Liquid AI bemutatta az LFM3 nyílt súlyú, multimodális modellcsaládot

2026. október 27.Forrás: Liquid AI

A Liquid AI bemutatta az LFM3 modellcsalád első tagjait, amelyek szöveg, kép, hang és multimodális feladatok kezelésére készültek. A mintegy 2 milliárd paraméteres, nyílt súlyú modellek helyi finomhangolásra és eszközön történő futtatásra is alkalmasak.

A lényeg röviden

A Liquid AI hat, körülbelül 2 milliárd paraméteres LFM3 modellt mutatott be.
A család szöveges, képi, audio-, omni- és döntési modelleket tartalmaz.
Az LFM3-1.7B-Base előtanítása 22 billió tokenen történt.
Az LFM3 modellek nyílt súlyokkal elérhetők a Hugging Face-en, a Playgroundon és az API-ban.
A modelleket helyi futtatásra és egyedi feladatokra való finomhangolásra szánják.

Közös alapra épülő, többféle modell

A Liquid AI 2026. október 27-én jelentette be az LFM3-at, a Liquid Foundation Models modellcsalád új generációját. A vállalat szerint a családot eleve multimodális működésre tervezték, és ugyanarra a közös alaparchitektúrára épít szöveges, képi, audio-, omni- és döntési modelleket.

Az első kiadás hat modellt tartalmaz, amelyek mind az LFM3-1.7B-Base alapból származnak, és körülbelül 2 milliárd paraméterrel rendelkeznek. Négy modell különböző bemeneti módokra készült, a szövegre, a látásra, a hangra és az omni feladatokra. A további kettő döntési modell, amelyeket a vision, illetve az omni modellekből specializáltak.

A base és a post-trained modellek nyílt súlyokkal érhetők el a Hugging Face-en, a Liquid AI Playground felületén és a Liquid AI API-ban. A vállalat dokumentációt is közzétett a helyi futtatásról és finomhangolásról.

Új hibrid architektúra és hosszú kontextus

Az LFM3-1.7B-Base előtanítása 22 billió tokenen történt. A tanítási adatok között a korábbi LFM2-höz képest több tudományos publikáció, repository-szintű kód, szélesebb tudásforrás-választék és lényegesen több matematikai tartalom szerepelt. Az utolsó 3,5 billió token egy válogatottabb, magasabb minőségű adatokkal végzett középső tanítási szakaszhoz tartozott, amelyben több ügynöki nyomkövetés és változatos eszközhasználat jelent meg. Ez a szakasz 256 ezer tokenre bővítette a kontextusablakot.

Az LFM3 háromféle réteget kombinál: kapuzott rövid konvolúciókat, csúszóablakos figyelmet és globális figyelmet. A 24 rétegből 13 konvolúciós, 5 csúszóablakos figyelmet használ 256 tokenes ablakkal, 6 pedig globális figyelmet. A konvolúciós rétegek kernelmérete 7, szemben az LFM2-ben használt 3-mal.

A Liquid AI szerint az LFM3-1.7B rövid promptoknál, paraméterenként, az LFM2-1.2B szintjét hozza az eszközökön, 8 ezer tokenes kontextusnál pedig körülbelül 25 százalékkal gyorsabb. Az architektúra keresését 14 eszköz- és háttérrendszer-kombináción végezték, köztük Samsung Galaxy S26 Ultra és OnePlus 15 telefonon, Raspberry Pi 5-ön, Apple M4 Max és AMD Ryzen AI laptopokon, felhős Arm- és x86-processzorokon, GPU-kon, valamint a Qualcomm Hexagon NPU-n.

Helyi ügynökökhöz és specializált feladatokra

Az LFM3-1.7B szöveges modell 256 ezer tokenes kontextusablakkal készült helyi ügynökökhöz és specializált alkalmazásokhoz. A Liquid AI szerint olyan ügynöki környezetekben is futtatható, mint a Hermes Agent, a Pi és az OpenClaw. A vállalat példái között szerepel a beérkező levelek rendszerezése, a naptár kezelése, webes kutatás, WhatsAppon küldött reggeli összefoglalók készítése és a megfelelő eszköz kiválasztása több ezer lehetőség közül.

A modell a cég állítása szerint egyetlen GPU-n végzett rövid finomhangolással igazítható különböző szakterületekhez, ügynöki keretrendszerekhez és eszközökhöz. Az LFM3-at a Liquid AI kifejezetten kis, gyors modellként pozicionálja, amely helyi futtatás mellett is elég kapacitást kínálhat specializált feladatokhoz.

A vállalat benchmarkjai szerint az LFM3-1.7B több ügynöki feladaton a nála jóval nagyobb modellekkel is versenyképes. A Liquid AI kiemeli az utasításkövetést, valamint a BFCL és ToolSandbox függvényhívási tesztjeit, továbbá azt, hogy a modell a WebArena-Verified és az AutomationBench feladatain felülmúlta a Qwen3.5-9B eredményét. A nagyobb modellek ugyanakkor az ügynöki kódolási és tudásfeladatokban továbbra is jobban teljesítettek.

A fejlesztők több célra választhatnak modellt

Az LFM3 felépítése lehetővé teszi, hogy a fejlesztők egyetlen nagy, általános modell helyett a feladathoz illő, specializált változatot válasszanak. A nyílt súlyok és a helyi finomhangolás elsősorban azoknak lehet fontos, akik saját alkalmazásukhoz, eszközeikhez vagy munkafolyamataikhoz igazítanák a modellt.

Az AMD szerint az LFM3 kompakt mérete és multimodális képességei alkalmassá tehetik helyi AI-élmények fejlesztésére Ryzen AI processzoros rendszereken. Az Ambarella arról számolt be, hogy megkezdte az LFM3 engedélyezését a Cooper Model Garden platformon, ahol a fejlesztők korábban már futtathatták a Liquid AI LFM2.5-VL modelljeit.