Liquid AI, spin-off MIT ing mburi garis Model Liquid Foundation, ngumumake LFM3 dina Selasa, model bobot mbukak generasi anyar sing dibangun kanggo nggawa apa sing diarani perusahaan "intelijen khusus" menyang telpon, laptop, robot, lan piranti keras pinggiran liyane. Rilis kalebu enem model ing sawetara 2B-parameter - teks, sesanti, audio, omni, lan loro model kaputusan - kabeh cabang saka sambungan backbone LFM3-1.7B-Base lan kasedhiya dina iki Hugging Face, Liquid AI Playground, lan API perusahaan.
Arsitektur Tri-Hybrid sing Didesain ulang kanggo Agen For more context on this story, see our ongoing artificial intelligence updates.
LFM2 netepake manawa hibrida saka konvolusi lan perhatian sing cendhak bisa mlaku kanthi cepet ing piranti tanpa menehi kualitas. Kanggo LFM3, Liquid AI ngowahi maneh telusuran arsitektur hardware-in-the-loop kanthi otomatis kanthi beban kerja agen, ngembangake ruang telusuran saka CPU ing siji telpon lan siji laptop dadi 14 piranti lan kombinasi backend. Perangkat keras sing diukur saiki kalebu Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, M4 Max Apple, laptop AMD Ryzen AI, CPU awan Arm lan x86, GPU, lan NPU Hexagon Qualcomm.
Asil punika 24-lapisan "tri-hibrida" tumpukan: 13 gated short-convolution lapisan, 5 sliding-jendhela manungsa waé lapisan karo jendhela 256-token, lan 6 lapisan manungsa waé global. ukuran kernel Konvolusi tansaya saka 3 kanggo 7, lan mekanisme anyar kalebu manungsa waé gated sirah-wicaksana (gapura sigmoid sing bisa mateni sirah individu), RoPE sebagean ing lapisan global, lan normalisasi sandwich. Perusahaan kasebut ujar manawa owah-owahan nambah ekspresivitas sing dianggep nalika njaga inferensi konteks sing dawa kanthi cepet.
Dilatih ing 22 Triliun Token
LFM3-1.7B-Base wis dilatih ing 22 triliun token, kanthi campuran data sing nambahake kertas ilmiah, kode tingkat repositori, lan matematika tinimbang LFM2. Token 3,5 triliun pungkasan mbentuk tahap latihan tengah ing data sing dikurasi, kualitas sing luwih dhuwur sing abot ing jejak agen lan panggilan alat sing maneka warna - lan tahap kasebut uga ngluwihi jendhela konteks dadi 256K token.
Post-training mlaku liwat papat tahapan: diawasi fine-tuning ing 1,75 triliun token sing nyakup obrolan, nalar, lan alat nelpon; learning reinforcement campuran antarane math, kode, SQL, lan output kabentuk; distilasi multi-domain on-policy, ing ngendi enem guru RL spesialis (kode, matematika, panggunaan alat, konteks dawa, karya agen, lan alur kerja perusahaan) disaring maneh dadi siji model; lan RL agenik, ing ngendi tugas saka browsing web nganti kantor ditindakake ing sabuk agen nyata kayata Agen Hermes, Pi, lan OpenClaw.
Model Cilik, Asil Agensi Frontier-Adjacent
Cairan AI ngaku LFM3-1.7B ngluwihi LFM2.5-2.6B sadurunge nalika nggunakake paramèter 35 persen luwih sithik. Ing evaluasi agen, perusahaan ujar manawa model kasebut ndadékaké instruksi lan fungsi nelpon ing BFCL lan ToolSandbox, lan ngalahake Qwen3.5-9B sing luwih gedhe ing browser long-horizon lan tugas aplikasi bisnis ing WebArena-Verified lan AutomationBench. Model sing luwih gedhe isih menang babagan coding lan kawruh agen, sanajan perusahaan nglaporake manawa telusuran alat meh tikel kaping pindho skor model cilik ing Ujian Terakhir Kemanusiaan.
Kacepetan minangka judhul. Diukur nganggo llama.cpp ing kuantisasi 4-bit lan konteks 32K, Liquid AI ujar manawa LFM3-1.7B minangka model paling cepet ing kabeh telung piranti pinggiran sing diuji, dekoding 1.8 nganti 2.8 kaping luwih cepet tinimbang pesaing sabanjure nalika nggunakake memori paling sithik. Konteks 128K-token lengkap mbutuhake babagan 1,6 GB cache KV, lawan 4,3 GB kanggo Qwen3.5-4B lan 5,6 GB kanggo MiniCPM5-2B, lan model kasebut cocog karo memori 1 GB kanthi presisi 4-bit. Ing pusat data, siji NVIDIA B300 sing mlaku SGLang ing BF16 dilaporake bisa ngasilake 3,6 milyar token saben dina ing 1,024 panjalukan bebarengan. Kanggo nuduhake apa sing bisa ditindakake, Liquid AI mbukak luwih saka 300.000 agen LFM3-1.7B paralel liwat arsip email Enron minangka demo.
Visi, Audio, lan Model Omni Pisanan
LFM3-VL-2B nggawa encoder visi ing omah anyar kanthi 164 yuta paramèter sing, miturut Liquid AI, nggunakake komputasi 3x luwih murah tinimbang encoder SigLIP2 ing model visi LFM sadurunge nalika cocog karo akurasi encoder Qwen3.5-2B kanthi FLOP 2.2x luwih sithik. Across 62 benchmarks sesanti, perusahaan ngandika model 2B skor paling 7,4 TCTerms ahead saka kabeh model padha-ukuran, cocog Gemma 4 12B - model luwih saka enem kaping luwih gedhe - ngluwihi Gemini 3.5 Flash Lite, lan ndharat ing 2 TCTerms GPT-5.6 Luna. Iku uga model sesanti LFM pisanan nampa input video.
LFM3-Audio-2B nangani pangenalan wicara, sintesis, lan terjemahan ing 18 basa, didhukung dening enkoder ing omah anyar lan tokenizer sing diarani LiquidCodec sing ngowahi token sing digawe dadi wicara kanthi kira-kira 87x wektu nyata ing siji CPU thread. Kanthi input mikropon streaming, wektu kanggo token pisanan bisa nganti 50 milidetik.
LFM3-Omni-2B, kanthi 2,2 milyar paramèter, minangka model omni pisanan perusahaan, nggabungake visi, audio, lan basa supaya pangguna bisa takon babagan gambar utawa video kanthi swara sing disinkronake. Rong model kaputusan, d1-2B lan d1-Omni-2B, nutup kulawarga: tinimbang ngasilake jawaban free-form, padha njawab akeh pitakonan diketik utawa ngandika ing pass maju siji, saben karo kemungkinan kalibrasi, lan ndhukung jinis jawaban kabentuk kaya Point (gambar kothak wates), Waca, Estimasi, lan Pick.
Dibangun kanggo Spesialisasi
AI Cairan posisi kulawarga minangka titik wiwitan kanggo fine-tuning tinimbang model wates umum-tujuan. Ing salah sawijining demonstrasi, perusahaan nyempurnakake LFM3-VL-2B babagan 3.000 foto umum bilah turbin angin kanggo nggolongake cacat. Saka kothak kasebut, loro LFM3-VL-2B lan GPT-6 Luna kanthi bener ngenali jinis cacat ing kurang saka 10 persen gambar tes; sawise sawetara jam latihan ing A100 siji, LFM3 fine-tuned tekan 67 persen akurasi klasifikasi lan apik deteksi F1 saka 0,003 kanggo 0,11, dibandhingake karo 0,01 kanggo GPT-6 Luna. Perusahaan kasebut uga nerbitake eksperimen robotika awal sing nyakup orkestrasi alat, navigasi basa visi, lan manipulasi lengen robot tingkat rendah.
Mitra peluncuran dina-nol kalebu Ambarella, AMD, Arm, Intel liwat OpenVINO, NVIDIA, OpenRouter, Qualcomm liwat AI Hub lan GenieX, lan Vercel, karo Mercedes-Benz lan Shopify melu tes pra-rilis. Runtime komunitas kalebu llama.cpp, MLX, LM Studio, Ollama, lan vLLM ndhukung model nalika diluncurake.
Rilis kasebut negesake pamisahan industri sing luwih jembar: amarga laboratorium perbatasan ngoyak model umum sing luwih gedhe, Liquid AI taruhan model cilik, cepet, khusus - cukup murah kanggo nyetel GPU lan cukup cilik kanggo mbukak sacara lokal - bakal dadi papan sing akeh nilai praktis.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
