Liquid AI, de MIT-spin-off achter de Liquid Foundation Models-lijn, heeft dinsdag LFM3 aangekondigd, een nieuwe generatie open-weight-modellen die zijn gebouwd om wat het bedrijf 'gespecialiseerde intelligentie' noemt te brengen naar telefoons, laptops, robots en andere randhardware. De release omvat zes modellen in het 2B-parameterbereik – tekst, beeld, audio, omni en twee beslissingsmodellen – allemaal vertakt vanuit een gedeelde LFM3-1.7B-Base-backbone en vandaag beschikbaar op Hugging Face, de Liquid AI Playground en de API van het bedrijf.
Een tri-hybride architectuur, opnieuw ontworpen voor agenten Voor meer context over dit verhaal, zie ons AI-trends.
LFM2 stelde vast dat een hybride van korte convoluties en aandacht snel op het apparaat kon worden uitgevoerd zonder veel kwaliteit op te geven. Voor LFM3 heeft Liquid AI de geautomatiseerde hardware-in-the-loop-architectuurzoekopdracht opnieuw uitgevoerd met agentic workloads in gedachten, waardoor de zoekruimte werd uitgebreid van CPU's in één telefoon en één laptop naar 14 apparaat- en backend-combinaties. De gemeten hardware omvat nu de Samsung Galaxy S26 Ultra, de OnePlus 15, een Raspberry Pi 5, Apple's M4 Max, AMD Ryzen AI-laptops, Arm- en x86 cloud-CPU's, GPU's en Qualcomm's Hexagon NPU.
Het resultaat is een "tri-hybride" stapel met 24 lagen: 13 gated korte-convolutielagen, 5 aandachtslagen met een schuifvenster met een venster van 256 token, en 6 globale aandachtslagen. De kernelgroottes van de convoluties groeiden van 3 naar 7, en nieuwe mechanismen omvatten hoofdgerichte aandacht (een sigmoïde poort die individuele hoofden kan uitschakelen), gedeeltelijke RoPE op globale lagen en sandwich-normalisatie. Het bedrijf zegt dat de veranderingen expressiviteit toevoegen waar dat telt, terwijl gevolgtrekkingen uit de lange context snel blijven.
Getraind op 22 biljoen tokens
LFM3-1.7B-Base was vooraf getraind op 22 biljoen tokens, met een datamix die meer wetenschappelijke artikelen, code op repositoryniveau en wiskunde toevoegt dan LFM2. De laatste 3,5 biljoen tokens vormen een fase in het midden van de training op samengestelde gegevens van hogere kwaliteit die zwaar zijn aan agentische sporen en diverse tooloproepen – en die fase breidt het contextvenster ook uit naar 256.000 tokens.
De post-training doorliep vier fases: het onder toezicht afstemmen op 1,75 biljoen tokens, waaronder chatten, redeneren en het aanroepen van tools; gemengd versterkend leren over wiskunde, code, SQL en gestructureerde output; multi-domein on-policy destillatie, waarbij zes gespecialiseerde RL-docenten (code, wiskunde, toolgebruik, lange context, agentisch werk en bedrijfsworkflows) worden teruggedestilleerd in één model; en agentic RL, waarbij taken van surfen op het web tot kantoorwerk worden uitgevoerd binnen echte agentharnassen zoals Hermes Agent, Pi en OpenClaw.
Klein model, grensverleggende resultaten
Liquid AI beweert dat LFM3-1.7B beter presteert dan zijn vorige LFM2.5-2.6B, terwijl er 35 procent minder parameters worden gebruikt. Wat betreft agentic-evaluaties zegt het bedrijf dat het model voorop loopt op het gebied van het volgen van instructies en het aanroepen van functies in BFCL en ToolSandbox, en de aanzienlijk grotere Qwen3.5-9B verslaat op het gebied van browser- en zakelijke app-taken met een lange horizon in WebArena-Verified en AutomationBench. Grotere modellen winnen nog steeds op het gebied van agentische codering en kennis, hoewel het bedrijf meldt dat het zoeken naar tools de score van het kleine model op Humanity's Last Exam bijna verdubbelt.
Snelheid is de kop. Gemeten met llama.cpp bij 4-bit kwantisering en een 32K-context, zegt Liquid AI dat LFM3-1.7B het snelste model was op alle drie de geteste edge-apparaten, waarbij hij 1,8 tot 2,8 keer sneller decodeerde dan de volgende concurrent terwijl hij het minste geheugen gebruikte. Een volledige 128K-tokencontext heeft ongeveer 1,6 GB KV-cache nodig, versus 4,3 GB voor Qwen3.5-4B en 5,6 GB voor MiniCPM5-2B, en het model past in ongeveer 1 GB geheugen met een nauwkeurigheid van 4 bits. In het datacenter kan een enkele NVIDIA B300 met SGLang in BF16 naar verluidt 3,6 miljard tokens per dag produceren bij 1.024 gelijktijdige verzoeken. Om te laten zien wat die doorvoer mogelijk maakt, heeft Liquid AI als demo meer dan 300.000 parallelle LFM3-1.7B-agents via het e-mailarchief van Enron uitgevoerd.
Visie, audio en een First Omni-model
LFM3-VL-2B brengt een nieuwe interne vision-encoder met 164 miljoen parameters die, volgens Liquid AI, 3x minder rekenkracht gebruikt dan de SigLIP2-encoder in eerdere LFM vision-modellen, terwijl de encodernauwkeurigheid van Qwen3.5-2B wordt geëvenaard met 2,2x minder FLOP's. In 62 vision-benchmarks zegt het bedrijf dat het 2B-model minstens 7,4 punten hoger scoort dan alle modellen van vergelijkbare grootte, overeenkomt met Gemma 4 12B – een model dat meer dan zes keer groter is – beter is dan Gemini 3.5 Flash Lite en binnen 2 punten van GPT-5.6 Luna belandt. Het is ook het eerste LFM-visiemodel dat video-invoer accepteert.
LFM3-Audio-2B verzorgt spraakherkenning, synthese en vertaling in 18 talen, mogelijk gemaakt door een nieuwe interne encoder en een tokenizer genaamd LiquidCodec die gegenereerde tokens in ongeveer 87x realtime omzet naar spraak op een enkele CPU-thread. Met streaming-microfooninvoer kan de tijd tot het eerste token slechts 50 milliseconden bedragen.
LFM3-Omni-2B is met 2,2 miljard parameters het eerste omnimodel van het bedrijf, dat visie, audio en taal combineert, zodat gebruikers gesproken vragen kunnen stellen over afbeeldingen of over video's met gesynchroniseerd geluid. Twee beslissingsmodellen, d1-2B en d1-Omni-2B, sluiten de familie af: in plaats van antwoorden in vrije vorm te genereren, beantwoorden ze veel getypte of gesproken vragen in één enkele voorwaartse beweging, elk met een gekalibreerde waarschijnlijkheid, en ondersteunen ze gestructureerde antwoordtypen zoals Punt (teken een selectiekader), Lezen, Schatten en Kiezen.
Gebouwd om gespecialiseerd te zijn
Liquid AI positioneert het gezin als uitgangspunt voor verfijning in plaats van als een grensmodel voor algemene doeleinden. In één demonstratie verfijnde het bedrijf LFM3-VL-2B op ongeveer 3.000 openbare foto's van windturbinebladen om defecten te classificeren. Out-of-the-box identificeerden zowel LFM3-VL-2B als GPT-6 Luna de defecttypen correct in minder dan 10 procent van de testbeelden; na een paar uur training op een enkele A100 bereikte de verfijnde LFM3 een classificatienauwkeurigheid van 67 procent en verbeterde detectie F1 van 0,003 naar 0,11, vergeleken met 0,01 voor GPT-6 Luna. Het bedrijf publiceerde ook vroege robotica-experimenten over gereedschapsorkestratie, navigatie in visietaal en manipulatie van robotarmen op laag niveau.
Day-zero-lanceringspartners zijn onder meer Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via AI Hub en GenieX, en Vercel, waarbij Mercedes-Benz en Shopify deelnemen aan pre-releasetests. Community-runtimes, waaronder llama.cpp, MLX, LM Studio, Ollama en vLLM ondersteunen de modellen bij de lancering.
De release onderstreept een bredere verdeeldheid in de sector: terwijl grenslaboratoria steeds grotere generalistische modellen najagen, gokt Liquid AI erop dat kleine, snelle, gespecialiseerde modellen – goedkoop genoeg om op één GPU af te stemmen en klein genoeg om lokaal te draaien – de plek zullen zijn waar veel van de praktische waarde terecht zal komen.
---
Blijf Voorop met AIHet laatste AI-nieuws, analyses en doorbraken — allemaal op één plek.
Lees meer AI-nieuws →
