Liquid AI, spin-off MIT za řadou Liquid Foundation Models, v úterý oznámila LFM3, novou generaci modelů s otevřenou váhou vytvořenou tak, aby přinesla to, co společnost nazývá „specializovanou inteligencí“ do telefonů, notebooků, robotů a dalšího špičkového hardwaru. Vydání pokrývá šest modelů v rozsahu 2B parametrů – text, vidění, zvuk, omni a dva rozhodovací modely – všechny větvené ze sdílené páteře LFM3-1.7B-Base a jsou dnes dostupné na Hugging Face, Liquid AI Playground a API společnosti.
Tri-hybridní architektura přepracovaná pro agenty For more context on this story, see our ongoing more AI stories.
LFM2 zjistil, že hybrid krátkých konvolucí a pozornosti může běžet rychle na zařízení, aniž by se vzdal kvality. Pro LFM3 Liquid AI přepracovala své automatizované vyhledávání architektury hardwaru in-the-loop s ohledem na agentní pracovní zátěže, čímž rozšířila vyhledávací prostor z CPU v jednom telefonu a jednom notebooku na 14 kombinací zařízení a backendu. Měřený hardware nyní zahrnuje Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, notebooky AMD Ryzen AI, cloudové CPU Arm a x86, GPU a Qualcomm Hexagon NPU.
Výsledkem je 24vrstvý „trihybridní“ zásobník: 13 hradlových vrstev s krátkou konvolucí, 5 vrstev s posuvným oknem s oknem s 256 tokeny a 6 globálních vrstev pozornosti. Velikosti konvolučních jader vzrostly ze 3 na 7 a nové mechanismy zahrnují head-wise gated attention (sigmoid gate, která dokáže vypnout jednotlivé hlavy), částečné RoPE na globálních vrstvách a sendvičovou normalizaci. Společnost říká, že změny přidávají expresivitu tam, kde se to počítá, a zároveň udržují rychlé vyvozování z dlouhého kontextu.
Trénováno na 22 bilionech tokenů
LFM3-1.7B-Base byl předtrénován na 22 bilionech tokenů s datovým mixem, který přidává více vědeckých prací, kódu na úrovni úložiště a matematiky než LFM2. Posledních 3,5 bilionu tokenů tvoří střední fázi školení na upravených, kvalitnějších datech, která je náročná na sledování agentů a různá volání nástrojů – a tato fáze také rozšiřuje kontextové okno na 256 000 tokenů.
Následné školení probíhalo ve čtyřech fázích: pod dohledem dolaďování na 1,75 bilionu tokenů zahrnujících chat, uvažování a volání nástrojů; smíšené posilování učení napříč matematickými, kódovými, SQL a strukturovanými výstupy; multidoménová on-policy destilace, ve které je šest specializovaných učitelů RL (kód, matematika, používání nástrojů, dlouhý kontext, agentská práce a podnikové pracovní postupy) destilováno zpět do jednoho modelu; a agentní RL, kde úkoly od procházení webu až po kancelářskou práci běží uvnitř skutečných agentských svazků, jako jsou Hermes Agent, Pi a OpenClaw.
Malý model, výsledky agentů Frontier-Adjacent
Liquid AI tvrdí, že LFM3-1.7B překonává svůj předchozí LFM2.5-2.6B při použití o 35 procent méně parametrů. Při hodnocení agentů společnost říká, že tento model vede v oblasti sledování instrukcí a volání funkcí v BFCL a ToolSandbox a překonává podstatně větší Qwen3.5-9B v úlohách prohlížeče a obchodních aplikací s dlouhým horizontem ve WebArena-Verified a AutomationBench. Větší modely stále vyhrávají na agentním kódování a znalostech, ačkoli společnost uvádí, že vyhledávání nástrojů téměř zdvojnásobuje skóre malého modelu na poslední zkoušce Humanity.
Rychlost je titulek. Měřeno pomocí llama.cpp při 4bitové kvantizaci a 32K kontextu, Liquid AI říká, že LFM3-1.7B byl nejrychlejší model na všech třech testovaných okrajových zařízeních, dekódoval 1,8 až 2,8krát rychleji než další konkurent při použití nejméně paměti. Úplný kontext 128K tokenu potřebuje asi 1,6 GB KV mezipaměti oproti 4,3 GB pro Qwen3.5-4B a 5,6 GB pro MiniCPM5-2B a model se vejde do zhruba 1 GB paměti se 4bitovou přesností. V datovém centru může jediná NVIDIA B300 se systémem SGLang v BF16 údajně produkovat 3,6 miliardy tokenů denně při 1 024 souběžných žádostech. Aby se ukázalo, co tato propustnost umožňuje, spustila Liquid AI více než 300 000 paralelních agentů LFM3-1.7B přes e-mailový archiv Enron jako demo.
Vize, zvuk a první Omni model
LFM3-VL-2B přináší nový interní kodér vidění se 164 miliony parametrů, který podle Liquid AI využívá 3x méně výpočtů než kodér SigLIP2 v předchozích modelech vidění LFM a přitom odpovídá přesnosti kodéru Qwen3.5-2B s 2,2x méně FLOP. V rámci 62 srovnávacích testů vize společnost uvádí, že model 2B dosahuje nejméně 7,4 bodu před všemi modely podobné velikosti, odpovídá modelu Gemma 4 12B – modelu více než šestkrát většímu – překonává Gemini 3.5 Flash Lite a přistává na 2 body od GPT-5.6 Luna. Je to také první model vidění LFM, který přijímá video vstup.
LFM3-Audio-2B zvládá rozpoznávání řeči, syntézu a překlad v 18 jazycích, poháněný novým interním kodérem a tokenizérem nazvaným LiquidCodec, který převádí generované tokeny na řeč zhruba 87x v reálném čase na jediném vláknu CPU. Se vstupem streamovaného mikrofonu může být čas do prvního tokenu až 50 milisekund.
LFM3-Omni-2B s 2,2 miliardami parametrů je prvním omni modelem společnosti, který kombinuje vidění, zvuk a jazyk, takže uživatelé mohou klást mluvené otázky týkající se obrázků nebo videí se synchronizovaným zvukem. Dva rozhodovací modely, d1-2B a d1-Omni-2B, uzavírají rodinu: namísto generování odpovědí ve volné formě odpovídají na mnoho zadávaných nebo mluvených otázek v jednom dopředném průchodu, každá s kalibrovanou pravděpodobností, a podporují strukturované typy odpovědí, jako je Point (nakreslení ohraničujícího rámečku), Read, Estimate a Pick.
Postaveno tak, aby bylo specializované
Liquid AI staví rodinu jako výchozí bod pro jemné ladění spíše než jako univerzální hraniční model. V jedné ukázce společnost doladila LFM3-VL-2B na asi 3 000 veřejných fotografiích lopatek větrných turbín, aby klasifikovala závady. Jak LFM3-VL-2B, tak GPT-6 Luna po vybalení správně identifikovaly typy defektů v méně než 10 procentech testovacích snímků; po několika hodinách tréninku na jediném A100 dosáhl vyladěný LFM3 67procentní přesnosti klasifikace a zlepšil detekci F1 z 0,003 na 0,11 ve srovnání s 0,01 pro GPT-6 Luna. Společnost také zveřejnila rané robotické experimenty zahrnující orchestraci nástrojů, navigaci v jazyce vidění a nízkoúrovňovou manipulaci s robotickým ramenem.
Mezi partnery pro uvedení v den nula patří Ambarella, AMD, Arm, Intel přes OpenVINO, NVIDIA, OpenRouter, Qualcomm přes AI Hub a GenieX a Vercel, přičemž Mercedes-Benz a Shopify se účastní testování před vydáním. Moduly při spuštění podporují komunitní běhové prostředí včetně llama.cpp, MLX, LM Studio, Ollama a vLLM.
Vydání podtrhuje širší oborové rozdělení: zatímco hraniční laboratoře pronásledují stále větší obecné modely, Liquid AI sází na to, že velká část praktické hodnoty přistane na malých, rychlých, specializovaných modelech – dostatečně levné na vyladění na jednom GPU a dostatečně malé na to, aby běžely lokálně.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
