AI Liquid, spin-off MIT di belakang barisan Model Yayasan Cecair, mengumumkan LFM3 pada hari Selasa, generasi baharu model berat terbuka yang dibina untuk membawa apa yang syarikat itu panggil "kecerdasan khusus" kepada telefon, komputer riba, robot dan perkakasan kelebihan lain. Keluaran ini merangkumi enam model dalam julat parameter 2B — teks, penglihatan, audio, omni dan dua model keputusan — semuanya bercabang daripada tulang belakang LFM3-1.7B-Base yang dikongsi dan tersedia hari ini di Hugging Face, Taman Permainan AI Cecair dan API syarikat.
Seni Bina Tri-Hibrid Direka Semula untuk Ejen For more context on this story, see our ongoing more AI stories.
LFM2 menetapkan bahawa gabungan lilitan pendek dan perhatian boleh berjalan pantas pada peranti tanpa melepaskan banyak kualiti. Untuk LFM3, Liquid AI melancarkan semula carian seni bina perkakasan-dalam-gelung automatiknya dengan mengambil kira beban kerja agenik, mengembangkan ruang carian daripada CPU dalam satu telefon dan satu komputer riba kepada 14 gabungan peranti dan bahagian belakang. Perkakasan yang diukur kini termasuk Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, M4 Max Apple, komputer riba AMD Ryzen AI, CPU awan Arm dan x86, GPU dan NPU Heksagon Qualcomm.
Hasilnya ialah timbunan "tri-hibrid" 24 lapisan: 13 lapisan lilitan pendek berpagar, 5 lapisan perhatian tetingkap gelongsor dengan tetingkap 256 token dan 6 lapisan perhatian global. Saiz kernel konvolusi meningkat daripada 3 kepada 7, dan mekanisme baharu termasuk perhatian berpagar kepala (pintu sigmoid yang boleh mematikan kepala individu), RoPE separa pada lapisan global dan normalisasi sandwic. Syarikat itu berkata perubahan itu menambah ekspresitiviti di mana ia dikira sambil mengekalkan inferens konteks panjang dengan pantas.
Dilatih pada 22 Trilion Token
LFM3-1.7B-Base telah dilatih terlebih dahulu pada 22 trilion token, dengan campuran data yang menambahkan lebih banyak kertas saintifik, kod peringkat repositori dan matematik berbanding LFM2. 3.5 trilion token terakhir membentuk peringkat pertengahan latihan pada data yang dipilih susun dan berkualiti tinggi yang berat pada jejak agen dan panggilan alat yang pelbagai — dan peringkat itu juga memanjangkan tetingkap konteks kepada 256K token.
Selepas latihan dijalankan melalui empat peringkat: penalaan halus diselia pada 1.75 trilion token merangkumi sembang, penaakulan dan panggilan alat; pembelajaran tetulang bercampur merentas matematik, kod, SQL dan output berstruktur; penyulingan atas dasar berbilang domain, di mana enam guru RL pakar (kod, matematik, penggunaan alat, konteks panjang, kerja agen dan aliran kerja perusahaan) disuling kembali ke dalam satu model; dan RL agen, di mana tugas daripada penyemakan imbas web ke kerja pejabat dijalankan di dalam abah-abah ejen sebenar seperti Ejen Hermes, Pi dan OpenClaw.
Model Kecil, Hasil Agentik Bersebelahan Sempadan
AI Cecair mendakwa LFM3-1.7B mengatasi prestasi LFM2.5-2.6B sebelumnya sambil menggunakan parameter 35 peratus lebih sedikit. Mengenai penilaian agen, syarikat itu berkata model itu mendahului mengikut arahan dan fungsi panggilan dalam BFCL dan ToolSandbox, dan mengalahkan Qwen3.5-9B yang jauh lebih besar pada pelayar ufuk panjang dan tugas aplikasi perniagaan dalam WebArena-Verified dan AutomationBench. Model yang lebih besar masih menang dalam pengekodan dan pengetahuan ejen, walaupun syarikat melaporkan bahawa carian alat hampir menggandakan skor model kecil pada Peperiksaan Terakhir Kemanusiaan.
Kelajuan adalah tajuk utama. Diukur dengan llama.cpp pada pengkuantitian 4-bit dan konteks 32K, AI Cecair berkata LFM3-1.7B ialah model terpantas pada ketiga-tiga peranti kelebihan yang diuji, menyahkod 1.8 hingga 2.8 kali lebih pantas daripada pesaing seterusnya sambil menggunakan paling sedikit memori. Konteks 128K-token penuh memerlukan kira-kira 1.6 GB cache KV, berbanding 4.3 GB untuk Qwen3.5-4B dan 5.6 GB untuk MiniCPM5-2B, dan model itu muat dalam kira-kira 1 GB memori pada ketepatan 4-bit. Dalam pusat data, satu NVIDIA B300 yang menjalankan SGLang dalam BF16 dilaporkan boleh menghasilkan 3.6 bilion token sehari pada 1,024 permintaan serentak. Untuk menunjukkan keupayaan pemprosesan itu, AI Cecair menjalankan lebih daripada 300,000 ejen LFM3-1.7B selari melalui arkib e-mel Enron sebagai demo.
Visi, Audio dan Model Omni Pertama
LFM3-VL-2B membawakan pengekod penglihatan dalaman baharu dengan 164 juta parameter yang, menurut AI Cecair, menggunakan pengiraan 3x kurang daripada pengekod SigLIP2 dalam model penglihatan LFM sebelumnya sambil memadankan ketepatan pengekod Qwen3.5-2B dengan FLOP 2.2x lebih sedikit. Merentasi 62 penanda aras visi, syarikat itu berkata model 2B mendapat sekurang-kurangnya 7.4 mata di hadapan semua model bersaiz serupa, sepadan dengan Gemma 4 12B — model lebih daripada enam kali lebih besar — mengatasi Gemini 3.5 Flash Lite, dan mendarat dalam 2 mata GPT-5.6 Luna. Ia juga merupakan model penglihatan LFM pertama yang menerima input video.
LFM3-Audio-2B mengendalikan pengecaman pertuturan, sintesis dan terjemahan merentas 18 bahasa, dikuasakan oleh pengekod dalaman baharu dan tokenizer yang dipanggil LiquidCodec yang menukar token yang dijana kepada pertuturan pada kira-kira 87x masa nyata pada satu utas CPU. Dengan input mikrofon penstriman, masa untuk token pertama boleh serendah 50 milisaat.
LFM3-Omni-2B, pada 2.2 bilion parameter, ialah model omni pertama syarikat, menggabungkan penglihatan, audio dan bahasa supaya pengguna boleh bertanya soalan lisan tentang imej atau tentang video dengan bunyi yang disegerakkan. Dua model keputusan, d1-2B dan d1-Omni-2B, menutup keluarga: bukannya menjana jawapan bentuk bebas, mereka menjawab banyak soalan yang ditaip atau dituturkan dalam satu hantaran hadapan, masing-masing dengan kebarangkalian yang ditentukur, dan menyokong jenis jawapan berstruktur seperti Titik (lukis kotak sempadan), Baca, Anggar dan Pilih.
Dibina untuk Menjadi Khusus
AI Cecair meletakkan keluarga sebagai titik permulaan untuk penalaan halus dan bukannya model sempadan tujuan umum. Dalam satu demonstrasi, syarikat itu memperhalusi LFM3-VL-2B pada kira-kira 3,000 foto awam bilah turbin angin untuk mengklasifikasikan kecacatan. Di luar kotak, kedua-dua LFM3-VL-2B dan GPT-6 Luna dengan betul mengenal pasti jenis kecacatan dalam kurang daripada 10 peratus imej ujian; selepas beberapa jam latihan pada A100 tunggal, LFM3 yang diperhalusi mencapai ketepatan klasifikasi 67 peratus dan pengesanan F1 yang lebih baik daripada 0.003 kepada 0.11, berbanding dengan 0.01 untuk GPT-6 Luna. Syarikat itu juga menerbitkan eksperimen robotik awal yang meliputi orkestrasi alat, navigasi bahasa penglihatan dan manipulasi lengan robot peringkat rendah.
Rakan kongsi pelancaran hari-sifar termasuk Ambarella, AMD, Arm, Intel melalui OpenVINO, NVIDIA, OpenRouter, Qualcomm melalui AI Hub dan GenieX, dan Vercel, dengan Mercedes-Benz dan Shopify mengambil bahagian dalam ujian prakeluaran. Waktu jalanan komuniti termasuk llama.cpp, MLX, LM Studio, Ollama dan vLLM menyokong model semasa pelancaran.
Keluaran ini menggariskan perpecahan industri yang lebih luas: ketika makmal sempadan mengejar model generalis yang lebih besar, AI Liquid mempertaruhkan bahawa model yang kecil, pantas dan khusus - cukup murah untuk diperhalusi pada satu GPU dan cukup kecil untuk dijalankan secara tempatan - akan menjadi tempat yang banyak nilai praktikalnya berada.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
