Liquid AI, 2B Sınıfındaki Altı Modelden Oluşan LFM3 Ailesini Piyasaya Sürüyor

Liquid AI, metin, görsel, ses, omni ve karar modellerini ortak bir omurgada buluşturan yeni nesil açık ağırlıklı Liquid Foundation Models ailesi LFM3’ü 27 Ekim 2026’da duyurdu. Hugging Face blogundaki bir paylaşımda ayrıntıları verilen ilk sürüm, 2B parametre aralığında altı modeli kapsıyor.

Tek Bir Ortak Omurgada Altı Model

Her LFM3 modeli aynı LFM3-1.7B-Base modelinden türetiliyor. LFM3-1.7B metin girdisi alıp metin çıktısı veriyor. LFM3-VL-2B metin, görsel ve video kabul edip metin çıktısı verirken LFM3-Audio-2B metin veya ses girdisi alıp metin ya da konuşmayla yanıt veriyor. Liquid AI’nın ilk omni modeli olarak tanımladığı LFM3-Omni-2B, metin, görsel, video ve ses kabul edip metin ve konuşma üretiyor. İki karar modeli olan d1-2B ve d1-omni-2B, görsel ve omni modellerinden özelleştiriliyor ve üretilmiş metin yerine kalibre edilmiş yanıtlar veriyor.

LFM3-1.7B model kartına göre metin modeli 1,73B parametreye, 256 bin tokenlık bağlam uzunluğuna, 128.000 tokenlık bir söz dağarcığına ve 16 dil desteğine sahip; ayrıca LFM Open License v1.0 kapsamında sunuluyor. Temel ve eğitim sonrası modeller açık ağırlıklıdır ve Hugging Face’te, Liquid AI Playground’da ve Liquid AI API’de kullanılabilir.

Liquid AI’nın yayın duyurusunda ilk gün lansman ortakları olarak Ambarella, AMD, Arm, OpenVINO aracılığıyla Intel, NVIDIA, OpenRouter, Qualcomm AI Hub ve GenieX aracılığıyla Qualcomm ve Vercel sıralanıyor; ayrıca Mercedes-Benz ve Shopify’ın sürüm öncesi test ve değerlendirme çalışmalarında ortaklık yaptığı belirtiliyor.

Üçlü Hibrit Mimari ve Eğitim

LFM3-1.7B-Base, 24 katmandan oluşuyor: 13 kapılı kısa evrişim, 256 tokenlık pencereye sahip beş kayan pencere dikkat katmanı ve altı küresel dikkat katmanı. Evrişimlerde, LFM2’deki 3’ten yükseltilerek 7’lik çekirdek boyutu kullanılıyor. Omurgayı tanımlayan üç başka değişiklik daha var: Her dikkat başlığının çıktısını ölçeklendiren ve nicelemeyi olumsuz etkileyen aktivasyon aykırı değerlerini bastırabilen sigmoid kapısı kullanan başlık bazlı kapılı dikkat; küresel dikkat katmanlarının her başlığın yalnızca en yüksek frekanslı yarısını döndürdüğü, kayan pencere katmanlarının ise tam RoPE’yi koruduğu kısmi RoPE; ve her bloğun girdisini ve çıktısını normalize eden sandviç normalizasyonu.

Tasarım, Liquid AI’nın donanım döngüde mimari aramasından doğdu; bu arama LFM3 için telefonlar (Samsung Galaxy S26 Ultra ve OnePlus 15), Raspberry Pi 5, dizüstü bilgisayarlar (Apple M4 Max ve AMD Ryzen AI), Arm ve x86 bulut CPU’ları, GPU’lar ve Qualcomm Hexagon NPU dâhil 14 cihaz ve arka uç kombinasyonuna genişletildi.

LFM3-1.7B-Base, 22 trilyon token üzerinde önceden eğitildi; son 3,5 trilyon token, daha büyük oranda derlenmiş agentik izler ve araç çağrıları içeren verilerle yürütülen ve bağlam penceresini 256 bin tokene çıkaran bir ara eğitim aşamasını oluşturdu. Eğitim sonrası süreç dört aşamada yürütüldü: 1,75 trilyon token üzerinde gözetimli ince ayar, karma pekiştirmeli öğrenme, altı uzman pekiştirmeli öğrenme öğretmeninden çok alanlı çevrimiçi damıtma ve gerçek ajan düzeneklerinde agentik pekiştirmeli öğrenme.

Liquid AI, yeni mimarinin LFM3-1.7B’nin önceki modeli LFM2.5-2.6B’yi %35 daha az parametreyle geride bırakmasını sağladığını belirtti. Şirket ayrıca parametre başına kısa istemlerde LFM2-1.2B ile eşleştiğini, bağlamda 8K token varken ise yaklaşık %25 daha hızlı çalıştığını söyledi. Şirkete göre metin modeli 4 bit hassasiyette yaklaşık 1 GB bellek kullanıyor.

Şirketin Bildirdiği Performans ve Uzmanlaşma

Liquid AI’nın bildirdiğine göre LFM3-1.7B, WebArena-Verified’da 38,42 puan alırken LFM2.5-2.6B 3,02 puan alıyor; en büyük kazanımlar agentik görevlerde görülüyor. Bununla birlikte model kartında, küçük boyutu nedeniyle modelin agentik kodlama veya karmaşık, çok adımlı akıl yürütme için önerilmediği belirtiliyor.

Liquid AI, LFM3-VL-2B’nin video girdisi kabul eden ilk LFM görsel modeli olduğunu belirtiyor. Şirket, 62 görsel kıyaslama testindeki ortalama puanı LFM2.5-VL-3B ile karşılaştırıldığında 57,6’dan 71,4’e çıkardığını ve bunu 3,1B’ye karşılık 1,9B parametre kullanarak başardığını bildiriyor; böylece model, kendisinden altı kattan daha büyük bir model olan Gemma 4 12B ile aynı düzeye geliyor. Şirketin ölçümlerine göre, 164M parametreli yeni şirket içi görsel kodlayıcı, önceki LFM VL modellerinde kullanılan SigLIP2 kodlayıcısına kıyasla 3 kat daha az hesaplama gücü kullanıyor ve Qwen3.5-2B’nin görsel kodlayıcısıyla 2,2 kat daha az FLOP kullanarak aynı doğruluğa ulaşıyor.

LFM3-Audio-2B, 18 dili destekliyor. Liquid AI, modelin UTMOSv2’deki konuşma kalitesinin LFM2.5-Audio-1.5B’nin 3,22 puanına karşılık 3,83 puan olduğunu; tamamen nedensel ses kodlayıcısında ilk tokena ulaşma süresinin 50 ms’ye kadar düştüğünü ve LiquidCodec belirteçleyicisinin Apple M4 Max’te tek bir CPU iş parçacığında gerçek zamanlı hızın yaklaşık 87 katında konuşma ürettiğini bildiriyor. Şirket, 2,2B parametreli LFM3-Omni-2B’nin Daily-Omni, WorldSense ve AV-SpeakerBench görsel-işitsel anlama kıyaslama testlerinde Qwen2.5-Omni-7B dâhil, 10,7B parametreye kadar olan modelleri geride bıraktığını belirtti.

Karar modelleri, her biri kalibre edilmiş bir olasılıkla birlikte bir soru listesini tek bir ileri geçişte yanıtlıyor; ayrıca nesnelere işaret eden, belgelerden değerleri okuyan, bir aralıkla sayısal tahminler veren ve geçerli olan tüm seçenekleri belirleyen türlendirilmiş yanıtlar da sunuyor. Liquid AI, d1-2B’nin d1-3B’nin yerini üçte bir daha az parametreyle aldığını ve ImajevBench’te 64,0’a karşı 75,5 puan aldığını belirtti.

Her LFM3 modeli tek bir GPU’da ince ayar yapılabiliyor. Liquid AI, metin, görüntü, ses ve omni modelleri için denetimli ince ayar, DPO, GRPO ve devam eden ön eğitim konularını kapsayan not defterleri yayımladı. Şirketin verdiği bir örnekte, LFM3-VL-2B’ye tek bir A100 üzerinde birkaç saat boyunca yaklaşık 3.000 kamuya açık rüzgâr türbini kanadı fotoğrafıyla ince ayar yapıldı. Bunun sonucunda, kusur sınıflandırma doğruluğu %67’ye, ayrılmış fotoğraflardaki tespit F1 skoru ise 0,003’ten 0,11’e yükseldi.

Liquid AI ayrıca LFM3-VL-2B’yi orkestrasyon, navigasyon ve manipülasyon için üç robotik modele uyarladı. Şirketin bildirdiğine göre, 15 robot platformunda eğitilen manipülasyona yönelik görsel-dil-eylem modeli, dört LIBERO test paketinde ortalama %96,2, RoboCasa-GR1 masaüstü görevlerinde ise %45,7 başarı elde etti. Model, TensorRT FP16 ile Jetson AGX Orin üzerinde 50 ms’den kısa sürede eylem parçaları üretti.

İşleme hızı konusunda Liquid AI, LFM3-1.7B’nin tek bir NVIDIA B300 üzerinde 1.024 eşzamanlı istekle günde 3,6 milyar token üretebildiğini söyledi. Modeller, Apple, AMD, NVIDIA ve Qualcomm donanımlarında llama.cpp, MLX ve vLLM için yerel destekle sunuluyor. Kontrol noktası çeşitleri arasında BF16, FP8, NVFP4, GGUF, MLX ve ONNX bulunuyor.