Liquid AI ha lanzado LFM3, su nueva generación de Liquid Foundation Models. Liquid AI LFM3 es una familia de 6 modelos de clase 2B de peso abierto construidos sobre una misma columna vertebral compartida. La familia cubre tareas de texto, visión, audio, omni y decisión. Cada modelo puede ajustarse (fine-tuning) en una sola GPU. Los desarrolladores pueden luego desplegar en teléfonos, portátiles, servidores privados o la nube.
TL;DR
- Tamaño: LFM3-1.7B tiene 1.73B parámetros y una ventana de contexto de 256K. LFM3-VL-2B tiene 1.92B y 128K. LFM3-Omni-2B tiene 2.2B.
- Funciona con: aproximadamente 1 GB de memoria a 4-bit, así que en teléfonos y portátiles. Se distribuyen checkpoints GGUF, MLX, ONNX, FP8 y NVFP4.
- Rendimiento: LFM3-1.7B promedia 49.37 en 29 benchmarks, por encima de Qwen3.5-9B con 47.24 (evaluación propia de Liquid).
- Lo mejor: IFEval 96.66, y AutomationBench 41.29 frente a 15.10 para Qwen3.5-9B.
- Lo peor: Humanity’s Last Exam (sin herramientas) 7.17, y RULER 128K 65.56 frente a 87.11 para Qwen3.5-9B.
¿Qué es Liquid AI LFM3?
LFM3 es una familia de modelos multimodales de Liquid AI que ramifica 6 modelos a partir de 1 base. Todos parten de LFM3-1.7B-Base.
El lanzamiento incluye:
- LFM3-1.7B: un modelo de texto para agentes locales, post-entrenado para harnesses como Hermes Agent, Pi y OpenClaw.
- LFM3-VL-2B: el primer modelo de visión LFM con entrada de video, muestreado a 2 fps.
- LFM3-Audio-2B: entrada y salida de voz en 18 idiomas, con llamadas a herramientas.
- LFM3-Omni-2B: visión, audio y lenguaje en un solo modelo, respondiendo en texto o voz.
- d1-2B y d1-Omni-2B: modelos de decisión que responden muchas preguntas en 1 pase hacia adelante.
¿Cómo funciona la arquitectura trihíbrida?
El backbone mezcla 3 operadores a lo largo de 24 capas. Hay 13 convoluciones cortas con puertas, 5 capas de atención de ventana deslizante y 6 capas de atención global. La ventana SWA es de 256 tokens. Los kernels de convolución crecieron de 3 a 7.
El equipo de Liquid AI encontró esta mezcla con su búsqueda de arquitecturas hardware-in-the-loop. LFM2 se ajustó en 1 teléfono y 1 portátil. LFM3 se ajustó en 14 combinaciones de dispositivo y backend. Estas incluyen una Raspberry Pi 5 y el NPU Qualcomm Hexagon.
Otros cambios incluyen puertas sigmoideas por cabeza en la atención, RoPE parcial en las capas globales y norma sandwich. El modelo base vio 22T tokens. Los últimos 3.5T tokens fueron un mid-training centrado en agentes, que también extendió el contexto a 256K.
El post-training se ejecutó en 4 etapas. Primero SFT sobre 1.75T tokens, luego RL mixto. A continuación, 6 profesores especialistas se destilaron en 1 modelo, seguido de RL agéntico.
¿Cómo rinde LFM3-1.7B en los benchmarks?
Liquid AI informa que LFM3-1.7B supera a LFM2.5-2.6B con un 35% menos de parámetros. La historia más importante son los resultados agénticos. En WebArena-Verified obtiene 38.42, frente a 28.94 de Qwen3.5-9B. En BFCL V4 obtiene 71.39, frente a 62.83.
El tamaño sigue ganando en conocimiento y codificación agéntica. GPQA Diamond es 63.37, frente a 80.40 de Qwen3.5-9B. SWE-bench Verified es 43.40, frente a 51.20. La búsqueda reduce la brecha: Humanity’s Last Exam sube de 7.17 a 13.90 con herramientas.
¿Cómo se comparan LFM3-1.7B y sus rivales?
| Característica | LFM3-1.7B | MiniCPM5-2B | Qwen3.5-4B | Gemma 4 E4B |
|---|---|---|---|---|
| Parámetros | 1.73B | 2.52B | 4B LM (5B en el Hub con visión) | 4.5B efectivos (8B con embeddings) |
| Arquitectura | Conv + SWA + atención global | Transformer estándar de Llama | Gated DeltaNet + atención con puerta | Ventana deslizante + atención global |
| Contexto | 256K | 131,072 | 262,144 | 128K |
| Modalidades de entrada | Texto | Texto | Texto, imagen, video | Texto, imagen, audio |
| Licencia | LFM Open License v1.0 (umbral de ingresos de $10M) | Apache 2.0 | Apache 2.0 | Apache 2.0 |
| BFCL V4 (evaluación de Liquid) | 71.39 | 62.65 | 55.12 | 48.25 |
| WebArena-Verified (evaluación de Liquid) | 38.42 | 9.11 | 21.92 | 17.06 |
| SWE-bench Verified (evaluación de Liquid) | 43.40 | 34.80 | 41.20 | 0.50 |
| GPQA Diamond (evaluación de Liquid) | 63.37 | 65.15 | 75.76 | 57.88 |
| GPQA Diamond (informado por el proveedor) | 63.37 | 70.2 | 76.2 | 58.6 |
| RULER 128K (evaluación de Liquid) | 65.56 | 37.96 | 84.63 | 18.82 |
| Promedio de Liquid en 29 benchmarks | 49.37 | 39.19 | 39.27 | 31.74 |
Fuentes: Tarjeta del modelo Liquid LFM3, Ficha de MiniCPM5-2B, Ficha de Qwen3.5-4B, Ficha de Gemma 4 E4B, Licencia LFM.
¿Y los modelos de visión, audio, omni y toma de decisiones?
LFM3-VL-2B promedia 71.4 en 62 benchmarks de visión. Gemma 4 12B obtiene 71.7 en la misma batería. Lidera esa comparación en grounding visual (77.3) y comprensión de GUI (83.1). Video (61.2) y tareas agénticas (42.5) aún quedan por detrás de modelos API más grandes.
LFM3-Audio-2B alcanza un WER en inglés de 6.2 y una puntuación TTS de 3.8 en UTMOSv2. LFM3-Omni-2B obtiene 70.1 en Daily-Omni, frente a 61.3 de Qwen2.5-Omni-7B.
d1-2B reemplaza a d1-3B con un tercio menos de parámetros. Mejora Decision Bench de 83.6 a 85.2.
¿Cómo pueden los desarrolladores desplegar LFM3?
Los pesos están en Hugging Face, el Liquid AI Playground y la Liquid API. La docs lista GGUF, MLX y ONNX para los modelos de texto y visión. Los runtimes incluyen llama.cpp, MLX, vLLM, SGLang, Ollama y Transformers.
En el dispositivo, Liquid AI midió llama.cpp en Q4_0 con contexto de 32K. Un contexto completo de 128K necesita 1.6 GB de caché KV. Qwen3.5-4B necesita 4.3 GB. En 1 NVIDIA B300 con SGLang, LFM3-1.7B produce 3.6B tokens por día con 1,024 solicitudes concurrentes.
Liquid AI también mostró especialización. Unas horas de SFT y GRPO en 1 A100 elevaron la clasificación de defectos de aerogeneradores al 67%.
Conclusiones clave
- 6 modelos abiertos de clase 2B comparten 1 backbone tri-híbrido.
- LFM3-1.7B cabe en aproximadamente 1 GB a 4 bits con contexto de 256K.
- Supera a Qwen3.5-9B en BFCL V4, WebArena-Verified y AutomationBench.
- El conocimiento y la codificación agéntica siguen siendo puntos débiles claros.
- El uso comercial gratuito se detiene en $10M de ingresos anuales.
Echa un vistazo a los technical details, model weights y docs. Además, no dudes en seguirnos en Twitter y no olvides unirte a nuestro 150k+ML SubReddit y suscribirte a our Newsletter. ¡Espera! ¿estás en telegram? ahora también puedes unirte a nosotros en telegram.
¿Necesitas asociarte con nosotros para promocionar tu GitHub Repo O Página de Hugging Face O Lanzamiento de Producto O Webinar, etc.? Conéctate con nosotros
La entrada Liquid AI lanza LFM3: 6 modelos multimodales abiertos de clase 2B apareció primero en MarkTechPost.