Liquid AI, spin-off MIT di balik lini Liquid Foundation Models, mengumumkan LFM3 pada hari Selasa, generasi baru model open-weight yang dibuat untuk menghadirkan apa yang disebut perusahaan sebagai "kecerdasan khusus" pada ponsel, laptop, robot, dan perangkat keras canggih lainnya. Rilis ini mencakup enam model dalam rentang parameter 2B — teks, visi, audio, omni, dan dua model keputusan — semuanya bercabang dari tulang punggung LFM3-1.7B-Base bersama dan saat ini tersedia di Hugging Face, Liquid AI Playground, dan API perusahaan.
Arsitektur Tri-Hibrida yang Didesain Ulang untuk Agen For more context on this story, see our ongoing breaking AI news.
LFM2 menetapkan bahwa gabungan konvolusi pendek dan perhatian dapat berjalan cepat di perangkat tanpa mengorbankan banyak kualitas. Untuk LFM3, Liquid AI menjalankan ulang pencarian arsitektur hardware-in-the-loop otomatisnya dengan mempertimbangkan beban kerja agen, sehingga memperluas ruang pencarian dari CPU di satu ponsel dan satu laptop menjadi 14 kombinasi perangkat dan backend. Perangkat keras yang diukur sekarang mencakup Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, M4 Max Apple, laptop AMD Ryzen AI, CPU cloud Arm dan x86, GPU, dan NPU Hexagon Qualcomm.
Hasilnya adalah tumpukan "tri-hibrida" 24 lapisan: 13 lapisan konvolusi pendek berpintu, 5 lapisan perhatian jendela geser dengan jendela 256 token, dan 6 lapisan perhatian global. Ukuran kernel konvolusi bertambah dari 3 menjadi 7, dan mekanisme baru mencakup perhatian yang terjaga keamanannya (gerbang sigmoid yang dapat mematikan masing-masing kepala), RoPE parsial pada lapisan global, dan normalisasi sandwich. Perusahaan mengatakan perubahan tersebut menambah ekspresivitas yang penting sekaligus menjaga inferensi konteks panjang tetap cepat.
Dilatih dengan 22 Triliun Token
LFM3-1.7B-Base telah dilatih sebelumnya pada 22 triliun token, dengan campuran data yang menambahkan lebih banyak makalah ilmiah, kode tingkat repositori, dan matematika daripada LFM2. 3,5 triliun token terakhir merupakan tahap pertengahan pelatihan pada data yang dikurasi dan berkualitas lebih tinggi yang banyak menggunakan jejak agen dan panggilan alat yang beragam — dan tahap tersebut juga memperluas jendela konteks hingga 256 ribu token.
Pasca pelatihan dijalankan melalui empat tahap: penyesuaian yang diawasi pada 1,75 triliun token yang mencakup obrolan, penalaran, dan panggilan alat; pembelajaran penguatan campuran di seluruh matematika, kode, SQL, dan keluaran terstruktur; penyulingan kebijakan multi-domain, di mana enam pengajar spesialis RL (kode, matematika, penggunaan alat, konteks panjang, pekerjaan agen, dan alur kerja perusahaan) disaring kembali menjadi satu model; dan RL agen, di mana tugas mulai dari penjelajahan web hingga pekerjaan kantor dijalankan di dalam memanfaatkan agen nyata seperti Agen Hermes, Pi, dan OpenClaw.
Model Kecil, Hasil Agen yang Berdekatan dengan Perbatasan
Liquid AI mengklaim LFM3-1.7B mengungguli LFM2.5-2.6B sebelumnya dengan menggunakan parameter 35 persen lebih sedikit. Pada evaluasi agen, perusahaan mengatakan model tersebut memimpin dalam mengikuti instruksi dan pemanggilan fungsi di BFCL dan ToolSandbox, dan mengalahkan Qwen3.5-9B yang jauh lebih besar pada browser jangka panjang dan tugas aplikasi bisnis di WebArena-Verified dan AutomationBench. Model yang lebih besar masih unggul dalam pengkodean agen dan pengetahuan, meskipun perusahaan melaporkan bahwa pencarian alat hampir menggandakan skor model kecil pada Ujian Terakhir Kemanusiaan.
Kecepatan adalah berita utama. Diukur dengan llama.cpp pada kuantisasi 4-bit dan konteks 32K, Liquid AI mengatakan LFM3-1.7B adalah model tercepat di ketiga perangkat edge yang diuji, mendekode 1,8 hingga 2,8 kali lebih cepat dibandingkan pesaing berikutnya dengan menggunakan memori paling sedikit. Konteks token 128K penuh memerlukan sekitar 1,6 GB cache KV, dibandingkan 4,3 GB untuk Qwen3.5-4B dan 5,6 GB untuk MiniCPM5-2B, dan model ini memuat sekitar 1 GB memori dengan presisi 4-bit. Di pusat data, satu NVIDIA B300 yang menjalankan SGLang di BF16 dilaporkan dapat menghasilkan 3,6 miliar token per hari dengan 1.024 permintaan secara bersamaan. Untuk menunjukkan kemampuan throughput tersebut, Liquid AI menjalankan lebih dari 300.000 agen LFM3-1.7B paralel melalui arsip email Enron sebagai demo.
Visi, Audio, dan Model Omni Pertama
LFM3-VL-2B menghadirkan encoder vision internal baru dengan 164 juta parameter yang, menurut Liquid AI, menggunakan komputasi 3x lebih sedikit dibandingkan encoder SigLIP2 pada model vision LFM sebelumnya sekaligus menyamai akurasi encoder Qwen3.5-2B dengan FLOP 2,2x lebih sedikit. Dari 62 tolok ukur penglihatan, perusahaan mengatakan model 2B mendapat skor setidaknya 7,4 poin di atas semua model berukuran serupa, menyamai Gemma 4 12B — model yang enam kali lebih besar — melampaui Gemini 3.5 Flash Lite, dan berada dalam 2 poin dari GPT-5.6 Luna. Ini juga merupakan model visi LFM pertama yang menerima input video.
LFM3-Audio-2B menangani pengenalan ucapan, sintesis, dan terjemahan dalam 18 bahasa, didukung oleh encoder internal baru dan tokenizer yang disebut LiquidCodec yang mengubah token yang dihasilkan menjadi ucapan sekitar 87x real-time pada satu thread CPU. Dengan input mikrofon streaming, waktu untuk token pertama hanya 50 milidetik.
LFM3-Omni-2B, dengan 2,2 miliar parameter, adalah model omni pertama perusahaan, yang menggabungkan visi, audio, dan bahasa sehingga pengguna dapat mengajukan pertanyaan lisan tentang gambar atau video dengan suara tersinkronisasi. Dua model keputusan, d1-2B dan d1-Omni-2B, saling melengkapi: alih-alih menghasilkan jawaban bentuk bebas, model tersebut menjawab banyak pertanyaan yang diketik atau diucapkan dalam satu forward pass, masing-masing dengan probabilitas terkalibrasi, dan mendukung jenis jawaban terstruktur seperti Point (gambar kotak pembatas), Baca, Perkirakan, dan Pilih.
Dibangun untuk Menjadi Terspesialisasi
Liquid AI memposisikan keluarga ini sebagai titik awal untuk penyempurnaan dibandingkan model frontier untuk tujuan umum. Dalam satu demonstrasi, perusahaan menyempurnakan LFM3-VL-2B pada sekitar 3.000 foto publik bilah turbin angin untuk mengklasifikasikan kerusakan. Secara langsung, LFM3-VL-2B dan GPT-6 Luna dengan tepat mengidentifikasi jenis cacat pada kurang dari 10 persen gambar uji; setelah beberapa jam pelatihan pada satu A100, LFM3 yang disempurnakan mencapai akurasi klasifikasi 67 persen dan meningkatkan deteksi F1 dari 0,003 menjadi 0,11, dibandingkan dengan 0,01 untuk GPT-6 Luna. Perusahaan ini juga menerbitkan eksperimen robotika awal yang mencakup orkestrasi alat, navigasi bahasa penglihatan, dan manipulasi lengan robot tingkat rendah.
Mitra peluncuran Day-zero termasuk Ambarella, AMD, Arm, Intel melalui OpenVINO, NVIDIA, OpenRouter, Qualcomm melalui AI Hub dan GenieX, dan Vercel, dengan Mercedes-Benz dan Shopify berpartisipasi dalam pengujian pra-rilis. Runtime komunitas termasuk llama.cpp, MLX, LM Studio, Ollama, dan vLLM mendukung model saat peluncuran.
Rilis ini menggarisbawahi perpecahan industri yang lebih luas: ketika laboratorium terdepan mengejar model generalis yang semakin besar, Liquid AI bertaruh bahwa model yang kecil, cepat, dan terspesialisasi – cukup murah untuk melakukan penyesuaian pada satu GPU dan cukup kecil untuk dijalankan secara lokal – akan menjadi sumber nilai praktisnya.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
