Liquid AI heeft LFM3 uitgebracht, de nieuwe generatie van zijn Liquid Foundation Models. Het gaat om een familie van zes open weight modellen van klasse 2B, dus in de orde van twee miljard parameters (de interne instellingen die het gedrag van een model bepalen), gebouwd op een gemeenschappelijke basis. Ze dekken tekst, visie, audio, ‘omni’ (die meerdere modaliteiten combineert) en besluitvormingstaken.
Een familie van zes modellen
De zes modellen vertrekken allemaal vanuit LFM3-1.7B-Base. Het model LFM3-1.7B, met 1,73 miljard parameters en een contextvenster van 256K tokens (de hoeveelheid tekst die een model in één keer kan verwerken, uitgedrukt in woordstukken), is bedoeld voor lokale agents en is post-getraind voor omgevingen zoals Hermes Agent, Pi en OpenClaw. LFM3-VL-2B wordt gepresenteerd als het eerste vision-model van de LFM-familie dat video accepteert, bemonsterd op 2 beelden per seconde. LFM3-Audio-2B verwerkt spraak als invoer en uitvoer in 18 talen, met tool-calling. LFM3-Omni-2B combineert visie, audio en taal, en antwoordt in tekst of spraak.
Ten slotte zijn d1-2B en d1-Omni-2B besluitvormingsmodellen die in één forward pass antwoorden op meerdere vragen, de rekenstap die een antwoord produceert.
Een hybride architectuur
De basis combineert drie soorten operatoren over 24 lagen: 13 short-gated convolutions, 5 sliding window attention-lagen en 6 global attention-lagen. Volgens Liquid AI is deze combinatie gevonden dankzij een ‘hardware-in-the-loop’ architectuurzoektocht, die rekening houdt met de werkelijke hardware. LFM2 was afgestemd op een telefoon en laptop, terwijl LFM3 is afgestemd op 14 combinaties van apparaten en backends, waaronder een Raspberry Pi 5 en de NPU Qualcomm Hexagon.
Het basismodel is getraind op 22T tokens, waarvan de laatste 3,5T, gericht op agents, ook de context naar 256K hebben gebracht. De post-training verliep in vier stappen: een supervised fine-tuning (SFT) op 1,75T tokens, mixed reinforcement learning, distillatie van zes ‘specialist’-modellen naar één, en vervolgens agentic reinforcement learning.
Resultaten aangekondigd door de uitgever
Volgens evaluaties van Liquid AI behaalt LFM3-1.7B een gemiddelde van 49,37 op 29 benchmarks, tegen 47,24 voor Qwen3.5-9B. Op WebArena-Verified haalt het 38,42 tegen 28,94 voor Qwen3.5-9B, en op BFCL V4 71,39 tegen 62,83. Daarentegen blijft het model achter op kennis en agentic code: GPQA Diamond scoort 63,37 tegen 80,40 voor Qwen3.5-9B, en SWE-bench Verified 43,40 tegen 51,20. Op Humanity’s Last Exam stijgt de score van 7,17 naar 13,90 met tools.
Voor vision behaalt LFM3-VL-2B een gemiddelde van 71,4 op 62 benchmarks, tegen 71,7 voor Gemma 4 12B op dezelfde suite. LFM3-Audio-2B bereikt een woordfoutpercentage (WER) van 6,2 in het Engels en een score van 3,8 in UTMOSv2 voor spraaksynthese. LFM3-Omni-2B scoort 70,1 op Daily-Omni, tegen 61,3 voor Qwen2.5-Omni-7B.
De licentie LFM Open License v1.0 staat gratis commercieel gebruik toe tot 10 miljoen dollar jaarlijkse omzet.
Deployement
De weights zijn beschikbaar op Hugging Face, op de Liquid AI Playground en via de Liquid API, met GGUF-, MLX- en ONNX-formaten voor de tekst- en vision-modellen. De genoemde runtime-omgevingen zijn onder meer llama.cpp, MLX, vLLM, SGLang, Ollama en Transformers. Liquid AI geeft aan dat LFM3-1.7B in 4 bits ongeveer 1 GB geheugen nodig heeft, wat het geschikt maakt voor telefoons en laptops.
Op een NVIDIA B300 met SGLang produceert het model 3,6B tokens per dag voor 1024 gelijktijdige requests. Liquid AI toont ook aan dat specialisatie mogelijk is: enkele uren supervised fine-tuning en GRPO-training op een enkele A100 brachten de classificatie van defecten op windturbines op 67%.
