Liquid AI пусна LFM3 на 27 октомври 2026 г., семейство от шест модела с отворени тегла от клас 2 млрд. параметъра за текст, изображения, звук, комбиниран звук и образ („omni“), както и два модела за вземане на решения, обяви компанията. И шестте произлизат от обща основа, LFM3-1.7B-Base, и са достъпни в Hugging Face, Liquid AI Playground и Liquid AI API.
Текстовият модел LFM3-1.7B има контекстен прозорец от 256K токена и заема около 1 GB при 4-битова точност. Според Liquid AI той превъзхожда предишния LFM2.5-2.6B, като използва 35% по-малко параметри. В WebArena-Verified, бенчмарк с дълги задачи в уеб, постига 38,42 срещу 3,02 за LFM2.5-2.6B и 28,94 за Qwen3.5-9B. Компанията признава, че по-големите модели все още водят в агентното програмиране и знанията: в SWE-bench Verified резултатът е 43,40 срещу 51,20 за Qwen3.5-9B.
Архитектурата съчетава три вида слоеве. От 24 слоя 13 са къси конволюции с гейт, 5 използват внимание с плъзгащ се прозорец и 6 използват глобално внимание. Базовият модел е обучен предварително върху 22 трилиона токена. Liquid AI е настроила дизайна с тестове върху 14 комбинации от устройства и софтуерни среди, сред които два телефона, Raspberry Pi 5, лаптопи, облачни процесори, графични процесори и NPU на Qualcomm.
Всеки модел може да се дообучи на един графичен процесор. Примерът на компанията: няколко часа обучение на един A100 повишават точността на модела за изображения при класифициране на дефекти по лопатки на вятърни турбини до 67% от под 10% без дообучение. MacPaw, един от тестващите партньори, отчита, че LFM3-1.7B е надминал Qwen3.5-2B в 65 ежедневни агентни задачи в macOS с 64% успеваемост срещу 48% и 58% по-малко токени на задача.
Всички резултати от бенчмаркове са на Liquid AI или на нейните партньори. Поддръжката от първия ден включва llama.cpp, MLX и vLLM, а сред партньорите при пускането са AMD, Arm, NVIDIA и Qualcomm.
Защо това е важно
Способен агентен модел в около 1 GB променя къде може да работи AI: на телефон, на лаптоп или на сървър във вътрешната мрежа на компанията, без данните да напускат устройството. За регулираните екипи полезният тест не е класацията. Важно е дали малък модел, дообучен с техните данни, изпълнява една конкретна задача достатъчно надеждно, за да остане в собствената им инфраструктура.
Тази статия не е правен съвет.
