Liquid AI, das MIT-Spin-off hinter der Liquid Foundation Models-Reihe, kündigte am Dienstag LFM3 an, eine neue Generation von Open-Weight-Modellen, die darauf ausgelegt sind, Telefonen, Laptops, Robotern und anderer Edge-Hardware das zu verleihen, was das Unternehmen „spezialisierte Intelligenz“ nennt. Die Veröffentlichung umfasst sechs Modelle im 2B-Parameterbereich – Text, Vision, Audio, Omni und zwei Entscheidungsmodelle –, die alle von einem gemeinsamen LFM3-1.7B-Base-Backbone ausgehen und ab sofort auf Hugging Face, dem Liquid AI Playground und der API des Unternehmens verfügbar sind.
Eine für Agenten neu gestaltete Tri-Hybrid-Architektur Weitere Informationen zu dieser Geschichte finden Sie in unserer KI-Branchenberichterstattung.
LFM2 stellte fest, dass eine Mischung aus kurzen Windungen und Aufmerksamkeit schnell auf dem Gerät ausgeführt werden kann, ohne viel Qualität einzubüßen. Für LFM3 hat Liquid AI seine automatisierte Hardware-in-the-Loop-Architektursuche mit Blick auf Agenten-Workloads neu durchgeführt und den Suchraum von CPUs in einem Telefon und einem Laptop auf 14 Geräte- und Backend-Kombinationen erweitert. Zur gemessenen Hardware gehören mittlerweile das Samsung Galaxy S26 Ultra, das OnePlus 15, ein Raspberry Pi 5, Apples M4 Max, AMD Ryzen AI-Laptops, Arm- und x86-Cloud-CPUs, GPUs und Qualcomms Hexagon NPU.
Das Ergebnis ist ein 24-schichtiger „Tri-Hybrid“-Stapel: 13 Gated-Short-Convolution-Schichten, 5 Sliding-Window-Aufmerksamkeitsschichten mit einem 256-Token-Fenster und 6 globale Aufmerksamkeitsschichten. Die Größe des Faltungskerns stieg von 3 auf 7, und zu den neuen Mechanismen gehören kopfweise gesteuerte Aufmerksamkeit (ein Sigmoid-Gate, das einzelne Köpfe ausschalten kann), partielles RoPE auf globalen Ebenen und Sandwich-Normalisierung. Das Unternehmen sagt, dass die Änderungen die Ausdruckskraft dort erhöhen, wo es darauf ankommt, und gleichzeitig die Rückschlüsse auf lange Kontexte schnell ermöglichen.
Auf 22 Billionen Token trainiert
LFM3-1.7B-Base wurde auf 22 Billionen Token vorab trainiert, mit einem Datenmix, der mehr wissenschaftliche Arbeiten, Code auf Repository-Ebene und Mathematik hinzufügt als LFM2. Die letzten 3,5 Billionen Token bilden eine mittlere Trainingsphase auf kuratierten, qualitativ hochwertigeren Daten, die stark auf Agentenspuren und verschiedenen Toolaufrufen basiert – und diese Phase erweitert auch das Kontextfenster auf 256.000 Token.
Nach dem Training wurden vier Phasen durchlaufen: überwachte Feinabstimmung von 1,75 Billionen Token, die Chat, Argumentation und Tool-Aufruf umfassten; gemischtes Verstärkungslernen über Mathematik, Code, SQL und strukturierte Ausgaben hinweg; Multi-Domänen-Richtlinien-Destillation, bei der sechs spezialisierte RL-Lehrer (Code, Mathematik, Werkzeugnutzung, langer Kontext, Agentenarbeit und Unternehmensworkflows) wieder in einem Modell zusammengefasst werden; und Agentic RL, bei dem Aufgaben vom Surfen im Internet bis hin zur Büroarbeit in echten Agentenumgebungen wie Hermes Agent, Pi und OpenClaw ausgeführt werden.
Kleines Modell, grenznahe Agentenergebnisse
Liquid AI behauptet, dass LFM3-1.7B seinen vorherigen LFM2.5-2.6B übertrifft und dabei 35 Prozent weniger Parameter verwendet. Bei Agentenbewertungen gibt das Unternehmen an, dass das Modell bei der Befehlsfolge und dem Funktionsaufruf in BFCL und ToolSandbox führend ist und das wesentlich größere Qwen3.5-9B bei langfristigen Browser- und Business-App-Aufgaben in WebArena-Verified und AutomationBench übertrifft. Größere Modelle gewinnen immer noch bei der Agentencodierung und dem Wissen, obwohl das Unternehmen berichtet, dass die Toolsuche die Punktzahl des kleinen Modells bei Humanity's Last Exam fast verdoppelt.
Geschwindigkeit ist die Schlagzeile. Gemessen mit llama.cpp bei 4-Bit-Quantisierung und einem 32K-Kontext war LFM3-1.7B laut Liquid AI das schnellste Modell auf allen drei getesteten Edge-Geräten und dekodierte 1,8 bis 2,8 Mal schneller als der nächste Konkurrent und verbrauchte dabei den geringsten Speicher. Ein vollständiger 128-KByte-Token-Kontext benötigt etwa 1,6 GB KV-Cache, gegenüber 4,3 GB für Qwen3.5-4B und 5,6 GB für MiniCPM5-2B, und das Modell passt in etwa 1 GB Speicher mit 4-Bit-Präzision. Im Rechenzentrum kann ein einzelner NVIDIA B300, auf dem SGLang in BF16 ausgeführt wird, Berichten zufolge 3,6 Milliarden Token pro Tag bei 1.024 gleichzeitigen Anforderungen produzieren. Um zu zeigen, was dieser Durchsatz ermöglicht, ließ Liquid AI als Demo mehr als 300.000 parallele LFM3-1.7B-Agenten über das E-Mail-Archiv von Enron laufen.
Vision, Audio und ein erstes Omni-Modell
LFM3-VL-2B bringt einen neuen hauseigenen Vision-Encoder mit 164 Millionen Parametern mit, der laut Liquid AI dreimal weniger Rechenleistung verbraucht als der SigLIP2-Encoder in früheren LFM-Vision-Modellen und gleichzeitig die Encodergenauigkeit von Qwen3.5-2B mit 2,2x weniger FLOPs erreicht. Das Unternehmen gibt an, dass das 2B-Modell bei 62 Vision-Benchmarks mindestens 7,4 Punkte vor allen Modellen ähnlicher Größe punktet, mit Gemma 4 12B – einem mehr als sechsmal größeren Modell – mithalten kann, Gemini 3.5 Flash Lite übertrifft und innerhalb von 2 Punkten vor GPT-5.6 Luna liegt. Es ist außerdem das erste LFM-Vision-Modell, das Videoeingaben akzeptiert.
LFM3-Audio-2B übernimmt die Spracherkennung, -synthese und -übersetzung in 18 Sprachen, unterstützt von einem neuen hauseigenen Encoder und einem Tokenizer namens LiquidCodec, der generierte Token in etwa 87-facher Echtzeit in einem einzigen CPU-Thread in Sprache umwandelt. Bei gestreamter Mikrofoneingabe kann die Zeit bis zum ersten Token nur 50 Millisekunden betragen.
LFM3-Omni-2B ist mit 2,2 Milliarden Parametern das erste Omni-Modell des Unternehmens, das Bild, Audio und Sprache kombiniert, sodass Benutzer gesprochene Fragen zu Bildern oder Videos mit synchronisiertem Ton stellen können. Zwei Entscheidungsmodelle, d1-2B und d1-Omni-2B, schließen die Familie ab: Anstatt freie Antworten zu generieren, beantworten sie viele getippte oder gesprochene Fragen in einem einzigen Vorwärtsdurchgang, jeweils mit einer kalibrierten Wahrscheinlichkeit, und unterstützen strukturierte Antworttypen wie Punkt (einen Begrenzungsrahmen zeichnen), Lesen, Schätzen und Auswählen.
Auf Spezialisierung ausgelegt
Liquid AI positioniert die Familie als Ausgangspunkt für die Feinabstimmung und nicht als Allzweck-Grenzmodell. In einer Demonstration hat das Unternehmen LFM3-VL-2B anhand von etwa 3.000 öffentlichen Fotos von Windturbinenblättern verfeinert, um Defekte zu klassifizieren. Sowohl LFM3-VL-2B als auch GPT-6 Luna identifizierten im Auslieferungszustand die Fehlertypen in weniger als 10 Prozent der Testbilder korrekt; Nach ein paar Stunden Training auf einem einzelnen A100 erreichte der fein abgestimmte LFM3 eine Klassifizierungsgenauigkeit von 67 Prozent und verbesserte die Erkennung F1 von 0,003 auf 0,11, verglichen mit 0,01 für GPT-6 Luna. Das Unternehmen veröffentlichte auch frühe Robotik-Experimente zu Werkzeugorchestrierung, Vision-Sprachnavigation und Roboterarmmanipulation auf niedriger Ebene.
Zu den Day-Zero-Startpartnern gehören Ambarella, AMD, Arm, Intel über OpenVINO, NVIDIA, OpenRouter, Qualcomm über AI Hub und GenieX sowie Vercel, wobei Mercedes-Benz und Shopify an Tests vor der Veröffentlichung teilnehmen. Community-Laufzeiten wie llama.cpp, MLX, LM Studio, Ollama und vLLM unterstützen die Modelle beim Start.
Die Veröffentlichung unterstreicht eine breitere Spaltung der Branche: Während Grenzlabore immer größeren, generalistischen Modellen nachjagen, setzt Liquid AI darauf, dass ein Großteil des praktischen Nutzens in kleinen, schnellen, spezialisierten Modellen steckt – günstig genug für die Feinabstimmung auf einer GPU und klein genug für den lokalen Betrieb.
---
Bleib vorne bei KIDie neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Mehr KI-Nachrichten lesen →
