লিকুইড এআই, লিকুইড ফাউন্ডেশন মডেল লাইনের পিছনে MIT স্পিন-অফ, মঙ্গলবার LFM3 ঘোষণা করেছে, একটি নতুন প্রজন্মের ওপেন-ওয়েট মডেল যা কোম্পানি ফোন, ল্যাপটপ, রোবট এবং অন্যান্য প্রান্তের হার্ডওয়্যারে "বিশেষ বুদ্ধিমত্তা" বলে অভিহিত করে। রিলিজটি 2B-প্যারামিটার রেঞ্জের ছয়টি মডেলকে কভার করে — টেক্সট, ভিশন, অডিও, ওমনি, এবং দুটি ডিসিশন মডেল — সমস্তই একটি শেয়ার্ড LFM3-1.7B-বেস ব্যাকবোন থেকে ব্রাঞ্চ করা হয়েছে এবং আজ হাগিং ফেস, লিকুইড এআই প্লেগ্রাউন্ড এবং কোম্পানির API-এ উপলব্ধ৷
একটি ট্রাই-হাইব্রিড আর্কিটেকচার এজেন্টদের জন্য পুনরায় ডিজাইন করা হয়েছে For more context on this story, see our ongoing artificial intelligence updates.
LFM2 প্রতিষ্ঠিত করেছে যে সংক্ষিপ্ত কনভল্যুশন এবং মনোযোগের একটি হাইব্রিড অনেক গুণ পরিত্যাগ না করেই ডিভাইসে দ্রুত চলতে পারে। LFM3-এর জন্য, Liquid AI তার স্বয়ংক্রিয় হার্ডওয়্যার-ইন-দ্য-লুপ আর্কিটেকচার অনুসন্ধানকে এজেন্টিক কাজের চাপকে মাথায় রেখে, একটি ফোন এবং একটি ল্যাপটপে CPUs থেকে 14টি ডিভাইস এবং ব্যাকএন্ড সংমিশ্রণে অনুসন্ধানের স্থানকে প্রসারিত করে। পরিমাপ করা হার্ডওয়্যারে এখন Samsung Galaxy S26 Ultra, OnePlus 15, একটি Raspberry Pi 5, Apple এর M4 Max, AMD Ryzen AI ল্যাপটপ, আর্ম এবং x86 ক্লাউড CPUs, GPUs এবং Qualcomm-এর Hexagon NPU অন্তর্ভুক্ত রয়েছে।
ফলাফল হল একটি 24-স্তর "ট্রাই-হাইব্রিড" স্ট্যাক: 13টি গেটেড শর্ট-কনভোলিউশন লেয়ার, 256-টোকেন উইন্ডো সহ 5টি স্লাইডিং-উইন্ডো অ্যাটেনশন লেয়ার এবং 6টি গ্লোবাল অ্যাটেনশন লেয়ার। কনভোলিউশন কার্নেলের আকার 3 থেকে 7 পর্যন্ত বেড়েছে, এবং নতুন প্রক্রিয়াগুলির মধ্যে রয়েছে হেড-ওয়াইজ গেটেড অ্যাটেনশন (একটি সিগমায়েড গেট যা পৃথক হেড বন্ধ করতে পারে), গ্লোবাল লেয়ারে আংশিক RoPE এবং স্যান্ডউইচ স্বাভাবিককরণ। কোম্পানি বলেছে যে পরিবর্তনগুলি অভিব্যক্তি যোগ করে যেখানে এটি দীর্ঘ-প্রসঙ্গ অনুমান দ্রুত রাখার সময় গণনা করে।
22 ট্রিলিয়ন টোকেনে প্রশিক্ষিত
LFM3-1.7B-বেসকে 22 ট্রিলিয়ন টোকেনগুলিতে প্রাক-প্রশিক্ষিত করা হয়েছিল, একটি ডেটা মিশ্রণের সাথে যা LFM2 এর চেয়ে আরও বেশি বৈজ্ঞানিক কাগজপত্র, সংগ্রহস্থল-স্তরের কোড এবং গণিত যোগ করে। চূড়ান্ত 3.5 ট্রিলিয়ন টোকেনগুলি কিউরেটেড, উচ্চ-মানের ডেটাতে একটি মধ্য-প্রশিক্ষণ পর্যায় গঠন করে যা এজেন্টিক ট্রেস এবং বিভিন্ন টুল কলগুলিতে ভারী - এবং সেই পর্যায়টি প্রসঙ্গ উইন্ডোকে 256K টোকেনে প্রসারিত করে।
প্রশিক্ষণ-পরবর্তী চারটি ধাপের মধ্য দিয়ে চলে: 1.75 ট্রিলিয়ন টোকেনগুলিতে চ্যাট, যুক্তি, এবং টুল কলিং-এর তত্ত্বাবধানে ফাইন-টিউনিং; গণিত, কোড, এসকিউএল, এবং কাঠামোগত আউটপুট জুড়ে মিশ্র শক্তিবৃদ্ধি শিক্ষা; মাল্টি-ডোমেন অন-পলিসি ডিস্টিলেশন, যেখানে ছয়জন বিশেষজ্ঞ আরএল শিক্ষক (কোড, গণিত, টুল ব্যবহার, দীর্ঘ প্রসঙ্গ, এজেন্টিক কাজ, এবং এন্টারপ্রাইজ ওয়ার্কফ্লো) একটি মডেলে পাতিত হয়; এবং এজেন্টিক RL, যেখানে ওয়েব ব্রাউজিং থেকে অফিসের কাজগুলি বাস্তব এজেন্ট হার্নেস যেমন হার্মিস এজেন্ট, পাই এবং ওপেনক্লোর মধ্যে চলে।
ছোট মডেল, ফ্রন্টিয়ার-সংলগ্ন এজেন্টিক ফলাফল
Liquid AI দাবি করে যে LFM3-1.7B তার আগের LFM2.5-2.6Bকে ছাড়িয়ে গেছে যখন 35 শতাংশ কম প্যারামিটার ব্যবহার করে। এজেন্টিক মূল্যায়নের বিষয়ে, কোম্পানি বলেছে যে মডেলটি নির্দেশনা অনুসরণ করে এবং BFCL এবং টুলস্যান্ডবক্সে ফাংশন কলিংয়ে নেতৃত্ব দেয় এবং WebArena-Verified এবং AutomationBench-এ লং-হরাইজন ব্রাউজার এবং ব্যবসা-অ্যাপ কাজগুলিতে যথেষ্ট বড় Qwen3.5-9B কে হারায়। বড় মডেলগুলি এখনও এজেন্টিক কোডিং এবং জ্ঞানে জয়লাভ করে, যদিও সংস্থাটি রিপোর্ট করেছে যে টুল অনুসন্ধান মানবতার শেষ পরীক্ষায় ছোট মডেলের স্কোরকে প্রায় দ্বিগুণ করে।
গতি শিরোনাম হয়. 4-বিট কোয়ান্টাইজেশন এবং একটি 32K প্রসঙ্গে llama.cpp দিয়ে পরিমাপ করা হয়েছে, লিকুইড AI বলেছে যে LFM3-1.7B তিনটি পরীক্ষিত প্রান্ত ডিভাইসে সবচেয়ে দ্রুততম মডেল ছিল, সর্বনিম্ন মেমরি ব্যবহার করার সময় পরবর্তী প্রতিযোগীর তুলনায় 1.8 থেকে 2.8 গুণ দ্রুত ডিকোডিং। একটি সম্পূর্ণ 128K-টোকেন প্রসঙ্গের জন্য প্রায় 1.6 GB KV ক্যাশে প্রয়োজন, Qwen3.5-4B-এর জন্য 4.3 GB এবং MiniCPM5-2B-এর জন্য 5.6 GB, এবং মডেলটি 4-বিট নির্ভুলতায় মোটামুটি 1 GB মেমরিতে ফিট করে৷ ডেটাসেন্টারে, BF16-এ SGLang চলমান একটি একক NVIDIA B300 1,024টি একযোগে অনুরোধে প্রতিদিন 3.6 বিলিয়ন টোকেন তৈরি করতে পারে। সেই থ্রুপুটটি কী সক্ষম করে তা দেখানোর জন্য, লিকুইড এআই একটি ডেমো হিসাবে এনরন ইমেল আর্কাইভের উপর 300,000 সমান্তরাল LFM3-1.7B এজেন্ট চালায়।
দৃষ্টি, অডিও এবং একটি প্রথম ওমনি মডেল
LFM3-VL-2B 164 মিলিয়ন প্যারামিটার সহ একটি নতুন ইন-হাউস ভিশন এনকোডার নিয়ে এসেছে যা লিকুইড এআই অনুসারে, পূর্ববর্তী LFM ভিশন মডেলগুলিতে সিগলিপ 2 এনকোডারের তুলনায় 3x কম কম্পিউট ব্যবহার করে যখন Qwen3.5-2B এর এনকোডার নির্ভুলতা 2.2x কম FLOP এর সাথে মেলে। 62টি ভিশন বেঞ্চমার্ক জুড়ে, কোম্পানি বলেছে যে 2B মডেলটি সমস্ত অনুরূপ-আকারের মডেলগুলির থেকে কমপক্ষে 7.4 পয়েন্ট এগিয়ে রয়েছে, Gemma 4 12B-এর সাথে মিলে যায় - একটি মডেল ছয় গুণেরও বেশি - জেমিনি 3.5 ফ্ল্যাশ লাইটকে ছাড়িয়ে যায় এবং GPT-5.6 লুনার 2 পয়েন্টের মধ্যে ল্যান্ড করে৷ এটি ভিডিও ইনপুট গ্রহণ করার জন্য প্রথম LFM দৃষ্টি মডেল।
LFM3-Audio-2B 18টি ভাষায় বক্তৃতা শনাক্তকরণ, সংশ্লেষণ এবং অনুবাদ পরিচালনা করে, একটি নতুন ইন-হাউস এনকোডার এবং লিকুইডকোডেক নামক একটি টোকেনাইজার দ্বারা চালিত হয় যা একটি সিপিইউ থ্রেডে প্রায় 87x রিয়েল টাইমে জেনারেট করা টোকেনগুলিকে স্পিচে রূপান্তর করে৷ স্ট্রিমিং মাইক্রোফোন ইনপুট সহ, প্রথম টোকেনের সময় 50 মিলিসেকেন্ডের মতো কম হতে পারে৷
LFM3-Omni-2B, 2.2 বিলিয়ন প্যারামিটারে, এটি কোম্পানির প্রথম ওমনি মডেল, যা দৃষ্টি, অডিও এবং ভাষার সমন্বয় করে যাতে ব্যবহারকারীরা সিঙ্ক্রোনাইজড শব্দ সহ ছবি বা ভিডিও সম্পর্কে কথ্য প্রশ্ন জিজ্ঞাসা করতে পারে। দুটি সিদ্ধান্তের মডেল, d1-2B এবং d1-Omni-2B, পরিবারকে ক্লোজ আউট করে: ফ্রি-ফর্ম উত্তর তৈরি করার পরিবর্তে, তারা একটি একক ফরোয়ার্ড পাসে অনেক টাইপ করা বা কথ্য প্রশ্নের উত্তর দেয়, প্রতিটিতে একটি ক্যালিব্রেটেড সম্ভাব্যতা রয়েছে এবং বিন্দু (একটি বাউন্ডিং বক্স আঁকুন), পড়ুন, অনুমান এবং বাছাই করার মতো কাঠামোগত উত্তর প্রকারগুলিকে সমর্থন করে৷
বিশেষায়িত হওয়ার জন্য নির্মিত
লিকুইড এআই একটি সাধারণ-উদ্দেশ্য সীমান্ত মডেলের পরিবর্তে পরিবারকে সূক্ষ্ম-টিউনিংয়ের জন্য একটি সূচনা পয়েন্ট হিসাবে অবস্থান করে। একটি প্রদর্শনীতে, কোম্পানি ত্রুটিগুলিকে শ্রেণীবদ্ধ করার জন্য প্রায় 3,000 টি উইন্ড টারবাইন ব্লেডের পাবলিক ফটোতে LFM3-VL-2B সূক্ষ্ম সুর করেছে। বাক্সের বাইরে, LFM3-VL-2B এবং GPT-6 লুনা উভয়ই পরীক্ষামূলক চিত্রের 10 শতাংশেরও কম ত্রুটির ধরনগুলি সঠিকভাবে চিহ্নিত করেছে; একটি একক A100-এ কয়েক ঘণ্টার প্রশিক্ষণের পর, GPT-6 Luna-এর 0.01-এর তুলনায় সূক্ষ্ম-সংযুক্ত LFM3 67 শতাংশ শ্রেণিবিন্যাস নির্ভুলতা এবং 0.003 থেকে 0.11 থেকে উন্নত সনাক্তকরণ F1-এ পৌঁছেছে। সংস্থাটি টুল অর্কেস্ট্রেশন, দৃষ্টি-ভাষা নেভিগেশন এবং নিম্ন-স্তরের রোবট-আর্ম ম্যানিপুলেশন কভার করে প্রাথমিক রোবোটিক্স পরীক্ষাগুলিও প্রকাশ করেছে।
ডে-জিরো লঞ্চ পার্টনারদের মধ্যে রয়েছে Ambarella, AMD, Arm, Intel এর মাধ্যমে OpenVINO, NVIDIA, OpenRouter, Qualcomm এর মাধ্যমে AI Hub এবং GenieX, এবং Vercel, Mercedes-Benz এবং Shopify-এর সাথে প্রি-রিলিজ পরীক্ষায় অংশগ্রহণ করা হয়েছে। llama.cpp, MLX, LM Studio, Ollama, এবং vLLM সহ কমিউনিটি রানটাইম লঞ্চের সময় মডেলগুলিকে সমর্থন করে।
রিলিজটি একটি বৃহত্তর শিল্প বিভক্তিকে আন্ডারলাইন করে: যেহেতু ফ্রন্টিয়ার ল্যাবগুলি সর্বদা বড় জেনারেলিস্ট মডেলগুলিকে তাড়া করে, লিকুইড এআই বাজি ধরছে যে ছোট, দ্রুত, বিশেষায়িত মডেলগুলি - একটি GPU-তে সূক্ষ্ম-টিউন করার জন্য যথেষ্ট সস্তা এবং স্থানীয়ভাবে চালানোর জন্য যথেষ্ট ছোট - যেখানে ব্যবহারিক মূল্যের বেশির ভাগই থাকবে৷
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
