Liquid AI, MIT-spinoffen bakom Liquid Foundation Models-linjen, tillkännagav LFM3 på tisdagen, en ny generation av modeller med öppen vikt byggd för att ge vad företaget kallar "specialiserad intelligens" till telefoner, bärbara datorer, robotar och annan avancerad hårdvara. Utgåvan täcker sex modeller i 2B-parameterområdet – text, vision, ljud, omni och två beslutsmodeller – alla förgrenade från en delad LFM3-1.7B-Base ryggrad och tillgängliga idag på Hugging Face, Liquid AI Playground och företagets API.
En tri-hybrid arkitektur omdesignad för agenter For more context on this story, see our ongoing artificial intelligence updates.
LFM2 slog fast att en hybrid av korta varv och uppmärksamhet kunde köras snabbt på enheten utan att ge upp mycket kvalitet. För LFM3 körde Liquid AI om sin automatiska maskinvaru-i-slinga-arkitektursökning med agentiska arbetsbelastningar i åtanke, och utökade sökutrymmet från CPU:er i en telefon och en bärbar dator till 14 enhets- och backend-kombinationer. Den uppmätta hårdvaran inkluderar nu Samsung Galaxy S26 Ultra, OnePlus 15, en Raspberry Pi 5, Apples M4 Max, AMD Ryzen AI-bärbara datorer, Arm- och x86-molnprocessorer, GPU:er och Qualcomms Hexagon NPU.
Resultatet är en 24-lagers "tri-hybrid"-stack: 13 gated kortfalsade lager, 5 glidande fönster uppmärksamhetslager med ett 256-tokens fönster och 6 globala uppmärksamhetslager. Konvolutionskärnstorlekar växte från 3 till 7, och nya mekanismer inkluderar head-wise gated attention (en sigmoid gate som kan stänga av enskilda huvuden), partiell RoPE på globala lager och sandwich-normalisering. Företaget säger att förändringarna ger uttrycksfullhet där det gäller samtidigt som långa kontexter hålls snabba.
Tränad på 22 biljoner tokens
LFM3-1.7B-Base var förtränad på 22 biljoner tokens, med en datamix som lägger till fler vetenskapliga artiklar, kod på förvarsnivå och matematik än LFM2. De sista 3,5 biljoner tokens bildar ett mitten av utbildningsstadiet för kurerad data av högre kvalitet som är tung på agentspår och olika verktygsanrop – och det steget utökar också kontextfönstret till 256 000 tokens.
Efterträningen gick genom fyra steg: övervakad finjustering på 1,75 biljoner tokens som spänner över chatt, resonemang och verktygsanrop; blandad förstärkningsinlärning över matematik, kod, SQL och strukturerade utdata; multi-domän on-policy destillation, där sex specialiserade RL-lärare (kod, matematik, verktygsanvändning, långt sammanhang, agentarbete och företagsarbetsflöden) destilleras tillbaka till en modell; och agentic RL, där uppgifter från webbsurfning till kontorsarbete körs i verkliga agentselar som Hermes Agent, Pi och OpenClaw.
Liten modell, gränsöverskridande agentresultat
Liquid AI hävdar att LFM3-1.7B överträffar sina tidigare LFM2.5-2.6B samtidigt som de använder 35 procent färre parametrar. När det gäller agentiska utvärderingar säger företaget att modellen leder till instruktionsföljning och funktionsanrop i BFCL och ToolSandbox, och slår den betydligt större Qwen3.5-9B på långa webbläsar- och affärsappuppgifter i WebArena-Verified och AutomationBench. Större modeller vinner fortfarande på agentkodning och kunskap, även om företaget rapporterar att verktygssökning nästan fördubblar den lilla modellens poäng på Humanity's Last Exam.
Hastighet är rubriken. Mätt med llama.cpp vid 4-bitars kvantisering och en 32K-kontext säger Liquid AI att LFM3-1.7B var den snabbaste modellen på alla tre testade edge-enheter, avkodade 1,8 till 2,8 gånger snabbare än nästa konkurrent samtidigt som den använde minst minne. En fullständig 128K-token-kontext behöver cirka 1,6 GB KV-cache, mot 4,3 GB för Qwen3.5-4B och 5,6 GB för MiniCPM5-2B, och modellen får plats i ungefär 1 GB minne med 4-bitars precision. I datacentret kan en enda NVIDIA B300 som kör SGLang i BF16 enligt uppgift producera 3,6 miljarder tokens per dag vid 1 024 samtidiga förfrågningar. För att visa vad den genomströmningen möjliggör, körde Liquid AI mer än 300 000 parallella LFM3-1.7B-agenter över Enrons e-postarkiv som en demo.
Vision, ljud och en första Omni-modell
LFM3-VL-2B ger en ny intern vision-kodare med 164 miljoner parametrar som, enligt Liquid AI, använder 3 gånger mindre beräkning än SigLIP2-kodaren i tidigare LFM-vision-modeller samtidigt som den matchar Qwen3.5-2B:s kodarnoggrannhet med 2,2 gånger färre FLOP:ar. Över 62 visionsriktmärken säger företaget att 2B-modellen får minst 7,4 poäng före alla modeller av liknande storlek, matchar Gemma 4 12B – en modell som är mer än sex gånger större – överträffar Gemini 3.5 Flash Lite och landar inom 2 poäng från GPT-5.6 Luna. Det är också den första LFM-visionmodellen som accepterar videoingång.
LFM3-Audio-2B hanterar taligenkänning, syntes och översättning över 18 språk, driven av en ny intern kodare och en tokenizer som heter LiquidCodec som konverterar genererade tokens till tal i ungefär 87x realtid på en enda CPU-tråd. Med strömmande mikrofoningång kan tiden till första token vara så låg som 50 millisekunder.
LFM3-Omni-2B, med 2,2 miljarder parametrar, är företagets första omni-modell, som kombinerar syn, ljud och språk så att användare kan ställa talade frågor om bilder eller om videor med synkroniserat ljud. Två beslutsmodeller, d1-2B och d1-Omni-2B, stänger familjen: istället för att generera fria svar svarar de på många inskrivna eller talade frågor i ett enda framåtpass, var och en med en kalibrerad sannolikhet, och stödjer strukturerade svarstyper som Point (rita en begränsningsruta), Läs, Uppskatta och Välj.
Byggd för att vara specialiserad
Liquid AI positionerar familjen som en utgångspunkt för finjustering snarare än en generell frontiermodell. I en demonstration finjusterade företaget LFM3-VL-2B på cirka 3 000 offentliga bilder av vindkraftverksblad för att klassificera defekter. Ur förpackningen identifierade både LFM3-VL-2B och GPT-6 Luna korrekt defekttyperna i färre än 10 procent av testbilderna; efter några timmars träning på en enkel A100 nådde den finjusterade LFM3 67 procents klassificeringsnoggrannhet och förbättrade detektering F1 från 0,003 till 0,11, jämfört med 0,01 för GPT-6 Luna. Företaget publicerade också tidiga robotexperiment som täckte verktygsorkestrering, vision-språknavigering och robot-armmanipulation på låg nivå.
Dag-noll-lanseringspartner inkluderar Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via AI Hub och GenieX, och Vercel, med Mercedes-Benz och Shopify som deltar i pre-release-testning. Community-körtider inklusive llama.cpp, MLX, LM Studio, Ollama och vLLM stöder modellerna vid lanseringen.
Utgåvan understryker en bredare branschuppdelning: när gränslaboratorier jagar allt större generalistmodeller, satsar Liquid AI på att små, snabba, specialiserade modeller – billiga nog att finjustera på en GPU och tillräckligt små för att köras lokalt – kommer att vara där mycket av det praktiska värdet landar.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
