Liquid AI lanserer LFM3: seks åpne 2B-modeller fra én delt basemodell
Liquid AI slapp 27. oktober 2026 en ny generasjon Liquid Foundation Models: seks åpne 2B-klassemodeller for tekst, visjon, lyd, omni og beslutninger, alle forgrenet fra én delt basemodell. Tekstmodellen skal ved 4-bit komprimering kreve rundt 1 GB minne med 256 000 tokens kontekst — nok til å kjøre på en telefon eller bærbar uten dedikert GPU. Men alle benchmark-tall er selskapets egne, og lisensen har en inntektsgrense på 10 millioner dollar.
Nyheten: seks modeller, én base
LFM3 er en familie på seks modeller med åpne vekter, alle i 2B-klassen og alle bygget på samme delte rygg, ifølge MarkTechPost. Familien dekker tekst, visjon, lyd, omni og beslutningsoppgaver, og hver modell skal kunne finjusteres på én enkelt GPU (MarkTechPost).
Alle seks modellene forgrener seg fra én og samme forhåndstrente rygg, LFM3-1.7B-Base, som Liquid også har utgitt (Orca Router). Det er selve poenget med opplegget: i stedet for å trene hver modalitet fra bunnen av, deler tekst-, visjons-, lyd-, omni- og beslutningsmodellene samme fundament.
Modellene spenner fra tekstmodellen LFM3-1.7B med 1,73 milliarder parametre og 256K kontekst, via LFM3-VL-2B med 128K kontekst, til LFM3-Omni-2B med 2,2 milliarder parametre (MarkTechPost). Omni-modellen godtar tekst, bilde, video og lyd som inndata, og svarer med tekst eller tale (Orca Router).
Tri-hybrid-arkitekturen, forklart
Ryggen blander tre operatører over 24 lag: 13 gatede kortkonvolusjoner, fem sliding-window-attention-lag med et 256-tokens-vindu, og seks lag med full global attention (MarkTechPost). Konvolusjonskjernene er vokst fra 3 til 7 (MarkTechPost). Oppsettet erstatter LFM2-generasjonens toveis blanding med tre lagtyper (Orca Router).
Valget av arkitektur var ifølge selskapet ikke rent manuelt, men resultatet av et «hardware-in-the-loop»-søk over 14 kombinasjoner av enheter og backends, blant dem en Raspberry Pi 5 og en Qualcomm Hexagon NPU (Startup Fortune). Selskapets poeng med metoden er at modellkandidater evalueres på reell maskinvare under søket, slik at arkitekturen velges etter hvor effektiv den faktisk er på enheter uten GPU — ikke bare etter benchmark-resultater.
En vanlig mislesning: 256 tokens er ikke konteksten
Arkitekturtabellen har skapt forvirring. LFM3s sliding-window-attention-lag opererer med et 256-tokens-vindu — men det er attention-geometrien per lag, ikke modellens kontekstlengde. Tekstmodellen tar 256 000 tokens kontekst (Orca Router). Lesere som tolket lagtabellen som et 256-tokens-minne, har altså mislest modellen: vinduet styrer hvor langt hvert enkelt attention-lag «ser» lokalt, mens de globale lagene og treningen gjør at hele 256K-konteksten er tilgjengelig.
Nettopp kombinasjonen av lite vindu og lang kontekst er også det som gjør modellen minnevennlig. Liquid rapporterer at en full KV-cache ved 128K tokens tar 1,6 GB, mot 4,3 GB for Qwen3.5-4B og 5,6 GB for MiniCPM5-2B på samme måling (Orca Router, med henvisning til Liquids egne tall).
Tallene — alle fra Liquid AI selv
Tekstmodellen skal ifølge Liquids egen evaluering skåre i snitt 49,37 over 29 benchmarks, mot 47,24 for Qwen3.5-9B — altså en modell på omtrent en femtedel av størrelsen (MarkTechPost, som eksplisitt merker sammenligningen som Liquids egen eval).
Visjonsmodellen LFM3-VL-2B skal skåre 71,4 i gjennomsnitt over 62 benchmarks, opp fra 57,6 for forgjengeren LFM2.5-VL-3B — til tross for færre parametre. Den er ifølge oppslaget Liquids første modell som godtar videoinndata (Startup Fortune, med selskapets egne tall).
Lydmodellen LFM3-Audio-2B støtter 18 språk og skårer 3,83 på talekvalitetsmålingen UTMOSv2, mot 3,22 for LFM2.5-Audio-1.5B. Dens kausale encoder skal senke tiden til første token ned til så lavt som 50 millisekunder (Startup Fortune, igjen Liquids egne rapporterte tall).
Viktig forbehold: ingen av disse sammenligningene er uavhengig verifisert. Ingen uavhengig evaluering av LFM3 foreligger i kildematerialet, og de oppslagsverkene som har dekket lanseringen, bygger trolig på samme selskapskunngjøring og tekniske dokumentasjon.
Treningen: 22T tokens og en agenttung sluttspurt
Basemodellen er trent på 22 billioner tokens. De siste 3,5 billionene var en agenttung midt-treningsfase som også utvidet konteksten til 256K (MarkTechPost). Post-trainingen løp over fire stadier: først SFT på 1,75T tokens, deretter blandinget RL, deretter destillering av seks spesialistlærermodeller inn i én modell, og til slutt agentic RL (MarkTechPost).
Denne treningssprofilen forklarer delvis hvorfor modellene er rettet mot agentoppgaver: betydelige ressurser i slutten av treningen er brukt på å gjøre dem brukbare som verktøy som kaller funksjoner og utfører flertrinnsoppgaver, ikke bare som chatboter.
Lisensen: ikke Apache 2.0
LFM3 utgis under LFM Open License v1.0, som har en inntektsgrense på 10 millioner dollar (MarkTechPost). Det skiller familien fra konkurrentene i samme klasse — MiniCPM5-2B og Qwen3.5-4B utgis begge under Apache 2.0, som har ingen slike grenser (MarkTechPost). For forskere og mindre selskaper betyr dette i praksis liten forskjell, men kommersielle aktører som passerer grensen må verifisere vilkårene mot lisensens fulle tekst før de bygger produksjonssystemer på modellen.
Åpne spørsmål
Flere ting forblir uavklart:
- Ingen primærkilde i det offentlige materialet. Liquids egen kunngjøring, teknisk rapport og modellkort er ikke tilgjengelige i kildene AIMag har hatt tilgang til; alle spesifikasjoner og tall er videreformidlet gjennom sekundære oppslag som sannsynligvis bygger på samme selskapsmateriale. Benchmark-anspråkene bør derfor leses som selskapspåstander frem til uavhengig evaluering foreligger.
- Et uløst avvik rundt taleutgang. En ufusjonert SGLang-pull request på GitHub, åpnet 27. oktober 2026 og skrevet av tugot17 (Piotr Mazurek), listet fire da uannonserte checkpoints — LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B og LFM3-Omni-2B — og ble lest som om lyd- og omni-modellene kun produserte tekst (Orca Router). Det strider mot den utgitte dokumentasjonen, der LFM3-Audio-2B skal produsere tale og LFM3-Omni-2B skal svare i tekst eller tale. PR-en beskrev utviklings-checkpoints av uannonserte modeller, så avviket er ikke nødvendigvis en motsigelse — men det er ikke forklart i lanseringsdekningen.
- Parameterantallet for visjonsmodellen varierer mellom kildene (1,92 milliarder hos MarkTechPost, 1,9 milliarder hos Orca Router). Den eksakte verdien bør bekreftes mot modellkortet.
Hvorfor det er viktig
Hvis tallene holder, flytter LFM3 grensen for hva som kan kjøre lokalt på forbrukermaskinvare: en tekstmodell med 256K kontekst på rundt én gigabyte minne ved 4-bit, med uavhengig uverifiserte påstander om å slå en 9-milliardersmodell på tekstbenchmarks. For utviklere av mobil- og edge-applikasjoner — assistenter som leser dokumenter, lytter og svarer direkte på enheten — er det kombinasjonen av liten minneprofil, lang kontekst og rask første-token-respons som er den egentlige nyheten. Men lisensgrensen på 10 millioner dollar og fraværet av uavhengige benchmarks betyr at de som vurderer modellen for produksjon, bør gjøre egen evaluering før de satser på den.