مائع AI، مائع فاؤنڈیشن ماڈلز لائن کے پیچھے MIT اسپن آف، نے منگل کو LFM3 کا اعلان کیا، اوپن ویٹ ماڈلز کی ایک نئی نسل جسے کمپنی فونز، لیپ ٹاپس، روبوٹس اور دیگر ایج ہارڈ ویئر میں "خصوصی ذہانت" کہتی ہے، لانے کے لیے بنایا گیا ہے۔ ریلیز 2B-پیرامیٹر رینج میں چھ ماڈلز کا احاطہ کرتی ہے — ٹیکسٹ، ویژن، آڈیو، اومنی، اور دو فیصلہ کرنے والے ماڈل — سبھی مشترکہ LFM3-1.7B-بیس بیک بون سے شاخیں ہیں اور آج ہیگنگ فیس، مائع AI پلے گراؤنڈ، اور کمپنی کے API پر دستیاب ہیں۔
ایک ٹرائی ہائبرڈ آرکیٹیکچر ایجنٹوں کے لیے دوبارہ ڈیزائن کیا گیا۔ For more context on this story, see our ongoing latest AI developments.
LFM2 نے یہ قائم کیا کہ مختصر تبدیلیوں اور توجہ کا ایک ہائبرڈ زیادہ معیار کو ترک کیے بغیر ڈیوائس پر تیزی سے چل سکتا ہے۔ LFM3 کے لیے، Liquid AI نے ایجنٹی کام کے بوجھ کو ذہن میں رکھتے ہوئے اپنے خودکار ہارڈویئر-ان-دی-لوپ آرکیٹیکچر کی تلاش کو دوبارہ چلایا، ایک فون اور ایک لیپ ٹاپ میں CPUs سے تلاش کی جگہ کو 14 ڈیوائسز اور بیک اینڈ کمبی نیشنز تک بڑھایا۔ پیمائش شدہ ہارڈویئر میں اب Samsung Galaxy S26 Ultra، OnePlus 15، Raspberry Pi 5، Apple کا M4 Max، AMD Ryzen AI لیپ ٹاپ، Arm اور x86 کلاؤڈ CPUs، GPUs، اور Qualcomm کا Hexagon NPU شامل ہیں۔
نتیجہ 24 پرتوں کا "ٹرائی ہائبرڈ" اسٹیک ہے: 13 گیٹڈ شارٹ کنوولوشن لیئرز، 5 سلائیڈنگ ونڈو توجہ کی پرتیں 256 ٹوکن ونڈو کے ساتھ، اور 6 عالمی توجہ کی پرتیں۔ کنولوشن کرنل کے سائز 3 سے 7 تک بڑھے، اور نئے میکانزم میں سر کے حساب سے گیٹڈ توجہ (ایک سگمائڈ گیٹ جو انفرادی سروں کو بند کر سکتا ہے)، عالمی سطحوں پر جزوی RoPE، اور سینڈوچ نارملائزیشن شامل ہیں۔ کمپنی کا کہنا ہے کہ تبدیلیاں اظہار خیال میں اضافہ کرتی ہیں جہاں طویل سیاق و سباق کو تیزی سے رکھتے ہوئے اس کا شمار ہوتا ہے۔
22 ٹریلین ٹوکنز پر تربیت یافتہ
LFM3-1.7B-Base کو 22 ٹریلین ٹوکنز پر پہلے سے تربیت دی گئی تھی، ایک ڈیٹا مکس کے ساتھ جو LFM2 سے زیادہ سائنسی کاغذات، ریپوزٹری لیول کوڈ، اور ریاضی کا اضافہ کرتا ہے۔ حتمی 3.5 ٹریلین ٹوکنز کیوریٹڈ، اعلیٰ معیار کے ڈیٹا پر ایک درمیانی تربیت کا مرحلہ تشکیل دیتے ہیں جو ایجنٹی نشانات اور متنوع ٹول کالز پر بھاری ہوتا ہے — اور یہ مرحلہ سیاق و سباق کی ونڈو کو 256K ٹوکنز تک بھی پھیلا دیتا ہے۔
پوسٹ ٹریننگ چار مراحل سے گزری: 1.75 ٹریلین ٹوکنز پر زیر نگرانی چیٹ، استدلال، اور ٹول کالنگ؛ ریاضی، کوڈ، ایس کیو ایل، اور ساختی آؤٹ پٹس میں مخلوط کمک سیکھنا؛ ملٹی ڈومین آن پالیسی ڈسٹلیشن، جس میں چھ ماہر آر ایل ٹیچرز (کوڈ، ریاضی، ٹول کا استعمال، طویل سیاق و سباق، ایجنٹ کا کام، اور انٹرپرائز ورک فلوز) کو ایک ماڈل میں دوبارہ ڈسٹل کیا جاتا ہے۔ اور ایجنٹ RL، جہاں ویب براؤزنگ سے لے کر دفتری کام تک کے کام اصلی ایجنٹ کے استعمال جیسے ہرمیس ایجنٹ، پائی، اور اوپن کلاؤ کے اندر چلتے ہیں۔
چھوٹا ماڈل، فرنٹیئر-ملحقہ ایجنٹ کے نتائج
Liquid AI کا دعویٰ ہے کہ LFM3-1.7B اپنے پچھلے LFM2.5-2.6B کو پیچھے چھوڑتا ہے جبکہ 35 فیصد کم پیرامیٹرز استعمال کرتا ہے۔ ایجنٹی تشخیص پر، کمپنی کا کہنا ہے کہ ماڈل BFCL اور ToolSandbox میں ہدایات کی پیروی اور فنکشن کالنگ پر رہنمائی کرتا ہے، اور WebArena-Verified اور AutomationBench میں طویل افق براؤزر اور کاروباری ایپ کے کاموں پر کافی بڑے Qwen3.5-9B کو مات دیتا ہے۔ بڑے ماڈلز اب بھی ایجنٹی کوڈنگ اور علم پر جیت جاتے ہیں، حالانکہ کمپنی کی رپورٹ ہے کہ ٹول سرچ ہیومینٹی کے آخری امتحان میں چھوٹے ماڈل کے اسکور کو تقریباً دوگنا کر دیتا ہے۔
رفتار سرخی ہے۔ 4 بٹ کوانٹائزیشن اور 32K سیاق و سباق پر llama.cpp سے ماپا گیا، Liquid AI کا کہنا ہے کہ LFM3-1.7B تینوں آزمائشی ایج ڈیوائسز پر تیز ترین ماڈل تھا، جو کم سے کم میموری استعمال کرتے ہوئے اگلے حریف کے مقابلے میں 1.8 سے 2.8 گنا تیز ڈی کوڈنگ کرتا ہے۔ ایک مکمل 128K-ٹوکن سیاق و سباق کے لیے تقریباً 1.6 GB KV کیشے کی ضرورت ہوتی ہے، بمقابلہ Qwen3.5-4B کے لیے 4.3 GB اور MiniCPM5-2B کے لیے 5.6 GB، اور ماڈل 4 بٹ درستگی پر تقریباً 1 GB میموری میں فٹ بیٹھتا ہے۔ ڈیٹا سینٹر میں، BF16 میں SGLang چلانے والا واحد NVIDIA B300 مبینہ طور پر 1,024 سمورتی درخواستوں پر روزانہ 3.6 بلین ٹوکن تیار کر سکتا ہے۔ یہ دکھانے کے لیے کہ یہ تھرو پٹ کیا قابل بناتا ہے، Liquid AI نے ڈیمو کے طور پر Enron ای میل آرکائیو پر 300,000 سے زیادہ متوازی LFM3-1.7B ایجنٹوں کو چلایا۔
ویژن، آڈیو، اور پہلا اومنی ماڈل
LFM3-VL-2B 164 ملین پیرامیٹرز کے ساتھ ایک نیا ان ہاؤس وژن انکوڈر لاتا ہے جو Liquid AI کے مطابق، پچھلے LFM وژن ماڈلز میں SigLIP2 انکوڈر سے 3x کم کمپیوٹ استعمال کرتا ہے جبکہ Qwen3.5-2B کے انکوڈر کی درستگی کو 2.2x کم FLOP کے ساتھ ملاتا ہے۔ 62 وژن بینچ مارکس میں، کمپنی کا کہنا ہے کہ 2B ماڈل تمام ملتے جلتے سائز کے ماڈلز سے کم از کم 7.4 پوائنٹس آگے ہے، Gemma 4 12B سے میل کھاتا ہے - چھ گنا سے زیادہ بڑا ماڈل - جیمنی 3.5 فلیش لائٹ کو پیچھے چھوڑتا ہے، اور GPT-5.6 Luna کے 2 پوائنٹس کے اندر آتا ہے۔ یہ ویڈیو ان پٹ کو قبول کرنے والا پہلا LFM وژن ماڈل بھی ہے۔
LFM3-Audio-2B 18 زبانوں میں تقریر کی شناخت، ترکیب، اور ترجمہ کو ہینڈل کرتا ہے، جو ایک نئے اندرون خانہ انکوڈر اور ایک ٹوکنائزر کے ذریعے تقویت یافتہ ہے جس کا نام LiquidCodec ہے جو کہ ایک ہی CPU تھریڈ پر تقریباً 87x حقیقی وقت میں تخلیق کردہ ٹوکنز کو تقریر میں تبدیل کرتا ہے۔ سٹریمنگ مائیکروفون ان پٹ کے ساتھ، پہلے ٹوکن کا وقت 50 ملی سیکنڈ تک کم ہو سکتا ہے۔
LFM3-Omni-2B، 2.2 بلین پیرامیٹرز پر، کمپنی کا پہلا اومنی ماڈل ہے، جس میں وژن، آڈیو اور زبان کا امتزاج ہے تاکہ صارفین تصاویر یا ویڈیوز کے بارے میں ہم وقت ساز آواز کے ساتھ بولے جانے والے سوالات پوچھ سکیں۔ فیصلہ کرنے کے دو ماڈل، d1-2B اور d1-Omni-2B، فیملی کو بند کر دیتے ہیں: فری فارم جوابات پیدا کرنے کے بجائے، وہ ایک ہی فارورڈ پاس میں بہت سے ٹائپ یا بولے گئے سوالات کا جواب دیتے ہیں، ہر ایک کیلیبریٹ شدہ امکان کے ساتھ، اور سٹرکچرڈ جواب کی قسموں کو سپورٹ کرتے ہیں جیسے پوائنٹ (ایک باؤنڈنگ باکس کھینچیں)، پڑھیں، تخمینہ لگائیں اور چنیں۔
خصوصی بننے کے لیے بنایا گیا ہے۔
Liquid AI خاندان کو عمومی مقصد کے فرنٹیئر ماڈل کے بجائے فائن ٹیوننگ کے لیے ایک نقطہ آغاز کے طور پر رکھتا ہے۔ ایک مظاہرے میں، کمپنی نے نقائص کی درجہ بندی کرنے کے لیے ونڈ ٹربائن بلیڈ کی تقریباً 3,000 عوامی تصاویر پر LFM3-VL-2B کو ٹھیک بنایا۔ باکس کے باہر، LFM3-VL-2B اور GPT-6 Luna دونوں نے 10 فیصد سے بھی کم ٹیسٹ امیجز میں خرابی کی اقسام کی درست نشاندہی کی۔ ایک A100 پر چند گھنٹوں کی تربیت کے بعد، GPT-6 Luna کے لیے 0.01 کے مقابلے میں، ٹھیک ٹیونڈ LFM3 درجہ بندی کی 67 فیصد درستگی اور بہتر پتہ لگانے والے F1 کو 0.003 سے 0.11 تک پہنچا۔ کمپنی نے روبوٹکس کے ابتدائی تجربات بھی شائع کیے جن میں ٹول آرکیسٹریشن، وژن لینگویج نیویگیشن، اور کم سطحی روبوٹ بازو ہیرا پھیری شامل تھی۔
ڈے-زیرو لانچ پارٹنرز میں Ambarella، AMD، Arm، Intel بذریعہ OpenVINO، NVIDIA، OpenRouter، Qualcomm بذریعہ AI Hub اور GenieX، اور Vercel، مرسڈیز بینز اور Shopify کے ساتھ پری ریلیز ٹیسٹنگ میں شامل ہیں۔ llama.cpp، MLX، LM Studio، Ollama، اور vLLM سمیت کمیونٹی رن ٹائمز لانچ کے وقت ماڈلز کی حمایت کرتے ہیں۔
ریلیز صنعت کی ایک وسیع تر تقسیم کی نشاندہی کرتی ہے: چونکہ فرنٹیئر لیبز ہمیشہ سے بڑے جنرلسٹ ماڈلز کا پیچھا کرتی ہیں، مائع AI شرط لگا رہا ہے کہ چھوٹے، تیز، خصوصی ماڈلز - ایک GPU پر ٹھیک ٹیون کرنے کے لیے کافی سستے اور مقامی طور پر چلانے کے لیے کافی چھوٹے - وہیں ہوں گے جہاں زیادہ تر عملی قدر زمین پر آئے گی۔
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
