A Liquid AI lançou o LFM3, uma família de modelos pequenos de pesos abertos feitos para serem ajustados para uma tarefa e rodarem no próprio dispositivo onde essa tarefa acontece. Todos derivam de uma única base de 1.7B, então uma equipe pode escolher texto, visão, áudio, um modelo omni que faz os três ou um modelo de decisão, contando com o mesmo comportamento de fundo. Para apps de celular, equipamentos de fábrica e robôs que não podem depender da nuvem, essa é a parte útil.
A base foi pré-treinada com 22T tokens, e os últimos 3.5T deram mais peso a rastros de agentes e chamadas de ferramentas, o que também ampliou a janela de contexto para 256K tokens. Suas 24 camadas misturam convoluções curtas com portas e atenção de janela deslizante e global, escolhidas por uma busca de arquitetura com o hardware no ciclo em 14 combinações de dispositivo e backend, do Raspberry Pi 5 à NPU Hexagon da Qualcomm. Segundo a Liquid AI, o modelo de texto de 1.7B supera o próprio LFM2.5-2.6B com 35% menos parâmetros e roda cerca de 25% mais rápido com 8K tokens de contexto. O ganho mais claro está em tarefas de agentes: 38.42 no WebArena-Verified, contra 3.02 do modelo anterior.
Os outros modelos se apoiam nessa base. O LFM3-VL-2B, primeiro modelo de visão da Liquid a aceitar vídeo, eleva sua média em 62 testes de visão de 57.6 para 71.4 com 1.9B parâmetros, o que a Liquid AI coloca no nível do Gemma 4 12B. O LFM3-Audio-2B lida com fala em 18 idiomas, e seu codec transforma tokens em voz cerca de 87 vezes mais rápido que o tempo real em uma única thread de CPU de um Apple M4 Max. O modelo de decisão d1-2B devolve probabilidades calibradas em uma única passada e substitui o d1-3B. Notebooks de ajuste fino cobrem tarefas como transformar recibos em JSON ou mapear comandos de voz de casa inteligente para chamadas de função.
É a continuação da linha que analisamos no LFM2.5-24B-A2B e no minúsculo d1-omni-600m: modelos pequenos que trocam amplitude por velocidade em hardware barato. A proposta não é igualar os modelos de fronteira, e sim ser baratos o bastante para especializar, já que todos cabem em uma única GPU para treinar.
Vale ter cautela. Todos os números de desempenho vêm da Liquid AI, e algumas comparações são com modelos antigos da própria empresa. O anúncio não informa licença, e modelos anteriores da Liquid saíram com termos que limitam o uso comercial acima de um teto de receita, então confira o cartão de cada modelo antes de colocar em produção. Os resultados de robótica, incluindo 96.2% de sucesso médio no LIBERO, vêm de uma adaptação interna separada, não dos modelos publicados.