Liquid AI выпустила LFM3: шесть открытых 2B-моделей на одном бэкбоне — от текста до решений

Liquid AI анонсировала третье поколение своих фундаментальных моделей — LFM3. В семейство входят шесть открытых моделей с весами на единой базовой архитектуре: текстовая LFM3-1.7B (1.73 млрд параметров, контекст 256K), LFM3-VL-2B (1.92B, 128K) с поддержкой видео, LFM3-Audio-2B (речь на 18 языках и вызов инструментов), LFM3-Omni-2B (2.2B), а также две модели для принятия решений d1-2B и d1-Omni-2B. В 4-битном квантовании модели занимают около 1 ГБ памяти, поэтому запускать их можно на телефонах, ноутбуках, частных серверах и даже Raspberry Pi 5.

Архитектура LFM3 — гибридная: 24 слоя со свёртками, скользящим окном внимания и глобальным вниманием. Базовую модель обучали на 22 трлн токенов, последние 3.5 трлн из которых были «агентными». Пост-обучение прошло в четыре этапа: SFT на 1.75 трлн токенов, смешанное RL, дистилляция от шести учителей и агентное RL. Для разработчиков доступны чекпоинты GGUF, MLX, ONNX, FP8 и NVFP4.

По замерам Liquid AI, LFM3-1.7B набирает в среднем 49.37 на 29 бенчмарках, обходя Qwen3.5-9B (47.24). Модель особенно сильна в агентских сценариях: WebArena-Verified — 38.42 против 28.94, BFCL V4 — 71.39 против 62.83, AutomationBench — 41.29 против 15.10. В знаниях она уступает более крупной Qwen (GPQA Diamond 63.37 против 80.40, SWE-bench Verified 43.40 против 51.20), но с инструментами результат на Humanity's Last Exam подскакивает с 7.17 до 13.90.