Liquid AI، اسپین آف MIT پشت خط Liquid Foundation Models، LFM3 را روز سه‌شنبه معرفی کرد، نسل جدیدی از مدل‌های وزن باز که برای ارائه آنچه که شرکت «هوش تخصصی» می‌نامد به تلفن‌ها، لپ‌تاپ‌ها، ربات‌ها و دیگر سخت‌افزارهای پیشرفته ساخته شده است. این نسخه شامل شش مدل در محدوده پارامترهای 2B - متن، دید، صدا، omni و دو مدل تصمیم گیری است - که همگی از یک پایه مشترک LFM3-1.7B-Base منشعب شده اند و امروز در Hugging Face، Liquid AI Playground و API شرکت در دسترس هستند.

معماری سه‌هیبرید بازطراحی شده برای نمایندگان For more context on this story, see our ongoing AI industry coverage.

LFM2 نشان داد که ترکیبی از پیچیدگی‌های کوتاه و توجه می‌تواند به سرعت روی دستگاه اجرا شود بدون اینکه از کیفیت زیادی کاسته شود. برای LFM3، Liquid AI جستجوی خودکار معماری سخت‌افزار درون حلقه‌ای خود را با بارهای کاری عاملی در ذهن اجرا کرد و فضای جستجو را از CPU در یک تلفن و یک لپ‌تاپ به 14 دستگاه و ترکیب باطن گسترش داد. سخت افزار اندازه گیری شده اکنون شامل Samsung Galaxy S26 Ultra، OnePlus 15، Raspberry Pi 5، M4 Max اپل، لپ تاپ های AMD Ryzen AI، CPU های ابری Arm و x86، پردازنده های گرافیکی و Hexagon NPU کوالکام است.

نتیجه یک پشته 24 لایه ای "سه ترکیبی" است: 13 لایه پیچشی کوتاه دروازه ای، 5 لایه توجه پنجره کشویی با یک پنجره 256 توکن، و 6 لایه توجه سراسری. اندازه هسته کانولوشن از 3 به 7 افزایش یافت، و مکانیسم‌های جدید عبارتند از توجه دروازه‌ای (دریچه سیگموئیدی که می‌تواند تک تک سرها را خاموش کند)، RoPE جزئی در لایه‌های سراسری، و عادی‌سازی ساندویچ. این شرکت می‌گوید این تغییرات بیانگر را در جایی که اهمیت دارد و در عین حال استنتاج طولانی مدت را سریع نگه می‌دارد، اضافه می‌کند.

روی 22 تریلیون توکن آموزش دیده است

LFM3-1.7B-Base روی 22 تریلیون توکن از قبل آموزش داده شده بود، با ترکیبی از داده ها که مقالات علمی، کدهای سطح مخزن و ریاضیات بیشتری را نسبت به LFM2 اضافه می کند. 3.5 تریلیون توکن نهایی یک مرحله آموزشی میانی را روی داده‌های با کیفیت بالاتر تشکیل می‌دهند که روی ردیابی‌های عاملی و تماس‌های ابزار متنوع سنگین است - و این مرحله همچنین پنجره زمینه را به 256 هزار توکن گسترش می‌دهد.

پس از آموزش چهار مرحله را طی کرد: تنظیم دقیق 1.75 تریلیون توکن شامل چت، استدلال و فراخوانی ابزار. یادگیری تقویتی ترکیبی در ریاضیات، کد، SQL، و خروجی های ساخت یافته. تقطیر در خط مشی چند دامنه، که در آن شش معلم متخصص RL (کد، ریاضی، استفاده از ابزار، زمینه طولانی، کار عاملی، و گردش کار سازمانی) به یک مدل تقطیر می‌شوند. و agentic RL، که در آن وظایف از مرور وب تا کارهای اداری در داخل مهارهای عامل واقعی مانند Hermes Agent، Pi و OpenClaw اجرا می‌شوند.

مدل کوچک، نتایج عامل مرزی مجاور

Liquid AI ادعا می کند که LFM3-1.7B عملکرد بهتری از LFM2.5-2.6B قبلی خود دارد در حالی که از پارامترهای 35 درصد کمتر استفاده می کند. در ارزیابی‌های نمایندگی، این شرکت می‌گوید که این مدل به دنبال دستورالعمل‌ها و فراخوانی عملکرد در BFCL و ToolSandbox است و Qwen3.5-9B بزرگ‌تر را در مرورگرهای افق طولانی و وظایف برنامه تجاری در WebArena-Verified و AutomationBench شکست می‌دهد. مدل‌های بزرگ‌تر همچنان در کدنویسی و دانش عامل برنده می‌شوند، اگرچه شرکت گزارش می‌دهد که جستجوی ابزار تقریباً امتیاز مدل کوچک را در آخرین امتحان Humanity دو برابر می‌کند.

سرعت سرفصل است. Liquid AI که با llama.cpp در کوانتیزاسیون 4 بیتی و زمینه 32K اندازه‌گیری می‌شود، می‌گوید LFM3-1.7B سریع‌ترین مدل در هر سه دستگاه لبه آزمایش‌شده بود، با رمزگشایی 1.8 تا 2.8 برابر سریع‌تر از رقیب بعدی در حالی که از کمترین حافظه استفاده می‌کرد. یک زمینه کامل 128K توکن به حدود 1.6 گیگابایت حافظه پنهان KV نیاز دارد، در مقابل 4.3 گیگابایت برای Qwen3.5-4B و 5.6 گیگابایت برای MiniCPM5-2B، و این مدل تقریباً در 1 گیگابایت حافظه با دقت 4 بیت قرار می گیرد. در مرکز داده، یک NVIDIA B300 که SGLang را در BF16 اجرا می‌کند، طبق گزارش‌ها می‌تواند 3.6 میلیارد توکن در روز در 1024 درخواست همزمان تولید کند. برای نشان دادن آنچه که این توان عملیاتی امکان پذیر می کند، هوش مصنوعی Liquid بیش از 300000 عامل موازی LFM3-1.7B را بر روی آرشیو ایمیل انرون به صورت دمو اجرا کرد.

Vision، Audio، و اولین مدل Omni

LFM3-VL-2B یک رمزگذار دید داخلی جدید با 164 میلیون پارامتر ارائه می‌کند که طبق گفته Liquid AI، از محاسبات 3 برابر کمتر از رمزگذار SigLIP2 در مدل‌های دید LFM قبلی استفاده می‌کند در حالی که با دقت رمزگذار Qwen3.5-2B با FLOPهای 2.2 برابر کمتر مطابقت دارد. در بین 62 معیار بینایی، این شرکت می‌گوید که مدل 2B حداقل 7.4 امتیاز بالاتر از همه مدل‌های هم اندازه کسب می‌کند، با Gemma 4 12B - مدلی بیش از شش برابر بزرگتر - از Gemini 3.5 Flash Lite پیشی می‌گیرد و در فاصله 2 امتیازی GPT-5.6 Luna قرار می‌گیرد. همچنین این اولین مدل دید LFM است که ورودی ویدئو را می پذیرد.

LFM3-Audio-2B تشخیص، ترکیب و ترجمه گفتار را در 18 زبان انجام می‌دهد که توسط یک رمزگذار داخلی جدید و یک توکنایزر به نام LiquidCodec پشتیبانی می‌شود که توکن‌های تولید شده را تقریباً 87 برابر زمان واقعی در یک رشته پردازنده واحد به گفتار تبدیل می‌کند. با ورودی میکروفون پخش جریانی، زمان تا اولین توکن می‌تواند تا 50 میلی‌ثانیه باشد.

LFM3-Omni-2B، با 2.2 میلیارد پارامتر، اولین مدل omni این شرکت است که بینایی، صدا و زبان را ترکیب می کند تا کاربران بتوانند سؤالات گفتاری درباره تصاویر یا ویدیوها با صدای همگام بپرسند. دو مدل تصمیم گیری، d1-2B و d1-Omni-2B، خانواده را می بندند: به جای ایجاد پاسخ های آزاد، به بسیاری از سوالات تایپ شده یا گفتاری در یک پاس رو به جلو پاسخ می دهند، که هر کدام با احتمال کالیبره شده، و از انواع پاسخ های ساختاریافته مانند نقطه (رسم یک کادر محدود)، خواندن، تخمین، و انتخاب پشتیبانی می کنند.

ساخته شده تا تخصصی باشد

هوش مصنوعی مایع خانواده را به عنوان نقطه شروعی برای تنظیم دقیق به جای یک مدل مرزی همه منظوره قرار می دهد. در یک نمایش، این شرکت LFM3-VL-2B را روی حدود 3000 عکس عمومی از پره های توربین بادی تنظیم کرد تا عیوب را طبقه بندی کند. خارج از جعبه، هر دو LFM3-VL-2B و GPT-6 Luna به درستی انواع نقص را در کمتر از 10 درصد از تصاویر آزمایشی شناسایی کردند. پس از چند ساعت آموزش بر روی یک A100، LFM3 تنظیم شده به دقت طبقه بندی 67 درصد رسید و تشخیص F1 را از 0.003 به 0.11 بهبود بخشید، در مقایسه با 0.01 برای GPT-6 Luna. این شرکت همچنین آزمایش‌های رباتیک اولیه‌ای را منتشر کرد که شامل ارکستراسیون ابزار، ناوبری به زبان بینایی و دستکاری بازوی ربات سطح پایین بود.

شرکای راه اندازی Day-zero عبارتند از Ambarella، AMD، Arm، Intel از طریق OpenVINO، NVIDIA، OpenRouter، Qualcomm از طریق AI Hub و GenieX، و Vercel، با شرکت مرسدس بنز و Shopify در آزمایش های پیش از انتشار. زمان‌های اجرا انجمن از جمله llama.cpp، MLX، LM Studio، Ollama و vLLM از مدل‌ها در زمان راه‌اندازی پشتیبانی می‌کنند.

این نسخه بر شکاف صنعتی گسترده‌تری تأکید می‌کند: در حالی که آزمایشگاه‌های مرزی به دنبال مدل‌های عمومی بزرگ‌تر هستند، هوش مصنوعی مایع شرط می‌بندد که مدل‌های کوچک، سریع و تخصصی - به اندازه کافی ارزان برای تنظیم دقیق روی یک GPU و به اندازه کافی کوچک برای اجرای محلی - جایی خواهند بود که ارزش عملی آنها به دست می‌آید.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →