Liquid AI hat LFM3 veröffentlicht, eine Familie aus sechs kleinen Modellen mit offenen Gewichten für Text, Bilder, Audio und strukturierte Entscheidungen. Die Modelle sind für das Fine-Tuning auf einer einzelnen GPU und den Einsatz auf Smartphones, Laptops, Edge-Systemen sowie in der Cloud ausgelegt.
Gemeinsame Basis und Textmodell für Agenten
Alle Varianten basieren auf LFM3-1.7B-Base und erhalten je nach Einsatzgebiet zusätzliche Komponenten und weiteres Training. Das Textmodell LFM3-1.7B unterstützt Tool-Aufrufe und Agenten-Workflows und verfügt über ein Kontextfenster von bis zu 256.000 Token. Laut Liquid AI übertrifft es das Vorgängermodell LFM2.5-2.6B, obwohl es 35 % weniger Parameter hat.
Die zugrunde liegende Architektur umfasst 24 Schichten. Dreizehn davon verwenden kurze Faltungen, fünf nutzen ein gleitendes Aufmerksamkeitsfenster für die letzten 256 Token und sechs nutzen globale Aufmerksamkeit über den gesamten verfügbaren Kontext.
In den Agententests von Liquid AI erreichte LFM3-1.7B 45,6 Punkte auf LiveClaw und 38,42 auf WebArena-Verified. Das Vergleichsmodell Qwen3.5-9B erzielte 35,77 beziehungsweise 28,94 Punkte. Im Test BFCL V4, der Funktionsaufrufe bewertet, maß das Unternehmen für das neue Modell 71,39 Punkte.
Speicher und Geschwindigkeit bei der Generierung
Bei langen Kontexten spielt auch der Speicherbedarf für den während der Generierung gespeicherten Aufmerksamkeitszustand eine Rolle. Bei einer Länge von 128.000 Token maß Liquid AI für diesen Cache bei LFM3-1.7B einen Bedarf von 1,6 GB. Im selben Vergleich benötigte Qwen3.5-4B 4,3 GB und MiniCPM5-2B 5,6 GB.
Mit llama.cpp und der Vier-Bit-Quantisierung Q4_0 generierte das Textmodell laut Unternehmen auf drei Zielgeräten 1,8- bis 2,8-mal schneller als das jeweils nächstschnellste getestete Modell.
Bildmodell verarbeitet auch Videos
LFM3-VL-2B verarbeitet Bilder und Videos. Sein neuer Bildencoder hat 164 Millionen Parameter und benötigt laut Liquid AI ungefähr ein Drittel der Rechenleistung des Encoders SigLIP2, den das Unternehmen in früheren Modellen verwendete. Bei Videos fasst das Modell jeweils zwei abgetastete Einzelbilder zu einem zeitlichen Abschnitt zusammen und halbiert damit die entstehende Token-Sequenz.
Im Gesamtvergleich von Liquid AI über 62 Bild-Benchmarks lag das neue Modell gleichauf mit Gemma 4 12B und übertraf Gemini 3.5 Flash Lite. Eine Schwäche blieb die visuelle Wahrnehmung für Agenten: Hier erreichte es einen Durchschnitt von 42,5 und lag deutlich hinter den fortschrittlichsten Systemen.
Das Unternehmen demonstrierte zudem die Spezialisierung des Modells auf die Inspektion von Windturbinen. Nach einigen Stunden Fine-Tuning auf einer Nvidia A100 mit rund 3.000 öffentlich verfügbaren Bildern stieg die Genauigkeit bei der Klassifizierung von Schäden in der Demonstration von unter 10 % auf 67 %.
Liquid AI testete das Modell auch bei der Generierung von Steuerungsaktionen für die Robotik. Für vier LIBERO-Testsuiten gab das Unternehmen eine durchschnittliche Erfolgsquote von 96,2 % an; bei Tischaufgaben von RoboCasa-GR1 erreichte es 45,7 %.
Sprache und multimodale Eingaben
LFM3-Audio-2B verarbeitet und erzeugt Sprache in 18 Sprachen und unterstützt Tool-Aufrufe. Eingehendes Audio kann es bereits während des Sprechens verarbeiten. Liquid AI maß eine Zeit bis zum ersten Token von nur 50 Millisekunden; die Gesamtlatenz einer Anwendung hängt aber auch von der Erkennung des Sprachendes, dem Netzwerk, der Ausführung von Tools und der Audiowiedergabe ab.
In einem internen Test von Liquid AI für Tool-Aufrufe erzielte das Audiomodell 58,5 Punkte gegenüber 44,3 für Qwen2.5-Omni-3B. Im Test MMAR für allgemeines Audioverständnis erreichte es laut den Ergebnissen des Unternehmens dagegen 50,6 Punkte, während MiMo-Audio-7B auf 62,3 kam. Eine weitere Variante, LFM3-Omni-2B, verbindet Bild, Audio und Sprache in einem Modell.
d1-Modelle liefern strukturierte Antworten
Die beiden Entscheidungsmodelle nehmen eine Eingabe und eine Liste von Fragen entgegen, die sie gemeinsam in einem Durchlauf beantworten. Die Ausgabe kann etwa Begrenzungsrahmen um Objekte, Ausschnitte aus dem Ausgangstext, Zahlenbereiche oder eine Auswahl von Optionen mit kalibrierten Wahrscheinlichkeiten enthalten. Die Variante d1-Omni-2B verarbeitet neben Text und Bildern auch Audio.
Laut Liquid AI hat d1-2B ein Drittel weniger Parameter als der Vorgänger d1-3B. Im unternehmenseigenen Gesamtindex aus 117 Benchmarks erreichte es 63,2 Punkte gegenüber 58,8 für die ältere Version.
Wo die Modelle verfügbar sind
Die Modellgewichte stehen auf Hugging Face zum Download bereit. Gehosteten Zugriff bieten die API und der Playground von Liquid AI sowie die Plattformen Qualcomm AI Hub und Vercel.
Zu den unterstützten Laufzeitwerkzeugen gehören llama.cpp, MLX, vLLM, Ollama, LM Studio, Unsloth und SGLang. Die gesamte Modellfamilie ist für das Fine-Tuning auf einer einzelnen GPU ausgelegt.
