Liquid AI, lo spin-off del MIT dietro la linea Liquid Foundation Models, ha annunciato martedì LFM3, una nuova generazione di modelli open-weight costruiti per portare quella che l'azienda chiama "intelligenza specializzata" a telefoni, laptop, robot e altro hardware edge. La versione copre sei modelli nella gamma di parametri 2B: testo, visione, audio, omni e due modelli decisionali, tutti ramificati da un backbone LFM3-1.7B-Base condiviso e disponibili oggi su Hugging Face, Liquid AI Playground e l'API dell'azienda.
Un'architettura tri-ibrida riprogettata per gli agenti Per maggiori informazioni su questa storia, consulta la nostra ultimi sviluppi nell'IA.
LFM2 ha stabilito che un ibrido di brevi convoluzioni e attenzione potrebbe funzionare velocemente sul dispositivo senza rinunciare a molta qualità. Per LFM3, Liquid AI ha ripetuto la ricerca automatizzata dell'architettura hardware-in-the-loop pensando ai carichi di lavoro degli agenti, espandendo lo spazio di ricerca dalle CPU in un telefono e un laptop a 14 combinazioni di dispositivi e backend. L'hardware misurato include ora il Samsung Galaxy S26 Ultra, il OnePlus 15, un Raspberry Pi 5, l'Apple M4 Max, i portatili AMD Ryzen AI, le CPU Arm e x86 cloud, le GPU e l'Hexagon NPU di Qualcomm.
Il risultato è uno stack "tri-ibrido" a 24 strati: 13 strati con gate a breve convoluzione, 5 strati di attenzione a finestra scorrevole con una finestra da 256 token e 6 strati di attenzione globale. Le dimensioni del kernel di convoluzione sono cresciute da 3 a 7 e i nuovi meccanismi includono l'attenzione controllata dalla testa (un cancello sigmoideo che può spegnere le singole teste), RoPE parziale sugli strati globali e normalizzazione sandwich. L'azienda afferma che le modifiche aggiungono espressività laddove conta, mantenendo veloce l'inferenza di contesto lungo.
Addestrato con 22 trilioni di token
LFM3-1.7B-Base è stato pre-addestrato su 22 trilioni di token, con un mix di dati che aggiunge più articoli scientifici, codice a livello di repository e matematica rispetto a LFM2. Gli ultimi 3,5 trilioni di token costituiscono una fase intermedia di formazione su dati curati e di qualità superiore che sono pesanti su tracce di agenti e chiamate a strumenti diversi - e quella fase estende anche la finestra di contesto a 256.000 token.
Il post-formazione si è svolto in quattro fasi: messa a punto supervisionata di 1,75 trilioni di token che comprendevano chat, ragionamento e chiamata di strumenti; apprendimento di rinforzo misto tra matematica, codice, SQL e output strutturati; distillazione di policy multi-dominio, in cui sei insegnanti specializzati in RL (codice, matematica, uso degli strumenti, contesto lungo, lavoro degli agenti e flussi di lavoro aziendali) vengono distillati in un unico modello; e Agentic RL, in cui attività dalla navigazione web al lavoro d'ufficio vengono eseguite all'interno di sistemi di agenti reali come Hermes Agent, Pi e OpenClaw.
Modello piccolo, risultati agentici adiacenti alla frontiera
L'intelligenza artificiale liquida afferma che LFM3-1.7B supera il suo precedente LFM2.5-2.6B utilizzando il 35% in meno di parametri. Per quanto riguarda le valutazioni degli agenti, l'azienda afferma che il modello è leader nel seguire le istruzioni e nel chiamare le funzioni in BFCL e ToolSandbox, e batte il sostanzialmente più grande Qwen3.5-9B su browser a lungo orizzonte e attività di app aziendali in WebArena-Verified e AutomationBench. I modelli più grandi vincono ancora in termini di codifica e conoscenza degli agenti, anche se l'azienda riferisce che la ricerca di strumenti quasi raddoppia il punteggio del modello piccolo all'Ultimo Esame dell'Umanità.
La velocità è il titolo. Misurato con llama.cpp con quantizzazione a 4 bit e un contesto di 32K, Liquid AI afferma che LFM3-1.7B è stato il modello più veloce su tutti e tre i dispositivi edge testati, decodificando da 1,8 a 2,8 volte più velocemente rispetto al concorrente successivo utilizzando meno memoria. Un contesto completo di token da 128K richiede circa 1,6 GB di cache KV, contro 4,3 GB per Qwen3.5-4B e 5,6 GB per MiniCPM5-2B, e il modello può contenere circa 1 GB di memoria con precisione a 4 bit. Nel data center, una singola NVIDIA B300 che esegue SGLang in BF16 può produrre 3,6 miliardi di token al giorno a 1.024 richieste simultanee. Per mostrare cosa consente questo throughput, Liquid AI ha eseguito più di 300.000 agenti LFM3-1.7B paralleli sull'archivio e-mail Enron come demo.
Visione, audio e un primo modello Omni
LFM3-VL-2B offre un nuovo codificatore di visione interno con 164 milioni di parametri che, secondo Liquid AI, utilizza 3 volte meno elaborazione rispetto al codificatore SigLIP2 nei precedenti modelli di visione LFM, abbinando al contempo la precisione del codificatore di Qwen3.5-2B con 2,2 volte meno FLOP. Attraverso 62 benchmark di visione, l'azienda afferma che il modello 2B ottiene almeno 7,4 punti di vantaggio rispetto a tutti i modelli di dimensioni simili, corrisponde a Gemma 4 12B - un modello più di sei volte più grande - supera Gemini 3.5 Flash Lite e si colloca entro 2 punti da GPT-5.6 Luna. È anche il primo modello di visione LFM ad accettare l'ingresso video.
LFM3-Audio-2B gestisce il riconoscimento vocale, la sintesi e la traduzione in 18 lingue, alimentato da un nuovo codificatore interno e un tokenizzatore chiamato LiquidCodec che converte i token generati in parlato a circa 87 volte in tempo reale su un singolo thread della CPU. Con l'ingresso del microfono in streaming, il tempo necessario per ottenere il primo token può arrivare a soli 50 millisecondi.
LFM3-Omni-2B, con 2,2 miliardi di parametri, è il primo modello omni dell'azienda, che combina visione, audio e linguaggio in modo che gli utenti possano porre domande vocali sulle immagini o sui video con audio sincronizzato. Due modelli decisionali, d1-2B e d1-Omni-2B, chiudono la famiglia: invece di generare risposte in formato libero, rispondono a molte domande digitate o pronunciate in un unico passaggio in avanti, ciascuna con una probabilità calibrata, e supportano tipi di risposta strutturati come Punto (disegna un riquadro di delimitazione), Leggi, Stima e Scegli.
Costruito per essere specializzato
L’intelligenza artificiale liquida posiziona la famiglia come punto di partenza per la messa a punto piuttosto che come modello di frontiera generico. In una dimostrazione, l'azienda ha messo a punto LFM3-VL-2B su circa 3.000 foto pubbliche di pale di turbine eoliche per classificare i difetti. Di default, sia LFM3-VL-2B che GPT-6 Luna hanno identificato correttamente i tipi di difetto in meno del 10% delle immagini di test; dopo alcune ore di allenamento su un singolo A100, l'LFM3 ottimizzato ha raggiunto una precisione di classificazione del 67% e ha migliorato il rilevamento F1 da 0,003 a 0,11, rispetto allo 0,01 del GPT-6 Luna. L'azienda ha anche pubblicato i primi esperimenti di robotica riguardanti l'orchestrazione degli strumenti, la navigazione nel linguaggio visivo e la manipolazione a basso livello del braccio robotico.
I partner del lancio day-zero includono Ambarella, AMD, Arm, Intel tramite OpenVINO, NVIDIA, OpenRouter, Qualcomm tramite AI Hub e GenieX e Vercel, con Mercedes-Benz e Shopify che partecipano ai test pre-rilascio. I runtime della community tra cui llama.cpp, MLX, LM Studio, Ollama e vLLM supportano i modelli al momento del lancio.
Il comunicato sottolinea una più ampia divisione del settore: mentre i laboratori di frontiera inseguono modelli generalisti sempre più grandi, Liquid AI scommette che i modelli piccoli, veloci e specializzati – abbastanza economici da poter essere ottimizzati su una GPU e abbastanza piccoli da essere eseguiti localmente – saranno il luogo in cui arriverà gran parte del valore pratico.
---
Rimani Aggiornato sull'IALe ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.
Leggi altre notizie sull'IA →
