أعلنت شركة Liquid AI، وهي شركة فرعية من معهد ماساتشوستس للتكنولوجيا خلف خط Liquid Foundation Models، عن LFM3 يوم الثلاثاء، وهو جيل جديد من النماذج ذات الوزن المفتوح المصممة لجلب ما تسميه الشركة "الذكاء المتخصص" للهواتف وأجهزة الكمبيوتر المحمولة والروبوتات وغيرها من الأجهزة الطرفية. يغطي الإصدار ستة نماذج في نطاق المعلمات 2B - النص، والرؤية، والصوت، وomni، ونموذجين للقرار - جميعها متفرعة من العمود الفقري LFM3-1.7B-Base المشترك ومتاحة اليوم على Hugging Face، وLiquid AI Playground، وواجهة برمجة تطبيقات الشركة.
بنية ثلاثية هجينة مُعاد تصميمها للوكلاء لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.
أثبت LFM2 أن مزيجًا من التلافيف القصيرة والانتباه يمكن أن يعمل بسرعة على الجهاز دون التخلي عن الكثير من الجودة. بالنسبة إلى LFM3، أعاد Liquid AI تشغيل بحثه الآلي عن بنية الأجهزة داخل الحلقة مع وضع أعباء العمل الوكيل في الاعتبار، مما أدى إلى توسيع مساحة البحث من وحدات المعالجة المركزية في هاتف واحد وكمبيوتر محمول واحد إلى 14 مجموعة من الأجهزة والواجهة الخلفية. تشتمل الأجهزة التي تم قياسها الآن على Samsung Galaxy S26 Ultra، وOnePlus 15، وRaspberry Pi 5، وM4 Max من Apple، وأجهزة الكمبيوتر المحمولة AMD Ryzen AI، ووحدات المعالجة المركزية Arm وx86 السحابية، ووحدات معالجة الرسومات، وQualcomm's Hexagon NPU.
والنتيجة هي مكدس "ثلاثي هجين" مكون من 24 طبقة: 13 طبقة ملتوية قصيرة مسورة، و5 طبقات انتباه نافذة منزلقة مع نافذة مكونة من 256 رمزًا مميزًا، و6 طبقات انتباه عالمية. زادت أحجام النواة الملتوية من 3 إلى 7، وتشمل الآليات الجديدة الانتباه الموجه نحو الرأس (بوابة سينية يمكنها إيقاف تشغيل الرؤوس الفردية)، وحبل جزئي على الطبقات العالمية، وتطبيع الساندويتش. تقول الشركة إن التغييرات تضيف التعبيرية حيثما يكون ذلك مهمًا مع الحفاظ على سرعة استنتاج السياق الطويل.
تم التدريب على 22 تريليون رمز
تم تدريب LFM3-1.7B-Base مسبقًا على 22 تريليون رمز، مع مزيج من البيانات يضيف المزيد من الأوراق العلمية والتعليمات البرمجية على مستوى المستودع والرياضيات مقارنة بـ LFM2. تشكل الـ 3.5 تريليون رمز المميزة النهائية مرحلة منتصف التدريب على البيانات المنسقة عالية الجودة والتي تكون ثقيلة على آثار الوكلاء واستدعاءات الأدوات المتنوعة - كما تعمل هذه المرحلة أيضًا على توسيع نافذة السياق إلى 256 ألف رمز مميز.
مرت مرحلة ما بعد التدريب بأربع مراحل: الضبط الدقيق الخاضع للإشراف على 1.75 تريليون رمز مميز يشمل الدردشة والاستدلال واستدعاء الأدوات؛ التعلم المعزز المختلط عبر الرياضيات والتعليمات البرمجية وSQL والمخرجات المنظمة؛ التقطير متعدد المجالات للسياسة، حيث يتم تقطير ستة مدرسين متخصصين في RL (البرمجة، والرياضيات، واستخدام الأدوات، والسياق الطويل، والعمل الوكيل، وسير عمل المؤسسة) مرة أخرى في نموذج واحد؛ و Agentic RL، حيث يتم تشغيل المهام بدءًا من تصفح الويب إلى العمل المكتبي داخل أدوات الوكيل الحقيقية مثل Hermes Agent وPi وOpenClaw.
النموذج الصغير، نتائج العوامل الحدودية المجاورة
يدعي Liquid AI أن LFM3-1.7B يتفوق على LFM2.5-2.6B السابق بينما يستخدم معلمات أقل بنسبة 35 بالمائة. فيما يتعلق بالتقييمات الوكيلة، تقول الشركة إن النموذج يتفوق على اتباع التعليمات واستدعاء الوظائف في BFCL وToolSandbox، ويتفوق على Qwen3.5-9B الأكبر حجمًا في المتصفح طويل المدى ومهام تطبيقات الأعمال في WebArena-Verified وAutomationBench. لا تزال النماذج الأكبر حجمًا تفوز بالتشفير والمعرفة الفاعلية، على الرغم من أن الشركة تفيد بأن البحث عن الأدوات يضاعف تقريبًا درجة النموذج الصغير في الاختبار الأخير لمنظمة Humanity.
السرعة هي العنوان. تم قياسه باستخدام llama.cpp عند تكميم 4 بت وسياق 32 كيلو بايت، ويقول Liquid AI إن LFM3-1.7B كان النموذج الأسرع على جميع الأجهزة المتطورة الثلاثة التي تم اختبارها، حيث قام بفك تشفير 1.8 إلى 2.8 مرة أسرع من المنافس التالي مع استخدام أقل قدر من الذاكرة. يحتاج سياق 128 ألف رمز كامل إلى حوالي 1.6 جيجابايت من ذاكرة التخزين المؤقت KV، مقابل 4.3 جيجابايت لـ Qwen3.5-4B و5.6 جيجابايت لـ MiniCPM5-2B، ويتناسب النموذج مع حوالي 1 جيجابايت من الذاكرة بدقة 4 بت. في مركز البيانات، يمكن لجهاز NVIDIA B300 واحد يعمل بنظام SGLang في BF16 أن ينتج 3.6 مليار رمز يوميًا عند 1024 طلبًا متزامنًا. ولإظهار ما تتيحه هذه الإنتاجية، قام Liquid AI بتشغيل أكثر من 300000 وكيل LFM3-1.7B متوازي على أرشيف البريد الإلكتروني لشركة Enron كعرض توضيحي.
الرؤية والصوت والنموذج الشامل الأول
يقدم LFM3-VL-2B جهاز تشفير رؤية داخليًا جديدًا يحتوي على 164 مليون معلمة، وفقًا لـ Liquid AI، يستخدم حوسبة أقل بمقدار 3 مرات من جهاز تشفير SigLIP2 في نماذج رؤية LFM السابقة مع مطابقة دقة تشفير Qwen3.5-2B مع FLOPs أقل بمقدار 2.2 مرة. عبر 62 معيارًا للرؤية، تقول الشركة إن الطراز 2B يسجل ما لا يقل عن 7.4 نقطة متقدمًا على جميع الطرز ذات الحجم المماثل، ويطابق Gemma 4 12B - وهو نموذج أكبر بستة أضعاف - ويتفوق على Gemini 3.5 Flash Lite، ويهبط ضمن نقطتين من GPT-5.6 Luna. وهو أيضًا أول نموذج رؤية LFM يقبل إدخال الفيديو.
يتعامل LFM3-Audio-2B مع التعرف على الكلام وتوليفه وترجمته عبر 18 لغة، مدعومًا ببرنامج تشفير داخلي جديد وأداة رمزية تسمى LiquidCodec التي تحول الرموز المميزة التي تم إنشاؤها إلى كلام في الوقت الفعلي بمعدل 87 مرة تقريبًا على خيط وحدة المعالجة المركزية واحد. مع إدخال الميكروفون المتدفق، يمكن أن يصل وقت ظهور الرمز المميز الأول إلى 50 مللي ثانية.
يعد LFM3-Omni-2B، الذي يحتوي على 2.2 مليار معلمة، أول نموذج شامل للشركة، يجمع بين الرؤية والصوت واللغة حتى يتمكن المستخدمون من طرح أسئلة منطوقة حول الصور أو مقاطع الفيديو مع الصوت المتزامن. هناك نموذجان للقرار، d1-2B وd1-Omni-2B، ينفصلان عن العائلة: فبدلاً من إنشاء إجابات ذات شكل حر، فإنهما يجيبان على العديد من الأسئلة المكتوبة أو المنطوقة في تمريرة أمامية واحدة، ولكل منها احتمالية معايرة، ويدعمان أنواع الإجابات المنظمة مثل النقطة (ارسم مربعًا محيطًا)، والقراءة، والتقدير، والاختيار.
صُممت لتكون متخصصة
يضع الذكاء الاصطناعي السائل العائلة كنقطة انطلاق للضبط الدقيق بدلاً من كونها نموذجًا حدوديًا للأغراض العامة. وفي أحد العروض، قامت الشركة بضبط LFM3-VL-2B بدقة على حوالي 3000 صورة عامة لشفرات توربينات الرياح لتصنيف العيوب. خارج الصندوق، حدد كل من LFM3-VL-2B وGPT-6 Luna بشكل صحيح أنواع العيوب في أقل من 10 بالمائة من صور الاختبار؛ وبعد بضع ساعات من التدريب على طائرة A100 واحدة، وصل جهاز LFM3 المضبوط بدقة إلى دقة تصنيف بنسبة 67 بالمائة وتحسين الكشف F1 من 0.003 إلى 0.11، مقارنة بـ 0.01 لـ GPT-6 Luna. نشرت الشركة أيضًا تجارب روبوتية مبكرة تغطي تنسيق الأدوات، والملاحة بلغة الرؤية، والتلاعب بذراع الروبوت على مستوى منخفض.
يشمل شركاء إطلاق Day-zero Ambarella وAMD وArm وIntel عبر OpenVINO وNVIDIA وOpenRouter وQualcomm عبر AI Hub وGenieX وVercel، مع مشاركة Mercedes-Benz وShopify في اختبار ما قبل الإصدار. أوقات تشغيل المجتمع بما في ذلك llama.cpp، وMLX، وLM Studio، وOllama، وvLLM تدعم النماذج عند الإطلاق.
يسلط الإصدار الضوء على انقسام أوسع في الصناعة: بينما تطارد المختبرات الحدودية نماذج عامة أكبر من أي وقت مضى، يراهن Liquid AI على أن النماذج الصغيرة والسريعة والمتخصصة - رخيصة بما يكفي لضبطها على وحدة معالجة رسومات واحدة وصغيرة بما يكفي للتشغيل محليًا - ستكون حيث ستصل الكثير من القيمة العملية.
---
ابق على اطلاع بأخبار الذكاء الاصطناعيآخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.
اقرأ المزيد من أخبار الذكاء الاصطناعي →
