Liquid AI lança a família LFM3, com seis modelos de pesos abertos da classe 2B

A Liquid AI anunciou o LFM3 em 27 de outubro de 2026: uma nova geração de modelos Liquid Foundation de pesos abertos que reúne modelos de texto, visão, áudio, multimodais e de decisão em uma única arquitetura compartilhada. O primeiro lançamento, detalhado em uma publicação no blog do Hugging Face, inclui seis modelos na faixa de 2B de parâmetros.

Seis modelos em uma única arquitetura compartilhada

Todos os modelos LFM3 derivam do mesmo LFM3-1.7B-Base. O LFM3-1.7B recebe texto e retorna texto. O LFM3-VL-2B aceita texto, imagens e vídeo e retorna texto, enquanto o LFM3-Audio-2B recebe texto ou áudio e responde com texto ou fala. O LFM3-Omni-2B, que a Liquid AI descreve como seu primeiro modelo multimodal, aceita texto, imagens, vídeo e áudio e gera texto e fala. Dois modelos de decisão, d1-2B e d1-omni-2B, são especializados a partir dos modelos de visão e multimodal, e retornam respostas calibradas em vez de texto gerado.

Segundo o cartão do modelo LFM3-1.7B, o modelo de texto tem 1,73B de parâmetros, uma janela de contexto de 256 mil tokens, um vocabulário de 128.000 tokens e suporte a 16 idiomas, além de ser disponibilizado sob a licença LFM Open License v1.0. Os modelos base e pós-treinados têm pesos abertos e estão disponíveis no Hugging Face, no Liquid AI Playground e na API da Liquid AI.

A publicação de lançamento da Liquid AI cita como parceiros do lançamento no primeiro dia Ambarella, AMD, Arm, Intel por meio do OpenVINO, NVIDIA, OpenRouter, Qualcomm por meio do Qualcomm AI Hub e do GenieX, e Vercel. A empresa também afirma que Mercedes-Benz e Shopify colaboraram nos testes e na avaliação anteriores ao lançamento.

Arquitetura tri-híbrida e treinamento

O LFM3-1.7B-Base tem 24 camadas: 13 camadas de convoluções curtas com gating, cinco camadas de atenção com janela deslizante de 256 tokens e seis camadas de atenção global. As convoluções usam um tamanho de kernel de 7, ante 3 no LFM2. Três outras mudanças definem a arquitetura: atenção com gating por cabeça, em que uma porta sigmoide dimensiona a saída de cada cabeça de atenção e pode suprimir valores atípicos de ativação que prejudicam a quantização; RoPE parcial, em que as camadas de atenção global rotacionam apenas a metade de frequência mais alta de cada cabeça, enquanto as camadas de janela deslizante mantêm o RoPE completo; e uma normalização sanduíche, que normaliza a entrada e a saída de cada bloco.

O projeto resultou da busca de arquitetura da Liquid AI com hardware no circuito e foi ampliado para o LFM3, abrangendo 14 combinações de dispositivos e backends, incluindo celulares (Samsung Galaxy S26 Ultra e OnePlus 15), um Raspberry Pi 5, laptops (Apple M4 Max e AMD Ryzen AI), CPUs de nuvem Arm e x86, GPUs e a NPU Qualcomm Hexagon.

O LFM3-1.7B-Base foi pré-treinado com 22T tokens; os 3,5T tokens finais formaram uma etapa de treinamento intermediário com dados selecionados, uma proporção maior de rastros de agentes e chamadas de ferramentas, que também ampliou a janela de contexto para 256 mil tokens. O pós-treinamento ocorreu em quatro etapas: ajuste fino supervisionado com 1,75T tokens, aprendizado por reforço misto, destilação on-policy multidomínio de seis modelos especialistas de aprendizado por reforço e aprendizado por reforço agêntico em estruturas reais de agentes.

A Liquid AI afirmou que a nova arquitetura permite ao LFM3-1.7B superar seu antecessor, o LFM2.5-2.6B, com 35% menos parâmetros e que, por parâmetro, ele iguala o LFM2-1.2B em prompts curtos, sendo cerca de 25% mais rápido com 8K tokens de contexto. Segundo a empresa, com precisão de 4 bits, o modelo de texto ocupa cerca de 1 GB de memória.

Desempenho e especialização segundo a empresa

A Liquid AI informa que o LFM3-1.7B obteve 38,42 no WebArena-Verified, contra 3,02 do LFM2.5-2.6B, com os maiores ganhos em tarefas agênticas. No entanto, o cartão do modelo afirma que ele não é recomendado para programação agêntica nem para raciocínio complexo com várias etapas, devido ao seu tamanho reduzido.

A Liquid AI afirmou que o LFM3-VL-2B é o primeiro modelo de visão LFM a aceitar vídeo como entrada e informa que ele eleva a média em 62 benchmarks de visão de 57,6 para 71,4 em comparação com o LFM2.5-VL-3B, usando 1,9B de parâmetros contra 3,1B, o que o coloca no mesmo nível do Gemma 4 12B, um modelo mais de seis vezes maior. Segundo as medições da empresa, um novo codificador de visão desenvolvido internamente, com 164M de parâmetros, usa 3x menos poder computacional do que o codificador SigLIP2 dos modelos LFM VL anteriores e iguala a precisão do codificador de visão do Qwen3.5-2B com 2,2x menos FLOPs.

O LFM3-Audio-2B é compatível com 18 idiomas, e a Liquid AI informa que ele alcança qualidade de fala de 3,83 no UTMOSv2, contra 3,22 do LFM2.5-Audio-1.5B, conta com um codificador de áudio totalmente causal cujo tempo até o primeiro token pode ser de apenas 50 ms e usa um tokenizador LiquidCodec que gera fala a cerca de 87x a velocidade em tempo real, em uma única thread de CPU no Apple M4 Max. A empresa afirmou que o LFM3-Omni-2B, com 2,2B de parâmetros, supera modelos com até 10,7B de parâmetros, incluindo o Qwen2.5-Omni-7B, nos benchmarks de compreensão audiovisual Daily-Omni, WorldSense e AV-SpeakerBench.

Os modelos de decisão respondem a uma lista de perguntas em uma única passagem direta, cada resposta com uma probabilidade calibrada, e também fornecem respostas tipadas que apontam para objetos, leem valores em documentos, estimam números com um intervalo e selecionam todas as opções aplicáveis. A Liquid AI afirmou que o d1-2B substitui o d1-3B com um terço a menos de parâmetros e obtém 75,5 no ImajevBench, contra 64,0.

Todos os modelos LFM3 podem ser ajustados com precisão em uma única GPU, e a Liquid AI publicou notebooks sobre ajuste fino supervisionado, DPO, GRPO e pré-treinamento contínuo para os modelos de texto, visão, áudio e multimodais. Em um exemplo de aplicação empresarial, o LFM3-VL-2B foi ajustado durante algumas horas em uma única A100 com cerca de 3.000 fotos públicas de pás de turbinas eólicas, elevando a precisão da classificação de defeitos para 67% e o F1 de detecção de 0,003 para 0,11 em fotos reservadas para teste.

A Liquid AI também adaptou o LFM3-VL-2B para criar três modelos de robótica voltados à orquestração, navegação e manipulação. Segundo a empresa, o modelo de visão, linguagem e ação para manipulação, treinado em 15 configurações robóticas, alcançou uma taxa média de sucesso de 96,2% nos quatro conjuntos de testes LIBERO e de 45,7% em tarefas de mesa do RoboCasa-GR1, ao mesmo tempo que gerava blocos de ações em menos de 50 ms em um Jetson AGX Orin com TensorRT FP16.

Em termos de taxa de processamento, a Liquid AI afirmou que o LFM3-1.7B pode gerar 3,6 bilhões de tokens por dia em uma única NVIDIA B300, com 1.024 solicitações simultâneas. Os modelos vêm com suporte nativo a llama.cpp, MLX e vLLM em hardware da Apple, AMD, NVIDIA e Qualcomm, e incluem variantes de checkpoint em BF16, FP8, NVFP4, GGUF, MLX e ONNX.