Liquid AI, הספין-אוף של MIT מאחורי קו Liquid Foundation Models, הכריזה ביום שלישי על LFM3, דור חדש של דגמים בעלי משקל פתוח שנבנה כדי להביא את מה שהחברה מכנה "בינה מיוחדת" לטלפונים, מחשבים ניידים, רובוטים וחומרי קצה אחרים. המהדורה מכסה שישה דגמים בטווח הפרמטרים של 2B - טקסט, חזון, אודיו, אומני ושני דגמי החלטה - כולם מסועפים מעמוד שדרה משותף של LFM3-1.7B-Base וזמינים היום ב-Hugging Face, ב-Liquid AI Playground וב-API של החברה.
ארכיטקטורה תלת-היברידית שעוצבה מחדש עבור סוכנים For more context on this story, see our ongoing AI industry coverage.
LFM2 קבע שהכלאה של פיתולים קצרים ותשומת לב יכולה לפעול במהירות במכשיר מבלי לוותר על איכות רבה. עבור LFM3, Liquid AI רצה מחדש את החיפוש האוטומטי של ארכיטקטורת החומרה-in-the-loop תוך מחשבה על עומסי עבודה סוכנים, והרחיבה את מרחב החיפוש ממעבדים בטלפון אחד ומחשב נייד אחד ל-14 שילובי התקנים ו-backend. החומרה הנמדדת כוללת כעת את ה-Samsung Galaxy S26 Ultra, ה-OnePlus 15, Raspberry Pi 5, ה-M4 Max של אפל, מחשבים ניידים AMD Ryzen AI, מעבדי Arm ו-x86 ענן, GPUs, וה-Hexagon NPU של קוואלקום.
התוצאה היא מחסנית "תלת-היברידית" בת 24 שכבות: 13 שכבות קצרות-קונבולוציה מגודרות, 5 שכבות קשב של חלונות הזזה עם חלון של 256 אסימונים, ו-6 שכבות קשב גלובליות. גדלים של ליבת Convolution גדלו מ-3 ל-7, ומנגנונים חדשים כוללים תשומת לב מוגברת לראש (שער סיגמואידי שיכול לכבות ראשים בודדים), RoPE חלקי בשכבות גלובליות ונורמליזציה של סנדוויץ'. החברה טוענת כי השינויים מוסיפים אקספרסטיביות במקום שבו זה נחשב תוך שמירה על מסקנות ארוכות של הקשר מהיר.
מאומן על 22 טריליון אסימונים
LFM3-1.7B-Base הוכשר מראש על 22 טריליון אסימונים, עם תמהיל נתונים שמוסיף יותר מאמרים מדעיים, קוד ברמת מאגר ומתמטיקה מאשר LFM2. 3.5 טריליון האסימונים האחרונים מהווים שלב אימון באמצע על נתונים מאוצרים ואיכותיים יותר שמכבידים על עקבות סוכן ושיחות כלים מגוונות - והשלב הזה גם מרחיב את חלון ההקשר ל-256K אסימונים.
לאחר האימון נמשך ארבעה שלבים: כוונון עדין מפוקח על 1.75 טריליון אסימונים המתפרשים על פני צ'אט, הנמקה וקריאת כלים; למידת חיזוק מעורבת על פני מתמטיקה, קוד, SQL ותפוקות מובנות; זיקוק במדיניות מרובת תחומים, שבו שישה מורי RL מומחים (קוד, מתמטיקה, שימוש בכלים, הקשר ארוך, עבודה סוכנת וזרימות עבודה ארגוניות) מזוקקים בחזרה למודל אחד; ו-agentic RL, שבה משימות מגלישה באינטרנט ועד עבודה משרדית פועלות בתוך רתמות סוכנים אמיתיות כמו Hermes Agent, Pi ו-OpenClaw.
מודל קטן, תוצאות סוכניות צמודות לגבול
Liquid AI טוענת כי LFM3-1.7B עולה על הביצועים הקודמים של LFM2.5-2.6B תוך שימוש ב-35 אחוז פחות פרמטרים. בהערכות סוכניות, החברה טוענת כי המודל מוביל במעקב אחר הוראות וקריאות פונקציות ב-BFCL וב-ToolSandbox, ומנצח את ה-Qwen3.5-9B הגדולים משמעותית במשימות דפדפן ואפליקציות עסקיות לטווח ארוך ב-WebArena-Verified ו-AutomationBench. מודלים גדולים יותר עדיין זוכים בקידוד וידע סוכן, אם כי החברה מדווחת כי חיפוש הכלים כמעט מכפיל את הציון של המודל הקטן בבחינה האחרונה של האנושות.
מהירות היא הכותרת. נמדד עם llama.cpp בקוונטיזציה של 4 סיביות והקשר של 32K, Liquid AI אומר ש-LFM3-1.7B היה הדגם המהיר ביותר בכל שלושת מכשירי הקצה שנבדקו, ופענח מהר פי 1.8 עד 2.8 מהמתחרה הבא תוך שימוש במינימום זיכרון. הקשר מלא של 128K-token צריך כ-1.6 ג'יגה-בייט של מטמון KV, לעומת 4.3 ג'יגה-בייט עבור Qwen3.5-4B ו-5.6 ג'יגה-בייט עבור MiniCPM5-2B, והדגם מתאים לזיכרון של בערך 1 ג'יגה-בייט בדייקנות של 4 סיביות. במרכז הנתונים, NVIDIA B300 יחיד המריץ SGLang ב-BF16 יכול לפי הדיווחים לייצר 3.6 מיליארד אסימונים ליום ב-1,024 בקשות במקביל. כדי להראות מה התפוקה הזו מאפשרת, Liquid AI הריצה יותר מ-300,000 סוכני LFM3-1.7B מקבילים על ארכיון הדוא"ל של אנרון כהדגמה.
חזון, אודיו ודגם אומני ראשון
LFM3-VL-2B מביאה מקודד ראייה פנימי חדש עם 164 מיליון פרמטרים, שלפי Liquid AI, משתמש בפי 3 פחות מחשוב מאשר מקודד SigLIP2 בדגמי LFM vision קודמים תוך התאמת דיוק המקודד של Qwen3.5-2B עם פי 2.2 פחות FLOPs. על פני 62 אמות מידה של חזון, החברה טוענת כי דגם ה-2B מקבל ציון של לפחות 7.4 נקודות לפני כל הדגמים בגודל דומה, תואם את Gemma 4 12B - דגם גדול פי שישה יותר - עולה על Gemini 3.5 Flash Lite, ונוחת בטווח של 2 נקודות מ-GPT-5.6 לונה. זהו גם דגם ה- LFM vision הראשון שמקבל קלט וידאו.
LFM3-Audio-2B מטפל בזיהוי דיבור, סינתזה ותרגום על פני 18 שפות, המופעל על ידי מקודד פנימי חדש וטוקנייזר בשם LiquidCodec הממיר אסימונים שנוצרו לדיבור בערך פי 87 בזמן אמת על חוט מעבד יחיד. עם כניסת מיקרופון זורם, הזמן עד האסימון הראשון יכול להיות נמוך עד 50 מילישניות.
LFM3-Omni-2B, ב-2.2 מיליארד פרמטרים, הוא דגם האומני הראשון של החברה, המשלב חזון, אודיו ושפה כך שמשתמשים יכולים לשאול שאלות מדוברות על תמונות או על סרטונים עם סאונד מסונכרן. שני מודלים של החלטה, d1-2B ו-d1-Omni-2B, סוגרים את המשפחה: במקום ליצור תשובות בצורה חופשית, הם עונים על שאלות רבות שהוקלדו או מדוברות במעבר אחד קדימה, כל אחת עם הסתברות מכוילת, ותומכים בסוגי תשובות מובנים כמו נקודה (צייר תיבה תוחמת), קריאה, הערכה ובחר.
נבנה להתמחות
בינה מלאכותית נוזלית ממצבת את המשפחה כנקודת מוצא לכוונון עדין ולא כדגם גבול למטרות כלליות. בהדגמה אחת, החברה כיוונה עדין את LFM3-VL-2B על כ-3,000 תמונות פומביות של להבי טורבינות רוח כדי לסווג פגמים. מחוץ לקופסה, גם LFM3-VL-2B וגם GPT-6 Luna זיהו בצורה נכונה את סוגי הפגמים בפחות מ-10 אחוזים מתמונות הבדיקה; לאחר כמה שעות של אימון על A100 בודד, ה-LFM3 המכוונן עדין הגיע ל-67 אחוז דיוק סיווג ושיפר את הזיהוי F1 מ-0.003 ל-0.11, בהשוואה ל-0.01 עבור GPT-6 Luna. החברה גם פרסמה ניסויי רובוטיקה מוקדמים המכסים תזמור כלים, ניווט בשפת ראייה ומניפולציה של רובוט-זרוע ברמה נמוכה.
שותפי ההשקה ביום אפס כוללים את Ambarella, AMD, Arm, Intel דרך OpenVINO, NVIDIA, OpenRouter, Qualcomm דרך AI Hub ו- GenieX, ו-Vercel, כאשר מרצדס-בנץ ושופיפיי משתתפות בבדיקות טרום-שחרור. זמני ריצה של הקהילה כולל llama.cpp, MLX, LM Studio, Ollama ו-vLLM תומכים בדגמים בעת ההשקה.
המהדורה מדגישה פיצול רחב יותר בתעשייה: בעוד מעבדות גבול רודפות אחרי דגמים כלליים גדולים יותר ויותר, Liquid AI מהמר שדגמים קטנים, מהירים ומתמחים - זולים מספיק כדי לכוונן עדין על GPU אחד וקטן מספיק להפעלה מקומית - יהיו המקום שבו יגיע חלק ניכר מהערך המעשי.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
