Was ist LFM3?
LFM3 ist Liquid AIs dritte Generation kleiner Modelle, veröffentlicht am 27. Oktober 2026. Sie umfasst sechs Modelle mit etwa 2 Milliarden Parametern, alle abgezweigt vom selben Checkpoint LFM3-1.7B-Base: LFM3-1.7B für Text, LFM3-VL-2B für Bilder und Video, LFM3-Audio-2B für Sprachein- und -ausgabe, LFM3-Omni-2B, das in einem Modell sieht, hört und spricht, sowie zwei Entscheidungsmodelle, d1-2B und d1-Omni-2B. Auch die Basis selbst ist veröffentlicht. Alle Modelle nutzen dasselbe Backbone mit 24 Schichten (13 gated short convolutions, 5 Sliding-Window-Attention-Schichten und 6 globale Attention-Schichten), vortrainiert auf 22 Billionen Tokens.
Das Textmodell hat 1,73 Milliarden Parameter, einen Kontext von 256K Tokens und standardmäßig eingeschaltetes Reasoning und wurde in Agenten-Umgebungen wie Hermes Agent, Pi und OpenClaw nachtrainiert. LFM3-VL-2B (1,92B) ergänzt einen neuen Vision-Encoder, liest Video mit 2 Bildern pro Sekunde und hat einen Kontext von 128K. LFM3-Audio-2B (2B) und LFM3-Omni-2B (2,17B) antworten in Text, Sprache mit 24 kHz oder beidem, mit einem Kontext von 32K; Omni denkt nicht nach.
Die beiden Entscheidungsmodelle schreiben überhaupt keinen Text. d1-2B, gebaut auf LFM3-VL-2B, und d1-Omni-2B, gebaut auf LFM3-Omni-2B und um Audio ergänzt, liefern in einem Forward Pass typisierte Antworten mit Wahrscheinlichkeiten, die Art Modell, die diese Seite unter ihrer Kategorie für Entscheidungsmodelle führt. Alle Gewichte stehen unter der LFM Open License v1.0, die kommerzielle Nutzung durch Organisationen mit 10 Millionen $ Jahresumsatz oder mehr verbietet.
Lohnt sich LFM3?
LFM3 ist die vollständigste Familie kleiner Modelle, die Liquid bisher ausgeliefert hat, und in den eigenen Tests schlägt das Textmodell weit über seiner Größenklasse von 2B. Liquids Card sieht LFM3-1.7B bei 45,60 bei LiveClaw gegenüber 35,77 für Qwen3.5-9B, bei 41,29 bei AutomationBench gegenüber 15,10 und bei 71,39 bei BFCL V4 gegenüber 62,83, für einen ungewichteten Durchschnitt von 49,37 über die ganze Tabelle gegenüber 47,24 für Qwen3.5-9B und 39,19 für MiniCPM5-2B. Liquid hat jedes Modell selbst in vLLM ausgeführt, und VentureBeat merkt an, dass die Benchmarks von Liquid gemeldete Ergebnisse ohne unabhängige Validierung sind; Artificial Analysis hatte es bei unserer Prüfung nicht bewertet.
Die Grenze liegt dort, wo Größe gewöhnlich zählt. Qwen3.5-9B führt bei SWE-bench Verified mit 51,20 zu 43,40, bei GPQA Diamond mit 80,40 zu 63,37 und bei RULER mit 128K Tokens mit 87,11 zu 65,56, und Liquids eigene Card rät von agentischem Programmieren und komplexem mehrstufigem Reasoning ab. Eine Wissenszeile lohnt einen genaueren Blick: Bei AA-Omniscience liegt das Modell nur in 7,07 % der Fälle richtig, vermeidet aber in 92,93 % der Fälle Halluzinationen, gegenüber 13,64 % für Qwen3.5-4B. Es lehnt meist ab, statt zu erfinden, was Retrieval nahezu zur Pflicht macht.
Die Entscheidungsmodelle sind die weniger offensichtliche Hälfte des Starts. d1-2B nimmt dieselben choice-, score- und Ja/Nein-Fragen wie Jev an und ergänzt die Extraktion von Text, Zahlen und Daten, Rahmen um Objekte und Schätzungen mit Intervall. Liquid meldet 77,9 bei JevBench v1.4.1 und 5,7 ms pro Entscheidung auf einer H100, vor seinem eigenen älteren d1-3B, vergleicht d1-2B aber nur mit anderen d1-Modellen. Das gehostete d1-Entscheidungsmodell kostet 0,02 $ pro Million Input-Tokens, und VentureBeat warnt, dass das Modell hinter dem gehosteten Namen nicht dasselbe sein muss wie der Download.
Die Gewichte sind klein: Das Text-GGUF in 4 Bit ist 1,10 GB groß und BF16 3,47 GB, und Liquid beziffert den KV-Cache für einen vollen Kontext von 128K auf 1,6 GB gegenüber 4,3 GB für Qwen3.5-4B. Die Lizenz ist dieselbe LFM Open License v1.0 wie bei LFM2.5, mit kommerziellen Rechten nur unter 10 Millionen $ Jahresumsatz, während Gemma 4 und Ministral 3 unter Apache 2.0 erscheinen. Liquid hat auf den eigenen Seiten keine API-Preise veröffentlicht, die 0,08 $ und 0,20 $ pro Million, die VentureBeat in der angemeldeten Konsole abgelesen hat, sind also die einzigen verfügbaren Zahlen.
Wo es sich lohnt
Ein Mobile-Entwickler in einem App-Studio mit 12 Leuten
Einen Offline-Sprachassistenten ausliefern, der eine Bitte hört und laut antwortet
LFM3-Omni-2B nimmt Sprache, Bilder und Video an und antwortet in Text oder Sprache mit 24 kHz, als Ersatz für getrennte Modelle für Spracherkennung, Sprache und Sprachsynthese. Das GGUF in 4 Bit ist 1,10 GB groß, dazu kommt ein Q8-Projektor für Bild und Audio mit 0,54 GB; der Kontext von 32K begrenzt lange Sitzungen, und das Studio braucht eine gesonderte Vereinbarung, sobald der Umsatz 10 Millionen $ erreicht.
Eine Plattformingenieurin, die Tickets für einen Anbieter von Support-Software routet
Einen LLM-Klassifizierungsaufruf durch eine schnelle lokale Entscheidung ersetzen
d1-2B beantwortet mehrere benannte Fragen zu einem Ticket in einem Durchgang und liefert für jede Option eine Wahrscheinlichkeit, nach Liquids Zahlen in 5,7 ms auf einer H100 und mit 1.132 states pro Sekunde im Batch. Das gehostete d1-Modell kostet 0,02 $ pro Million Input-Tokens bei kostenlosem Output, 1 Milliarde Input-Tokens im Monat kosten also etwa 20 $; kalibriere Schwellenwerte auf deinen eigenen Tickets, wie Liquid empfiehlt.
Ein Engineering-Manager bei einem Händler mit 200 Millionen $ Umsatz
Einen Browser- und Tool-Agenten auf Laptops der Belegschaft betreiben, ohne Daten nach außen zu schicken
LFM3-1.7B wurde in Hermes Agent, Pi und OpenClaw trainiert und passt mit etwa 1 GB auf einen Laptop, doch über 10 Millionen $ Umsatz deckt die offene Lizenz keine kommerzielle Nutzung ab. Plane Budget für Liquids Enterprise-Lizenz ein, die über den Vertrieb nach Einsatzgröße bepreist wird, oder nutze die gehostete API zu den gemeldeten 0,08 $ Input und 0,20 $ Output pro Million Tokens.
Bevor du dich festlegst
- Einrichtung
- Das Textmodell läuft in Transformers mit trust_remote_code, vLLM, SGLang, Ollama, LM Studio, MLX und ONNX Runtime; llama.cpp braucht einen LFM3-kompatiblen Build. Die d1-Modelle brauchen Transformers 5.19 oder neuer mit eigenem Modellcode, und llama.cpp unterstützt nur ihre choice-, score- und Ja/Nein-Fragen.
- Integrationen
- Tool-Aufrufe kommen als XML, und das Chat-Template unterstützt verzögertes Laden von Tools für Umgebungen mit Tool-Suche. Liquid dokumentiert Setups für Hermes Agent, OpenClaw und Pi; die Modelle sind auf der Liquid API und im Playground, und LFM3 war bei unserer Prüfung nicht auf OpenRouter.
- Daten und Datenschutz
- Self-Hosting hält die Daten lokal. Die LFM Open License v1.0 erlaubt kommerzielle Nutzung nur unter 10 Millionen $ Jahresumsatz, mit einer Ausnahme für gemeinnützige Forschung; Liquids Zusage auf der Preisseite, nicht mit Daten zu trainieren, gilt für Custom Deployments, und Aufbewahrungsbedingungen für die API sind dort nicht veröffentlicht.
- Kosten im großen Maßstab
- Zu den von VentureBeat gemeldeten Preisen kosten 1 Milliarde Input- und 100 Millionen Output-Tokens im Monat etwa 100 $ mit LFM3-1.7B und 150 $ mit LFM3-VL-2B, Audio-Tokens kommen bei Audio und Omni mit 2 $ Input und 10 $ Output pro Million hinzu. Self-Hosting braucht 1,05 bis 1,10 GB in 4 Bit, 1,85 GB in Q8_0 oder 3,47 GB in BF16; Liquid meldet 3,6 Milliarden Tokens pro Tag auf einer B300.
- Grenzen
- Gehostete LFM3-Modelle nennen einen Kontext von 128.000 Tokens, halb so viel wie die 256K des offenen Textmodells, und Nutzungslimits gelten gemeinsam für alle API-Schlüssel einer Organisation. Das Abschalten des Reasoning ist bei schwierigen Aufgaben unzuverlässig, Omni kann nicht nachdenken, und d1-2B wird jenseits von etwa 64K Tokens state weniger zuverlässig.
Was gut ist
- 45,60 bei LiveClaw gegenüber 35,77 für Qwen3.5-9B (selbst gemeldet)
- 1,10 GB in Q4_K_M; 1,6 GB KV-Cache bei 128K (Liquid)
- Modelle für Text, Bild, Sprache, Omni und Entscheidungen auf einem Backbone
- d1-2B liefert typisierte Antworten in 5,7 ms auf einer H100 (Liquid)
Was nicht
- Keine kommerzielle Lizenz ab 10 Mio. $ Jahresumsatz
- Hinter Qwen3.5-9B bei SWE-bench Verified, GPQA und langem Kontext
- API-Preise nicht auf Liquids eigener Preisseite
- Noch kein unabhängiger Benchmark- oder Ranglistenwert
Am besten für
Entwickler und Unternehmen unter 10 Millionen $ Umsatz, die Agenten auf dem Gerät, Sprachfunktionen oder schnelle Klassifikatoren bauen, die auf einem Smartphone, einem Laptop oder einer einzelnen GPU laufen müssen.
Alternativen zu LFM3
LFM3: häufige Fragen
- Lohnt sich LFM3?
- Sechs fähige Modelle mit 2B Parametern, jedes etwa ein Gigabyte groß, von Agenten über Sprache bis zu typisierten Entscheidungen, unter einer Lizenz, die weiterhin bei 10 Millionen $ Umsatz endet. Wir bewerten es mit 4.0 von 5.
- Was kostet LFM3?
- Kostenlose Gewichte unter der LFM Open License (kommerzielle Nutzung nur unter 10 Mio. $ Jahresumsatz). Liquid API, laut VentureBeat aus der angemeldeten Konsole: LFM3-1.7B 0,08 $ Input / 0,20 $ Output pro 1 Mio. Tokens; VL 0,10 $ / 0,50 $; Audio und Omni 0,10 $ / 1,00 $ plus Audio-Tokens. Gehostete d1-Entscheidungen 0,02 $ pro 1 Mio. Input-Tokens, Output kostenlos.
- Welche Nachteile hat LFM3?
- Keine kommerzielle Lizenz ab 10 Mio. $ Jahresumsatz; Hinter Qwen3.5-9B bei SWE-bench Verified, GPQA und langem Kontext; API-Preise nicht auf Liquids eigener Preisseite; Noch kein unabhängiger Benchmark- oder Ranglistenwert.
- Für wen eignet sich LFM3?
- Entwickler und Unternehmen unter 10 Millionen $ Umsatz, die Agenten auf dem Gerät, Sprachfunktionen oder schnelle Klassifikatoren bauen, die auf einem Smartphone, einem Laptop oder einer einzelnen GPU laufen müssen.
- Was kostet LFM3 für ein Team oder im Produktivbetrieb?
- Zu den von VentureBeat gemeldeten Preisen kosten 1 Milliarde Input- und 100 Millionen Output-Tokens im Monat etwa 100 $ mit LFM3-1.7B und 150 $ mit LFM3-VL-2B, Audio-Tokens kommen bei Audio und Omni mit 2 $ Input und 10 $ Output pro Million hinzu. Self-Hosting braucht 1,05 bis 1,10 GB in 4 Bit, 1,85 GB in Q8_0 oder 3,47 GB in BF16; Liquid meldet 3,6 Milliarden Tokens pro Tag auf einer B300.
- Ist LFM3 sicher für Firmendaten?
- Self-Hosting hält die Daten lokal. Die LFM Open License v1.0 erlaubt kommerzielle Nutzung nur unter 10 Millionen $ Jahresumsatz, mit einer Ausnahme für gemeinnützige Forschung; Liquids Zusage auf der Preisseite, nicht mit Daten zu trainieren, gilt für Custom Deployments, und Aufbewahrungsbedingungen für die API sind dort nicht veröffentlicht.
- Was sind die besten Alternativen zu LFM3?
- Die nächsten Alternativen, die wir getestet haben, sind MiniCPM5-2B, Gemma 4, Ministral 3 (3B, 8B and 14B), LFM2.5-24B-A2B und Perplexity Decider (pplx-decider).
Antworten geprüft am 28. Okt. 2026.