumowania.

Liquid AI poinformowało, że LFM3-VL-2B to pierwszy model wizyjny LFM przyjmujący wideo na wejściu. Według firmy model zwiększa średni wynik w 62 testach porównawczych z zakresu wizji z 57,6 do 71,4 względem LFM2.5-VL-3B, a jednocześnie wykorzystuje 1,9 mld parametrów zamiast 3,1 mld, osiągając poziom Gemma 4 12B — modelu ponad sześciokrotnie większego. Nowy, opracowany wewnętrznie enkoder wizyjny o 164 mln parametrów wymaga trzykrotnie mniej mocy obliczeniowej niż enkoder SigLIP2 stosowany w poprzednich modelach LFM VL. Według pomiarów firmy dorównuje też dokładnością enkoderowi wizyjnemu Qwen3.5-2B, wykorzystując 2,2 razy mniej operacji zmiennoprzecinkowych (FLOP).

LFM3-Audio-2B obsługuje 18 języków, a Liquid AI podaje, że osiąga jakość mowy 3,83 w teście UTMOSv2, w porównaniu z 3,22 dla LFM2.5-Audio-1.5B. Model ma w pełni przyczynowy enkoder audio, którego czas do pierwszego tokenu wynosi zaledwie 50 ms, oraz tokenizer LiquidCodec, który na pojedynczym wątku procesora CPU w urządzeniu Apple M4 Max generuje mowę z szybkością około 87 razy większą niż w czasie rzeczywistym. Firma poinformowała, że LFM3-Omni-2B o 2,2 mld parametrów przewyższa modele mające do 10,7 mld parametrów, w tym Qwen2.5-Omni-7B, w testach porównawczych rozumienia treści audiowizualnych Daily-Omni, WorldSense i AV-SpeakerBench.

Modele decyzyjne odpowiadają na listę pytań w jednym przebiegu w przód, podając dla każdej odpowiedzi skalibrowane prawdopodobieństwo. Zwracają też odpowiedzi o określonych typach, które wskazują obiekty, odczytują wartości z dokumentów, szacują liczby wraz z zakresem i wybierają wszystkie pasujące opcje. Liquid AI poinformowało, że d1-2B zastępuje d1-3B, mając o jedną trzecią mniej parametrów, i uzyskuje wynik 75,5 w teście ImajevBench, wobec 64,0.

Każdy model LFM3 można dostroić na pojedynczym GPU, a Liquid AI opublikowała notebooki dotyczące dostrajania nadzorowanego, DPO, GRPO i dalszego treningu wstępnego dla modeli tekstowych, wizyjnych, audio i omni. W jednym z przykładów firmowych model LFM3-VL-2B dostrajano przez kilka godzin na pojedynczym A100, wykorzystując około 3000 publicznie dostępnych zdjęć łopat turbin wiatrowych. Zwiększyło to dokładność klasyfikacji defektów do 67%, a wynik F1 wykrywania — z 0,003 do 0,11 na zdjęciach odłożonych na potrzeby testów.

Liquid AI przystosowała również LFM3-VL-2B do stworzenia trzech modeli robotycznych przeznaczonych do orkiestracji, nawigacji i manipulacji. Firma podaje, że model wizja–język–działanie do manipulacji, trenowany na 15 platformach robotycznych, osiągnął średni wskaźnik powodzenia na poziomie 96,2% w czterech zestawach LIBERO oraz 45,7% w zadaniach stołowych RoboCasa-GR1, generując jednocześnie bloki działań w czasie krótszym niż 50 ms na Jetson AGX Orin z TensorRT FP16.

Jeśli chodzi o przepustowość, Liquid AI podała, że LFM3-1.7B może generować 3,6 mld tokenów dziennie na pojedynczym NVIDIA B300 przy 1024 równoczesnych żądaniach. Modele mają natywną obsługę llama.cpp, MLX i vLLM na sprzęcie Apple, AMD, NVIDIA i Qualcomm, a dostępne warianty punktów kontrolnych obejmują BF16, FP8, NVFP4, GGUF, MLX i ONNX.