O que é LFM3?
O LFM3 é a terceira geração de modelos pequenos da Liquid AI, lançada em 27 de outubro de 2026. São seis modelos de cerca de 2 bilhões de parâmetros, todos derivados do mesmo checkpoint LFM3-1.7B-Base: LFM3-1.7B para texto, LFM3-VL-2B para imagens e vídeo, LFM3-Audio-2B para fala na entrada e na saída, LFM3-Omni-2B, que vê, ouve e fala em um único modelo, e dois modelos de decisão, d1-2B e d1-Omni-2B. A própria base também foi publicada. Todos os modelos usam o mesmo backbone de 24 camadas (13 convoluções curtas com gate, 5 camadas de atenção de janela deslizante e 6 camadas de atenção global) pré-treinado com 22 trilhões de tokens.
O modelo de texto tem 1,73 bilhão de parâmetros, contexto de 256K tokens e raciocínio ativado por padrão, e teve pós-treinamento dentro de harnesses de agentes como Hermes Agent, Pi e OpenClaw. O LFM3-VL-2B (1,92B) adiciona um novo codificador de visão, lê vídeo a 2 quadros por segundo e tem contexto de 128K. O LFM3-Audio-2B (2B) e o LFM3-Omni-2B (2,17B) respondem em texto, fala de 24 kHz ou ambos, com contexto de 32K; o Omni não raciocina.
Os dois modelos de decisão não escrevem texto. O d1-2B, construído sobre o LFM3-VL-2B, e o d1-Omni-2B, construído sobre o LFM3-Omni-2B e com áudio, retornam respostas tipadas com probabilidades em uma única passada para a frente, o tipo de modelo que este site classifica na categoria de decisão. Todos os pesos estão sob a LFM Open License v1.0, que proíbe o uso comercial por organizações com US$ 10 milhões ou mais de receita anual.
LFM3 vale a pena?
O LFM3 é a família de modelos pequenos mais completa que a Liquid já lançou, e nos próprios testes o modelo de texto rende bem acima de 2B. O card da Liquid dá ao LFM3-1.7B 45,60 no LiveClaw contra 35,77 do Qwen3.5-9B, 41,29 no AutomationBench contra 15,10 e 71,39 no BFCL V4 contra 62,83, com média simples de 49,37 em toda a tabela, contra 47,24 do Qwen3.5-9B e 39,19 do MiniCPM5-2B. A Liquid rodou todos os modelos ela mesma no vLLM, e a VentureBeat observa que os benchmarks são resultados informados pela Liquid, sem validação independente; a Artificial Analysis ainda não o tinha avaliado quando verificamos.
O teto fica onde o tamanho costuma pesar. O Qwen3.5-9B lidera o SWE-bench Verified por 51,20 a 43,40, o GPQA Diamond por 80,40 a 63,37 e o RULER com 128K tokens por 87,11 a 65,56, e o próprio card da Liquid desaconselha código agêntico e raciocínio complexo de várias etapas. Uma linha de conhecimento merece um olhar mais atento: no AA-Omniscience, o modelo acerta só 7,07% das vezes, mas evita alucinar 92,93% das vezes, contra 13,64% do Qwen3.5-4B. Ele mais recusa do que inventa, o que torna a recuperação quase obrigatória.
Os modelos de decisão são a metade menos óbvia do lançamento. O d1-2B aceita as mesmas perguntas de escolha, pontuação e sim/não que o Jev e acrescenta extração de texto, números e datas, caixas em volta de objetos e estimativas com intervalo. A Liquid informa 77,9 no JevBench v1.4.1 e 5,7 ms por decisão em uma H100, à frente do próprio d1-3B mais antigo, embora compare o d1-2B só com outros modelos d1. O modelo de decisão d1 hospedado custa US$ 0,02 por milhão de tokens de entrada, e a VentureBeat alerta que o nome hospedado pode não ser o mesmo modelo do download.
Os pesos são pequenos: o GGUF de texto em 4 bits tem 1,10 GB e o BF16, 3,47 GB, e a Liquid estima o KV cache de um contexto completo de 128K em 1,6 GB, contra 4,3 GB do Qwen3.5-4B. A licença é a mesma LFM Open License v1.0 do LFM2.5, com direitos comerciais só abaixo de US$ 10 milhões de receita anual, enquanto Gemma 4 e Ministral 3 saem sob Apache 2.0. A Liquid não publicou preços de API nas próprias páginas, então os US$ 0,08 e US$ 0,20 por milhão que a VentureBeat leu no console com login são os únicos números disponíveis.
Onde ele se destaca
Um desenvolvedor mobile em um estúdio de apps com 12 pessoas
Entregar um assistente de voz offline que ouve um pedido e responde em voz alta
O LFM3-Omni-2B recebe fala, imagens e vídeo e responde em texto ou em fala de 24 kHz, substituindo modelos separados de reconhecimento de fala, linguagem e síntese de voz. O GGUF de 4 bits tem 1,10 GB mais um projetor de visão e áudio Q8 de 0,54 GB; o contexto de 32K limita sessões longas, e o estúdio precisa de um acordo separado quando a receita chegar a US$ 10 milhões.
Um engenheiro de plataforma que encaminha tickets para uma empresa de software de suporte
Substituir uma chamada de classificação a um LLM por uma decisão local rápida
O d1-2B responde a várias perguntas nomeadas sobre um ticket em uma única passada e retorna uma probabilidade para cada opção, em 5,7 ms em uma H100 e 1.132 estados por segundo em lote, pelos números da Liquid. O modelo d1 hospedado custa US$ 0,02 por milhão de tokens de entrada, com saída grátis, então 1 bilhão de tokens de entrada por mês dá cerca de US$ 20; calibre os limiares nos seus próprios tickets, como a Liquid recomenda.
Um gerente de engenharia em um varejista com US$ 200 milhões de receita
Rodar um agente de navegador e ferramentas nos notebooks da equipe sem enviar dados para fora
O LFM3-1.7B foi treinado no Hermes Agent, Pi e OpenClaw e cabe em um notebook com cerca de 1 GB, mas acima de US$ 10 milhões de receita a licença aberta não cobre uso comercial. Reserve orçamento para a licença empresarial da Liquid, com preço por escala de implantação via vendas, ou use a API hospedada pelos US$ 0,08 de entrada e US$ 0,20 de saída por milhão de tokens informados.
Antes de decidir
- Configuração
- O modelo de texto roda no Transformers com trust_remote_code, vLLM, SGLang, Ollama, LM Studio, MLX e ONNX Runtime; o llama.cpp precisa de uma versão compatível com LFM3. Os modelos d1 precisam do Transformers 5.19 ou mais recente com código de modelo próprio, e o llama.cpp só suporta as perguntas de escolha, pontuação e sim/não deles.
- Integrações
- As chamadas de ferramenta saem em XML, e o chat template suporta carregamento adiado de ferramentas para harnesses com busca de ferramentas. A Liquid documenta configurações para Hermes Agent, OpenClaw e Pi; os modelos estão na API e no Playground da Liquid, e o LFM3 não estava no OpenRouter quando verificamos.
- Dados e privacidade
- Auto-hospedar mantém os dados locais. A LFM Open License v1.0 permite uso comercial só abaixo de US$ 10 milhões de receita anual, com uma exceção para pesquisa sem fins lucrativos; a promessa de não treinar na página de preços da Liquid vale para implantações personalizadas, e os termos de retenção da API não são publicados ali.
- Custo em escala
- Nas tarifas informadas pela VentureBeat, 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de US$ 100 no LFM3-1.7B e US$ 150 no LFM3-VL-2B, com tokens de áudio à parte, a US$ 2 de entrada e US$ 10 de saída por milhão no Audio e no Omni. Auto-hospedar exige de 1,05 a 1,10 GB em 4 bits, 1,85 GB em Q8_0 ou 3,47 GB em BF16; a Liquid informa 3,6 bilhões de tokens por dia em uma B300.
- Limites
- Os modelos LFM3 hospedados indicam contexto de 128.000 tokens, metade dos 256K do modelo de texto aberto, e os limites de uso são compartilhados entre as chaves de API de uma organização. Desligar o raciocínio não é confiável em tarefas difíceis, o Omni não raciocina e o d1-2B fica menos confiável além de cerca de 64K tokens de estado.
O que é bom
- 45,60 no LiveClaw contra 35,77 do Qwen3.5-9B (autodeclarado)
- 1,10 GB em Q4_K_M; 1,6 GB de KV cache em 128K (Liquid)
- Modelos de texto, visão, fala, omni e decisão sobre um único backbone
- O d1-2B retorna respostas tipadas em 5,7 ms em uma H100 (Liquid)
O que não é
- Sem licença comercial a partir de US$ 10M de receita anual
- Atrás do Qwen3.5-9B no SWE-bench Verified, no GPQA e em contexto longo
- Preços da API fora da página de preços da própria Liquid
- Ainda sem benchmark independente nem pontuação em leaderboard
Ideal para
Desenvolvedores e empresas com menos de US$ 10 milhões de receita que constroem agentes no dispositivo, recursos de voz ou classificadores rápidos que precisam rodar em um celular, um notebook ou uma GPU.
Alternativas ao LFM3
LFM3: perguntas frequentes
- LFM3 vale a pena?
- Seis modelos de 2B capazes que cabem em cerca de um gigabyte cada, de agentes a fala e decisões tipadas, sob uma licença que ainda para em US$ 10 milhões de receita. Damos nota 4.0 de 5.
- Quanto custa LFM3?
- Pesos gratuitos sob a LFM Open License (uso comercial só abaixo de US$ 10M de receita anual). API da Liquid, segundo a VentureBeat a partir do console com login: LFM3-1.7B US$ 0,08 entrada / US$ 0,20 saída por 1M de tokens; VL US$ 0,10 / US$ 0,50; Audio e Omni US$ 0,10 / US$ 1,00 mais tokens de áudio. Decisões d1 hospedadas a US$ 0,02 por 1M de entrada, saída grátis.
- Quais são as desvantagens de LFM3?
- Sem licença comercial a partir de US$ 10M de receita anual; atrás do Qwen3.5-9B no SWE-bench Verified, no GPQA e em contexto longo; preços da API fora da página de preços da própria Liquid; ainda sem benchmark independente nem pontuação em leaderboard.
- Para quem LFM3 é indicado?
- Desenvolvedores e empresas com menos de US$ 10 milhões de receita que constroem agentes no dispositivo, recursos de voz ou classificadores rápidos que precisam rodar em um celular, um notebook ou uma GPU.
- Quanto custa LFM3 para uma equipe ou em produção?
- Nas tarifas informadas pela VentureBeat, 1 bilhão de tokens de entrada e 100 milhões de saída por mês custam cerca de US$ 100 no LFM3-1.7B e US$ 150 no LFM3-VL-2B, com tokens de áudio à parte, a US$ 2 de entrada e US$ 10 de saída por milhão no Audio e no Omni. Auto-hospedar exige de 1,05 a 1,10 GB em 4 bits, 1,85 GB em Q8_0 ou 3,47 GB em BF16; a Liquid informa 3,6 bilhões de tokens por dia em uma B300.
- LFM3 é seguro para dados da empresa?
- Auto-hospedar mantém os dados locais. A LFM Open License v1.0 permite uso comercial só abaixo de US$ 10 milhões de receita anual, com uma exceção para pesquisa sem fins lucrativos; a promessa de não treinar na página de preços da Liquid vale para implantações personalizadas, e os termos de retenção da API não são publicados ali.
- Quais são as melhores alternativas ao LFM3?
- As alternativas mais próximas que analisamos são MiniCPM5-2B, Gemma 4, Ministral 3 (3B, 8B and 14B), LFM2.5-24B-A2B e Perplexity Decider (pplx-decider).
Respostas verificadas em 28 de out. de 2026.