Liquid AI가 소형 오픈 웨이트 모델 제품군인 LFM3를 공개했습니다. 한 가지 작업에 맞게 미세 조정해 그 작 업이 일어나는 기기에서 바로 돌리도록 만든 모델입니다. 모든 모델이 하나의 1.7B 기반 모델에서 갈라져 나왔기 때문에, 팀은 텍스트, 비전, 오디오, 세 가지를 모두 다루는 옴니 모델, 판단 모델 가운데 무엇을 고르든 같은 바탕 동작을 기대할 수 있습니다. 클라우드 연결에 기댈 수 없는 휴대폰 앱, 공장 설비, 로봇에는 이 점이 쓸모 있습니다.
기반 모델은 22T 토큰으로 사전 학습했고, 마지막 3.5T에서는 에이전트 실행 기록과 도구 호출의 비중을 높이면서 컨텍스트 창을 256K 토큰으로 늘렸습니다. 24개 층은 게이트가 있는 짧은 합성곱과 슬라이딩 윈도 어텐션, 전역 어텐션을 섞은 구조로, Raspberry Pi 5부터 Qualcomm의 Hexagon NPU까지 14가지 기기와 백엔드 조합에서 하드웨어를 포함한 탐색으로 골랐습니다. Liquid AI에 따르면 1.7B 텍스트 모델은 매개변수가 35% 적은데도 자사 LFM2.5-2.6B를 앞서고, 8K 토큰 컨텍스트에서 약 25% 빠릅니다. 가장 뚜렷한 향상은 에이전트 과제로, WebArena-Verified에서 이전 모델의 3.02에 비해 38.42를 기록했습니다.
나머지 모델은 이 기반 위에 만들어졌습니다. 동영상 입력을 받는 첫 Liquid 비전 모델인 LFM3-VL-2B는 1.9B 매개변수로 62개 비전 벤치마크 평균을 57.6에서 71.4로 끌어올렸고, Liquid AI는 이를 Gemma 4 12B와 같은 수준으로 봅니다. LFM3-Audio-2B는 18개 언어의 음성을 다루며, 코덱은 Apple M4 Max의 CPU 스레드 하나에서 토큰을 실시간보다 약 87배 빠르게 음성으로 바꿉니다. 판단 모델 d1-2B는 한 번의 순전파로 보정된 확률을 돌려주며 d1-3B를 대체합니다. 미세 조정 노트북은 영수증을 JSON으로 읽어 들이거나 말로 한 스마트홈 명령을 함수 호출로 바꾸는 과제를 다룹니다.
이는 저희가 LFM2.5-24B-A2B와 아주 작은 d1-omni-600m에서 리뷰한 흐름의 연장입니다. 폭넓음 대신 저렴한 하드웨어에서의 속도를 택한 소형 모델입니다. 목표는 최전선 모델을 따라잡는 것보다 특화할 만큼 저렴해지는 데 있으며, 모든 모델을 GPU 한 장으로 학습할 수 있습니다.
조심할 점도 있습니다. 벤치마크 수치는 모두 Liquid AI가 낸 것이고, 일부 비교 대상은 자사의 이전 모델입니다. 발표문에는 라이선스가 없고, 이전 Liquid 모델은 일정 매출을 넘는 상업적 사용을 제한하는 조건으로 나왔으므로, 제품에 넣기 전에 모델 카드를 하나하나 확인하십시오. LIBERO 평균 성공률 96.2%를 포함한 로봇 결과는 공개된 체크포인트가 아니라 별도의 내부 조정 모델에서 나왔습니다.