Liquid AI hat LFM3veröffentlicht, seine neue Generation von Liquid Foundation Models. Liquid AI LFM3 ist eine Familie von 6 offenen 2B-Klasse-Modellen, die auf einer gemeinsamen Backbone aufbauen. Die Familie deckt Text-, Vision-, Audio-, Omni- und Entscheidungsaufgaben ab. Jedes Modell kann auf einer einzelnen GPU feinabgestimmt werden. Entwickler können anschließend auf Smartphones, Laptops, privaten Servern oder in der Cloud deployen.
TL;DR
- Größe: LFM3-1.7B hat 1.73B Parameter und ein 256K-Kontextfenster. LFM3-VL-2B hat 1.92B und 128K. LFM3-Omni-2B hat 2.2B.
- Läuft auf: etwa 1 GB Speicher bei 4-bit, also Smartphones und Laptops. GGUF-, MLX-, ONNX-, FP8- und NVFP4-Checkpoints werden mitgeliefert.
- Leistung: LFM3-1.7B erreicht im Durchschnitt 49.37 über 29 Benchmarks, über Qwen3.5-9B mit 47.24 (Eigenevaluierung von Liquid).
- Beste Werte: IFEval 96.66 und AutomationBench 41.29 gegenüber 15.10 für Qwen3.5-9B.
- Schlechteste Werte: Humanity’s Last Exam (ohne Tools) 7.17 und RULER 128K 65.56 gegenüber 87.11 für Qwen3.5-9B.
Was ist Liquid AI LFM3?
LFM3 ist eine multimodale Modellfamilie von Liquid AI, die 6 Modelle aus 1 Basis ableitet. Alle beginnen mit LFM3-1.7B-Base.
Die Veröffentlichung umfasst:
- LFM3-1.7B: ein Textmodell für lokale Agenten, nachtrainiert für Harnesses wie Hermes Agent, Pi und OpenClaw.
- LFM3-VL-2B: das erste LFM-Vision-Modell mit Videoeingabe, abgetastet bei 2 fps.
- LFM3-Audio-2B: Sprachein- und -ausgabe in 18 Sprachen, mit Tool-Aufrufen.
- LFM3-Omni-2B: Vision, Audio und Sprache in einem Modell, Antworten in Text oder Sprache.
- d1-2B und d1-Omni-2B: Entscheidungsmodelle, die viele Fragen in 1 Forward-Pass beantworten.
Wie funktioniert die Tri-Hybrid-Architektur?
Der Backbone mischt 3 Operatoren über 24 Layer. Davon sind 13 gated short convolutions, 5 Sliding-Window-Attention-Layer und 6 globale Attention-Layer. Das SWA-Fenster beträgt 256 Tokens. Die Faltungskernel wuchsen von 3 auf 7.
Das Liquid-AI-Team fand diese Mischung mit seiner Hardware-in-the-Loop-Architektursuche. LFM2 wurde auf 1 Telefon und 1 Laptop abgestimmt. LFM3 wurde über 14 Geräte- und Backend-Kombinationen hinweg abgestimmt. Dazu gehören ein Raspberry Pi 5 und die Qualcomm Hexagon NPU.
Weitere Änderungen umfassen head-wise sigmoid gates bei der Attention, partielles RoPE auf globalen Layern und Sandwich-Norm. Das Basismodell sah 22T Tokens. Die letzten 3.5T Tokens waren agentenlastiges Mid-Training, das auch den Kontext auf 256K erweiterte.
Das Post-Training lief in 4 Stufen. Zuerst kam SFT auf 1.75T Tokens, dann gemischtes RL. Anschließend wurden 6 Spezialisten-Lehrer in 1 Modell destilliert, gefolgt von agentic RL.
Wie schneidet LFM3-1.7B bei Benchmarks ab?
Liquid AI berichtet, dass LFM3-1.7B LFM2.5-2.6B schlägt mit 35% weniger Parametern. Die größere Geschichte sind die Agenten-Ergebnisse. Auf WebArena-Verified erzielt es 38.42, gegenüber 28.94 für Qwen3.5-9B. Auf BFCL V4 erzielt es 71.39, gegenüber 62.83.
Bei Wissen und agentic coding gewinnt weiterhin die Größe. GPQA Diamond liegt bei 63.37, gegenüber 80.40 für Qwen3.5-9B. SWE-bench Verified liegt bei 43.40, gegenüber 51.20. Suche verkleinert die Lücke: Humanity’s Last Exam steigt von 7.17 auf 13.90 mit Tools.
Wie vergleichen sich LFM3-1.7B und seine Rivalen?
| Merkmal | LFM3-1.7B | MiniCPM5-2B | Qwen3.5-4B | Gemma 4 E4B |
|---|---|---|---|---|
| Parameter | 1,73 Mrd. | 2,52 Mrd. | 4B LM (5B auf dem Hub mit Vision) | 4,5B effektiv (8B mit Embeddings) |
| Architektur | Conv + SWA + globale Attention | Standard-Llama-Transformer | Gated DeltaNet + gated attention | Sliding Window + globale Attention |
| Kontext | 256K | 131,072 | 262,144 | 128K |
| Eingabemodalitäten | Text | Text | Text, Bild, Video | Text, Bild, Audio |
| Lizenz | LFM Open License v1.0 (Umsatzschwelle von $10 Mio.) | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| BFCL V4 (Liquid-Eval) | 71.39 | 62.65 | 55.12 | 48.25 |
| WebArena-Verified (Liquid-Eval) | 38.42 | 9.11 | 21.92 | 17.06 |
| SWE-bench Verified (Liquid-Eval) | 43.40 | 34.80 | 41.20 | 0.50 |
| GPQA Diamond (Liquid-Eval) | 63.37 | 65.15 | 75.76 | 57.88 |
| GPQA Diamond (vom Anbieter angegeben) | 63.37 | 70.2 | 76.2 | 58.6 |
| RULER 128K (Liquid-Eval) | 65.56 | 37.96 | 84.63 | 18.82 |
| Liquid-Durchschnitt über 29 Benchmarks | 49.37 | 39.19 | 39.27 | 31.74 |
Quellen: Liquid LFM3 Model Card, MiniCPM5-2B-Karte, Qwen3.5-4B-Karte, Gemma 4 E4B-Karte, LFM-Lizenz.
Was ist mit Vision-, Audio-, Omni- und Entscheidungsmodellen?
LFM3-VL-2B erreicht im Durchschnitt 71.4 über 62 Vision-Benchmarks hinweg. Gemma 4 12B erzielt 71.7 auf derselben Suite. Bei diesem Vergleich führt es bei visuellem Grounding (77.3) und GUI-Verständnis (83.1). Video (61.2) und agentische Aufgaben (42.5) bleiben weiterhin hinter größeren API-Modellen zurück.
LFM3-Audio-2B erreicht 6.2 englische WER und einen 3.8 UTMOSv2 TTS-Score. LFM3-Omni-2B erzielt 70.1 auf Daily-Omni, gegenüber 61.3 für Qwen2.5-Omni-7B.
d1-2B ersetzt d1-3B mit einem Drittel weniger Parametern. Es verbessert Decision Bench von 83.6 auf 85.2.
Wie können Entwickler LFM3 einsetzen?
Die Gewichte sind auf Hugging Face, dem Liquid AI Playground und der Liquid API verfügbar. Die Dokumentation listet GGUF, MLX und ONNX für die Text- und Vision-Modelle auf. Runtimes umfassen llama.cpp, MLX, vLLM, SGLang, Ollama und Transformers.
Auf dem Gerät maß Liquid AI llama.cpp mit Q4_0 und 32K Kontext. Ein voller 128K Kontext benötigt 1.6 GB KV-Cache. Qwen3.5-4B benötigt 4.3 GB. Auf 1 NVIDIA B300 mit SGLang erzeugt LFM3-1.7B 3.6B Token pro Tag bei 1,024 gleichzeitigen Anfragen.
Liquid AI zeigte auch Spezialisierung. Ein paar Stunden SFT und GRPO auf 1 A100 hoben die Klassifikation von Windturbinendefekten auf 67%.
Wichtigste Erkenntnisse
- 6 Open-Weight-Modelle der 2B-Klasse teilen sich 1 Tri-Hybrid-Backbone.
- LFM3-1.7B passt bei 4 Bit mit 256K Kontext in etwa 1 GB.
- Es schlägt Qwen3.5-9B bei BFCL V4, WebArena-Verified und AutomationBench.
- Wissen und agentisches Coding bleiben klare Schwachstellen.
- Die kostenlose kommerzielle Nutzung endet bei $10M Jahresumsatz.
Schauen Sie sich die technischen Details, die Modellgewichte und die Dokumentationan. Außerdem folgen Sie uns gerne auf Twitter und vergessen Sie nicht, unserem 150k+ML SubReddit beizutreten und unseren Newsletterzu abonnieren. Moment! Sind Sie auf Telegram? jetzt können Sie uns auch auf Telegram beitreten.
Müssen Sie mit uns zusammenarbeiten, um Ihr GitHub-Repo ODER Ihre Hugging Face-Seite ODER Ihr Produktrelease ODER ein Webinar usw. zu bewerben? Mit uns verbinden
Der Beitrag Liquid AI veröffentlicht LFM3: 6 offene multimodale Modelle der 2B-Klasse erschien zuerst auf MarkTechPost.