Liquid AI, Liquid Foundation Models लाइनच्या मागे MIT स्पिन-ऑफ, मंगळवारी LFM3 ची घोषणा केली, ज्याला कंपनी फोन, लॅपटॉप, रोबोट्स आणि इतर एज हार्डवेअरमध्ये "स्पेशलाइज्ड इंटेलिजेंस" म्हणते ते आणण्यासाठी तयार केलेल्या ओपन-वेट मॉडेल्सची एक नवीन पिढी आहे. रिलीझमध्ये 2B-पॅरामीटर श्रेणीतील सहा मॉडेल्सचा समावेश आहे — टेक्स्ट, व्हिजन, ऑडिओ, ओम्नी आणि दोन निर्णय मॉडेल — सर्व शेअर केलेल्या LFM3-1.7B-बेस बॅकबोनमधून ब्रँच केलेले आहेत आणि आज हगिंग फेस, लिक्विड एआय प्लेग्राउंड आणि कंपनीच्या API वर उपलब्ध आहेत.
एजंट्ससाठी पुन्हा डिझाइन केलेले ट्राय-हायब्रिड आर्किटेक्चर For more context on this story, see our ongoing artificial intelligence updates.
LFM2 ने स्थापित केले आहे की लहान कंव्होल्यूशन आणि लक्ष यांचा संकर जास्त गुणवत्ता न सोडता डिव्हाइसवर वेगाने धावू शकतो. LFM3 साठी, Liquid AI ने एजंटिक वर्कलोड्स लक्षात घेऊन त्याचे स्वयंचलित हार्डवेअर-इन-द-लूप आर्किटेक्चर शोध पुन्हा रॅन केले, एका फोन आणि एका लॅपटॉपमधील CPUs मधून 14 डिव्हाइस आणि बॅकएंड कॉम्बिनेशनमध्ये शोध जागा विस्तारित केली. मोजलेल्या हार्डवेअरमध्ये आता Samsung Galaxy S26 Ultra, OnePlus 15, एक Raspberry Pi 5, Apple चे M4 Max, AMD Ryzen AI लॅपटॉप, आर्म आणि x86 क्लाउड CPUs, GPUs आणि Qualcomm चे Hexagon NPU समाविष्ट आहेत.
परिणाम म्हणजे 24-लेयर "ट्राय-हायब्रिड" स्टॅक: 13 गेट केलेले शॉर्ट-कन्व्होल्यूशन लेयर्स, 256-टोकन विंडोसह 5 स्लाइडिंग-विंडो अटेन्शन लेयर आणि 6 ग्लोबल अटेन्शन लेयर. कन्व्होल्यूशन कर्नलचे आकार 3 ते 7 पर्यंत वाढले आणि नवीन यंत्रणांमध्ये हेड-निहाय गेटेड अटेन्शन (एक सिग्मॉइड गेट जे वैयक्तिक हेड बंद करू शकते), जागतिक स्तरांवर आंशिक RoPE आणि सँडविच सामान्यीकरण यांचा समावेश आहे. कंपनी म्हणते की हे बदल अभिव्यक्ती वाढवतात जेथे ते दीर्घ-संदर्भ अनुमान जलद ठेवताना मोजले जाते.
22 ट्रिलियन टोकन्सवर प्रशिक्षित
LFM3-1.7B-Base ला 22 ट्रिलियन टोकन्सवर पूर्व-प्रशिक्षित केले गेले होते, त्यात डेटा मिक्स जे LFM2 पेक्षा अधिक वैज्ञानिक कागदपत्रे, भांडार-स्तरीय कोड आणि गणित जोडते. अंतिम 3.5 ट्रिलियन टोकन क्युरेटेड, उच्च-गुणवत्तेच्या डेटावर एक मध्य-प्रशिक्षण टप्पा तयार करतात जे एजंटिक ट्रेस आणि विविध टूल कॉल्सवर भारी असतात — आणि तो टप्पा 256K टोकन्सपर्यंत संदर्भ विंडो देखील वाढवतो.
प्रशिक्षणानंतरचे चार टप्पे पार पडले: 1.75 ट्रिलियन टोकन्सवर पर्यवेक्षित फाइन-ट्यूनिंग, चॅट, रिझनिंग आणि टूल कॉलिंग; गणित, कोड, SQL आणि संरचित आउटपुटमध्ये मिश्रित मजबुतीकरण शिक्षण; मल्टी-डोमेन ऑन-पॉलिसी डिस्टिलेशन, ज्यामध्ये सहा विशेषज्ञ RL शिक्षक (कोड, गणित, साधन वापर, दीर्घ संदर्भ, एजंटिक कार्य आणि एंटरप्राइझ वर्कफ्लो) एका मॉडेलमध्ये परत आणले जातात; आणि एजंटिक RL, जिथे वेब ब्राउझिंगपासून ते ऑफिसच्या कामापर्यंतची कामे हर्मीस एजंट, Pi आणि OpenClaw सारख्या वास्तविक एजंट हार्नेसमध्ये चालतात.
स्मॉल मॉडेल, फ्रंटियर-समीप एजंटिक परिणाम
35 टक्के कमी पॅरामीटर्स वापरताना LFM3-1.7B पूर्वीच्या LFM2.5-2.6B पेक्षा जास्त कामगिरी करत असल्याचा दावा लिक्विड एआयने केला आहे. एजंटिक मूल्यमापनांवर, कंपनी म्हणते की मॉडेल BFCL आणि टूलसँडबॉक्समध्ये सूचनांचे पालन आणि फंक्शन कॉलिंगवर आघाडीवर आहे आणि वेबएरेना-व्हेरिफाईड आणि ऑटोमेशनबेंच मधील लाँग-हॉरिझन ब्राउझर आणि बिझनेस-ॲप टास्कवर मोठ्या प्रमाणावर Qwen3.5-9B ला मागे टाकते. मोठ्या मॉडेल अजूनही एजंटिक कोडिंग आणि ज्ञानावर जिंकतात, तरीही कंपनीने अहवाल दिला आहे की टूल शोध ह्युमॅनिटीच्या शेवटच्या परीक्षेत लहान मॉडेलच्या स्कोअरच्या जवळपास दुप्पट आहे.
गती हे शीर्षक आहे. 4-बिट क्वांटायझेशन आणि 32K संदर्भावर llama.cpp सह मोजलेले, Liquid AI म्हणते की LFM3-1.7B हे तीनही चाचणी केलेल्या एज उपकरणांवर सर्वात वेगवान मॉडेल होते, कमीत कमी मेमरी वापरताना पुढील स्पर्धकापेक्षा 1.8 ते 2.8 पट वेगाने डीकोडिंग होते. पूर्ण 128K-टोकन संदर्भासाठी सुमारे 1.6 GB KV कॅशे आवश्यक आहे, Qwen3.5-4B साठी 4.3 GB आणि MiniCPM5-2B साठी 5.6 GB, आणि मॉडेल 4-बिट अचूकतेवर अंदाजे 1 GB मेमरीमध्ये बसते. डेटासेंटरमध्ये, BF16 मध्ये SGLang चालवणारा एकल NVIDIA B300 प्रतिदिन 1,024 समवर्ती विनंत्यांवर 3.6 अब्ज टोकन तयार करू शकतो. ते थ्रूपुट काय सक्षम करते हे दर्शविण्यासाठी, लिक्विड एआयने डेमो म्हणून एनरॉन ईमेल संग्रहणावर 300,000 पेक्षा जास्त समांतर LFM3-1.7B एजंट चालवले.
दृष्टी, ऑडिओ आणि पहिले ओम्नी मॉडेल
LFM3-VL-2B 164 दशलक्ष पॅरामीटर्ससह एक नवीन इन-हाऊस व्हिजन एन्कोडर आणते जे लिक्विड AI नुसार, Qwen3.5-2B च्या एन्कोडर अचूकतेशी 2.2x कमी FLOP सह जुळत असताना, मागील LFM व्हिजन मॉडेल्समधील SigLIP2 एन्कोडरपेक्षा 3x कमी गणना वापरते. 62 व्हिजन बेंचमार्कमध्ये, कंपनी म्हणते की 2B मॉडेल सर्व समान-आकाराच्या मॉडेलपेक्षा किमान 7.4 गुणांनी पुढे आहे, जेम्मा 4 12B शी जुळते — सहा पटीने मोठे मॉडेल — जेमिनी 3.5 फ्लॅश लाइटला मागे टाकते आणि GPT-5.6 लुनाच्या 2 गुणांच्या आत उतरते. व्हिडिओ इनपुट स्वीकारणारे हे पहिले LFM व्हिजन मॉडेल आहे.
LFM3-Audio-2B 18 भाषांमधील उच्चार ओळख, संश्लेषण आणि भाषांतर हाताळते, नवीन इन-हाउस एन्कोडर आणि LiquidCodec नावाच्या टोकनायझरद्वारे समर्थित जे एका CPU थ्रेडवर सुमारे 87x रिअल टाइममध्ये व्युत्पन्न टोकनचे भाषणात रूपांतरित करते. स्ट्रीमिंग मायक्रोफोन इनपुटसह, प्रथम टोकनसाठी वेळ 50 मिलीसेकंद इतका कमी असू शकतो.
LFM3-Omni-2B, 2.2 बिलियन पॅरामीटर्सवर, कंपनीचे पहिले ओम्नी मॉडेल आहे, जे व्हिजन, ऑडिओ आणि भाषा एकत्रित करते जेणेकरुन वापरकर्ते समक्रमित आवाजासह प्रतिमा किंवा व्हिडिओंबद्दल बोललेले प्रश्न विचारू शकतील. दोन निर्णय मॉडेल, d1-2B आणि d1-Omni-2B, फॅमिली क्लोज आउट: फ्री-फॉर्म उत्तरे व्युत्पन्न करण्याऐवजी, ते एकाच फॉरवर्ड पासमध्ये टाइप केलेल्या किंवा बोललेल्या अनेक प्रश्नांची उत्तरे देतात, प्रत्येक कॅलिब्रेटेड संभाव्यतेसह, आणि पॉइंट (बाउंडिंग बॉक्स काढा), वाचा, अंदाज आणि पिक यासारख्या संरचित उत्तर प्रकारांना समर्थन देतात.
स्पेशलाइज्ड होण्यासाठी तयार केलेले
लिक्विड एआय फॅमिलीला फाइन-ट्यूनिंगसाठी एक सामान्य-उद्देशीय फ्रंटियर मॉडेलऐवजी प्रारंभ बिंदू म्हणून स्थान देते. एका प्रात्यक्षिकात, कंपनीने दोषांचे वर्गीकरण करण्यासाठी विंड टर्बाइन ब्लेडच्या सुमारे 3,000 सार्वजनिक फोटोंवर LFM3-VL-2B छान केले. बॉक्सच्या बाहेर, LFM3-VL-2B आणि GPT-6 Luna या दोघांनीही 10 टक्क्यांपेक्षा कमी चाचणी प्रतिमांमध्ये दोषांचे प्रकार योग्यरित्या ओळखले; सिंगल A100 वर काही तासांच्या प्रशिक्षणानंतर, GPT-6 Luna साठी 0.01 च्या तुलनेत, फाईन-ट्यून केलेले LFM3 67 टक्के वर्गीकरण अचूकता आणि 0.003 ते 0.11 पर्यंत F1 सुधारित केले. कंपनीने टूल ऑर्केस्ट्रेशन, व्हिजन-लँग्वेज नेव्हिगेशन आणि लो-लेव्हल रोबोट-आर्म मॅनिप्युलेशन समाविष्ट करणारे प्रारंभिक रोबोटिक्स प्रयोग देखील प्रकाशित केले.
डे-झिरो लॉन्च पार्टनर्समध्ये Ambarella, AMD, Arm, Intel द्वारे OpenVINO, NVIDIA, OpenRouter, Qualcomm द्वारे AI Hub आणि GenieX, आणि Vercel, मर्सिडीज-बेंझ आणि Shopify प्री-रिलीझ चाचणीमध्ये सहभागी आहेत. llama.cpp, MLX, LM स्टुडिओ, ओलामा आणि vLLM सह समुदाय रनटाइम लॉन्चच्या वेळी मॉडेलला समर्थन देतात.
रिलीझने व्यापक उद्योग विभाजन अधोरेखित केले आहे: फ्रंटियर लॅब्स नेहमी मोठ्या जनरलीस्ट मॉडेल्सचा पाठलाग करत असताना, लिक्विड एआय सट्टेबाजी करत आहे की लहान, वेगवान, विशेष मॉडेल्स - एका GPU वर फाईन-ट्यून करण्यासाठी पुरेसे स्वस्त आणि स्थानिक पातळीवर चालवण्याइतपत लहान - जिथे जास्त व्यावहारिक मूल्य असेल.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
