Liquid AI hat LFM3 veröffentlicht, eine Familie kleiner Open-Weight-Modelle, die für eine Aufgabe feinabgestimmt und direkt auf dem Gerät laufen sollen, auf dem diese Aufgabe anfällt. Alle Modelle stammen von einer einzigen 1.7B-Basis ab. Ein Team kann also Text, Bild, Audio, ein Omni-Modell für alles zusammen oder ein Entscheidungsmodell wählen und darunter dasselbe Grundverhalten erwarten. Für Handy-Apps, Fabrikanlagen und Roboter ohne verlässliche Cloud-Verbindung ist das der nützliche Teil.
Die Basis wurde mit 22T Token vortrainiert, die letzten 3.5T mit mehr Agenten-Traces und Tool-Aufrufen, was auch das Kontextfenster auf 256K Token erweiterte. Ihre 24 Schichten mischen gegatete kurze Faltungen mit Sliding-Window- und globaler Attention, ausgewählt durch eine Architektursuche mit Hardware in der Schleife über 14 Kombinationen aus Gerät und Backend, vom Raspberry Pi 5 bis zur Hexagon-NPU von Qualcomm. Laut Liquid AI schlägt das 1.7B-Textmodell das eigene LFM2.5-2.6B mit 35% weniger Parametern und ist bei 8K Token Kontext etwa 25% schneller. Am deutlichsten ist der Zuwachs bei Agentenaufgaben: 38.42 auf WebArena-Verified gegenüber 3.02 beim älteren Modell.
Die übrigen Modelle bauen auf dieser Basis auf. LFM3-VL-2B, das erste Bildmodell von Liquid mit Videoeingabe, hebt seinen Durchschnitt über 62 Bild-Benchmarks von 57.6 auf 71.4, mit 1.9B Parametern, was Liquid AI auf das Niveau von Gemma 4 12B stellt. LFM3-Audio-2B verarbeitet Sprache in 18 Sprachen, und sein Codec wandelt Token etwa 87-mal schneller als Echtzeit in Sprache um, auf einem einzigen CPU-Thread eines Apple M4 Max. Das Entscheidungsmodell d1-2B liefert kalibrierte Wahrscheinlichkeiten in einem einzigen Durchlauf und ersetzt d1-3B. Notebooks zum Fine-Tuning decken Aufgaben ab wie Kassenbons in JSON zu übertragen oder gesprochene Smart-Home-Befehle auf Funktionsaufrufe abzubilden.
Damit setzt sich die Linie fort, die wir mit LFM2.5-24B-A2B und dem winzigen d1-omni-600m besprochen haben: kleine Modelle, die Breite gegen Tempo auf günstiger Hardware tauschen. Es geht weniger darum, mit Frontier-Modellen gleichzuziehen, als darum, billig genug für die Spezialisierung zu sein, denn jedes Modell lässt sich auf einer einzigen GPU trainieren.
Vorsicht ist angebracht. Alle Benchmark-Werte stammen von Liquid AI, und manche Vergleiche beziehen sich auf eigene ältere Modelle. Der Beitrag nennt keine Lizenz, und frühere Liquid-Modelle erschienen mit Bedingungen, die die kommerzielle Nutzung ab einer Umsatzschwelle einschränken; prüfe also jede Modellkarte vor dem Einsatz. Die Robotik-Ergebnisse, darunter 96.2% durchschnittlicher Erfolg auf LIBERO, stammen aus einer eigenen internen Anpassung, nicht aus den veröffentlichten Checkpoints.