Liquid AI hat am 27. Oktober 2026 LFM3 veröffentlicht, eine Familie von sechs Modellen mit offenen Gewichten der 2-Milliarden-Parameter-Klasse für Text, Bild, Audio, kombiniertes Audio und Bild („Omni“) sowie zwei Entscheidungsmodelle, teilte das Unternehmen mit. Alle sechs bauen auf einer gemeinsamen Basis auf, LFM3-1.7B-Base, und sind über Hugging Face, den Liquid AI Playground und die Liquid AI API verfügbar.
Das Textmodell LFM3-1.7B hat ein Kontextfenster von 256K Tokens und braucht bei 4-Bit-Genauigkeit rund 1 GB. Laut Liquid AI übertrifft es das frühere LFM2.5-2.6B mit 35% weniger Parametern. In WebArena-Verified, einem Benchmark mit langen Webaufgaben, erreicht es 38,42 gegenüber 3,02 für LFM2.5-2.6B und 28,94 für Qwen3.5-9B. Das Unternehmen räumt ein, dass größere Modelle beim agentischen Programmieren und beim Wissen weiter vorn liegen: In SWE-bench Verified erzielt es 43,40 gegenüber 51,20 für Qwen3.5-9B.
Die Architektur kombiniert drei Operatoren. Von 24 Schichten sind 13 gegatete kurze Faltungen, 5 nutzen Sliding-Window-Attention und 6 globale Attention. Das Basismodell wurde mit 22 Billionen Tokens vortrainiert. Liquid AI hat das Design mit Hardware im Testkreislauf auf 14 Kombinationen aus Geräten und Laufzeitumgebungen abgestimmt, darunter zwei Smartphones, ein Raspberry Pi 5, Laptops, Cloud-CPUs, GPUs und eine NPU von Qualcomm.
Jedes Modell lässt sich auf einer einzelnen GPU feinabstimmen. Das Beispiel des Unternehmens: Wenige Stunden Training auf einer A100 hoben die Genauigkeit des Bildmodells bei der Klassifizierung von Schäden an Rotorblättern von Windkraftanlagen auf 67%, nach unter 10% ohne Anpassung. MacPaw, ein Testpartner, berichtet, dass LFM3-1.7B in 65 alltäglichen Agentenaufgaben unter macOS Qwen3.5-2B schlug, mit 64% Erfolgsquote gegenüber 48% und 58% weniger Tokens pro Aufgabe.
Alle Benchmarkwerte stammen von Liquid AI oder seinen Partnern. Ab dem ersten Tag werden llama.cpp, MLX und vLLM unterstützt, zu den Startpartnern gehören AMD, Arm, NVIDIA und Qualcomm.
Warum das wichtig ist
Ein leistungsfähiges Agentenmodell mit rund 1 GB verändert, wo KI laufen kann: auf einem Smartphone, einem Laptop oder einem Server im eigenen Firmennetz, ohne dass Daten das Gerät verlassen. Für regulierte Teams zählt nicht die Rangliste. Entscheidend ist, ob ein kleines, mit eigenen Daten angepasstes Modell eine eng umrissene Aufgabe zuverlässig genug erledigt, um im eigenen Haus zu bleiben.
Dieser Artikel ist keine Rechtsberatung.
