Liquid Foundation Models serisinin arkasındaki MIT yan kuruluşu olan Liquid AI, Salı günü şirketin telefonlara, dizüstü bilgisayarlara, robotlara ve diğer uç donanımlara "özel zeka" dediği şeyi getirmek için tasarlanmış yeni nesil açık ağırlıklı modeller olan LFM3'ü duyurdu. Sürüm, tamamı paylaşılan bir LFM3-1.7B-Base omurgasından ayrılan ve bugün Hugging Face, Liquid AI Playground ve şirketin API'sinde mevcut olan 2B parametre aralığındaki altı modeli (metin, görüntü, ses, omni ve iki karar modeli) kapsıyor.
Temsilciler için Yeniden Tasarlanan Üçlü Hibrit Mimari For more context on this story, see our ongoing AI industry coverage.
LFM2, kısa kıvrımlardan ve dikkatten oluşan bir melezin, kaliteden çok fazla ödün vermeden cihazda hızlı çalışabileceğini tespit etti. Liquid AI, LFM3 için otomatik döngü içi donanım mimarisi aramasını aracılı iş yüklerini göz önünde bulundurarak yeniden gerçekleştirdi ve arama alanını bir telefon ve bir dizüstü bilgisayardaki CPU'lardan 14 cihaz ve arka uç kombinasyonuna kadar genişletti. Ölçülen donanım artık Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple'ın M4 Max'i, AMD Ryzen AI dizüstü bilgisayarları, Arm ve x86 bulut CPU'ları, GPU'ları ve Qualcomm'un Hexagon NPU'sunu içeriyor.
Sonuç, 24 katmanlı bir "üçlü hibrit" yığındır: 13 kapılı kısa evrişim katmanı, 256 jetonlu pencereye sahip 5 kayan pencereli dikkat katmanı ve 6 küresel dikkat katmanı. Evrişim çekirdek boyutları 3'ten 7'ye çıktı ve yeni mekanizmalar arasında kafa bazında kapılı dikkat (bireysel kafaları kapatabilen bir sigmoid kapı), küresel katmanlarda kısmi RoPE ve sandviç normalleştirme yer alıyor. Şirket, değişikliklerin uzun bağlam çıkarımını hızlı tutarken, önemli olduğu yerde ifadeyi artırdığını söylüyor.
22 Trilyon Token Üzerinde Eğitim Alındı
LFM3-1.7B-Base, LFM2'den daha fazla bilimsel makale, depo düzeyinde kod ve matematik ekleyen bir veri karışımıyla 22 trilyon token üzerinde önceden eğitildi. Nihai 3,5 trilyon token, ajans izleri ve çeşitli araç çağrıları ağırlıklı, seçilmiş, yüksek kaliteli veriler üzerinde bir orta eğitim aşamasını oluşturur ve bu aşama aynı zamanda bağlam penceresini 256 bin token'a kadar genişletir.
Eğitim sonrası eğitim dört aşamadan geçti: sohbet, muhakeme ve araç çağırmayı kapsayan 1,75 trilyon token üzerinde denetimli ince ayar; matematik, kod, SQL ve yapılandırılmış çıktılar arasında karma takviyeli öğrenme; altı uzman RL öğretmeninin (kod, matematik, araç kullanımı, uzun bağlam, aracılı çalışma ve kurumsal iş akışları) tek bir modele ayrıştırıldığı çok alanlı politikaya dayalı değerlendirme; ve web'de gezinmekten ofis çalışmalarına kadar görevlerin Hermes Agent, Pi ve OpenClaw gibi gerçek ajan donanımları içinde yürütüldüğü ajans RL.
Küçük Model, Sınıra Bitişik Ajans Sonuçları
Liquid AI, LFM3-1.7B'nin önceki LFM2.5-2.6B'den daha iyi performans gösterdiğini ve yüzde 35 daha az parametre kullandığını iddia ediyor. Ajans değerlendirmelerinde şirket, modelin BFCL ve ToolSandbox'ta talimat izleme ve işlev çağırma konusunda öncülük ettiğini ve WebArena-Verified ve AutomationBench'teki uzun ufuklu tarayıcı ve iş uygulaması görevlerinde önemli ölçüde daha büyük olan Qwen3.5-9B'yi geride bıraktığını söylüyor. Daha büyük modeller hâlâ ajansal kodlama ve bilgi açısından kazanıyor, ancak şirket, araç aramanın küçük modelin İnsanlığın Son Sınavındaki puanını neredeyse iki katına çıkardığını bildiriyor.
Hız manşettir. 4 bit nicelemede ve 32K bağlamda llama.cpp ile ölçülen Liquid AI, LFM3-1.7B'nin test edilen üç uç cihazdaki en hızlı model olduğunu ve en az belleği kullanırken bir sonraki rakibe göre 1,8 ila 2,8 kat daha hızlı kod çözdüğünü söylüyor. Tam 128K jetonlu bir bağlam, Qwen3.5-4B için 4,3 GB ve MiniCPM5-2B için 5,6 GB'a karşılık yaklaşık 1,6 GB KV önbelleğe ihtiyaç duyar ve model, 4 bit hassasiyette yaklaşık 1 GB belleğe sığar. Veri merkezinde, BF16'da SGLang çalıştıran tek bir NVIDIA B300'ün, 1.024 eşzamanlı istekle günde 3,6 milyar token üretebileceği bildiriliyor. Bu iş hacminin neler sağladığını göstermek için Liquid AI, bir demo olarak Enron e-posta arşivi üzerinden 300.000'den fazla paralel LFM3-1.7B aracısını çalıştırdı.
Görüntü, Ses ve İlk Omni Modeli
LFM3-VL-2B, Liquid AI'ye göre önceki LFM görüntü modellerindeki SigLIP2 kodlayıcıya göre 3 kat daha az bilgi işlem kullanan ve Qwen3.5-2B'nin kodlayıcı doğruluğunu 2,2 kat daha az FLOP ile eşleştiren, 164 milyon parametreye sahip yeni bir şirket içi görüntü kodlayıcı getiriyor. Şirket, 62 vizyon kriterinde 2B modelinin tüm benzer boyutlu modellerden en az 7,4 puan önde olduğunu, altı kat daha büyük bir model olan Gemma 4 12B ile eşleştiğini ve Gemini 3.5 Flash Lite'ı geride bıraktığını ve GPT-5.6 Luna'ya 2 puan yaklaştığını söylüyor. Aynı zamanda video girişini kabul eden ilk LFM görüntü modelidir.
LFM3-Audio-2B, yeni bir şirket içi kodlayıcı ve oluşturulan jetonları tek bir CPU iş parçacığında yaklaşık 87x gerçek zamanlı olarak konuşmaya dönüştüren LiquidCodec adlı bir tokenizer tarafından desteklenen 18 dilde konuşma tanıma, sentez ve çeviri işlemlerini gerçekleştiriyor. Akışlı mikrofon girişiyle, ilk jetona kadar geçen süre 50 milisaniye kadar düşük olabilir.
2,2 milyar parametreye sahip LFM3-Omni-2B, şirketin görüntü, ses ve dili birleştiren ilk omni modelidir; böylece kullanıcılar görüntüler veya senkronize sesli videolar hakkında sözlü sorular sorabilir. İki karar modeli, d1-2B ve d1-Omni-2B, aileyi kapatır: serbest biçimli yanıtlar oluşturmak yerine, her biri kalibre edilmiş olasılığa sahip, yazılı veya sözlü birçok soruyu tek bir ileri geçişte yanıtlarlar ve Nokta (sınırlayıcı kutu çiz), Oku, Tahmin Et ve Seç gibi yapılandırılmış yanıt türlerini desteklerler.
Uzmanlaşmak için Tasarlandı
Liquid AI, aileyi genel amaçlı bir sınır modelinden ziyade ince ayar için bir başlangıç noktası olarak konumlandırıyor. Bir gösteride şirket, kusurları sınıflandırmak için rüzgar türbini kanatlarının halka açık yaklaşık 3.000 fotoğrafı üzerinde LFM3-VL-2B'ye ince ayar yaptı. Kutudan çıktığı haliyle hem LFM3-VL-2B hem de GPT-6 Luna, test görüntülerinin yüzde 10'undan azında kusur türlerini doğru bir şekilde tanımladı; Tek bir A100 üzerinde birkaç saatlik eğitimin ardından, ince ayarlı LFM3 yüzde 67 sınıflandırma doğruluğuna ulaştı ve GPT-6 Luna için 0,01'e kıyasla F1 tespitini 0,003'ten 0,11'e yükseltti. Şirket ayrıca araç orkestrasyonu, görsel dil navigasyonu ve düşük seviyeli robot kol manipülasyonunu kapsayan ilk robotik deneylerini de yayınladı.
Sıfırıncı gün lansman ortakları arasında Ambarella, AMD, Arm, OpenVINO aracılığıyla Intel, NVIDIA, OpenRouter, AI Hub ve GenieX aracılığıyla Qualcomm ve Mercedes-Benz ve Shopify'ın ön sürüm testlerine katıldığı Vercel yer alıyor. Llama.cpp, MLX, LM Studio, Ollama ve vLLM dahil olmak üzere topluluk çalışma zamanları, lansman sırasında modelleri destekler.
Sürüm, daha geniş bir sektör ayrımının altını çiziyor: Sınır laboratuvarları daha büyük genel modelleri kovalarken, Liquid AI, küçük, hızlı, özel modellerin (tek bir GPU'da ince ayar yapılabilecek kadar ucuz ve yerel olarak çalıştırılabilecek kadar küçük) pratik değerin çoğunun olacağı yerde olacağına bahse giriyor.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
