Liquid AI stellt LFM3 vor: multimodale Modellfamilie der 2B-Klasse mit offenen Gewichten

27. Oktober 2026Quelle: Liquid AI

Liquid AI hat LFM3 veröffentlicht, eine neue Generation seiner Liquid Foundation Models, die Text-, Vision-, Audio-, Omni- und Entscheidungsmodelle auf einem gemeinsamen Backbone vereint. Die erste Veröffentlichung umfasst sechs Modelle mit rund 2B Parametern. Die Gewichte der Basis- und der nachtrainierten Modelle sind offen und ab sofort verfügbar.

Das Wichtigste in Kürze

Liquid AI hat LFM3 veröffentlicht, eine Familie aus sechs Modellen mit rund 2B Parametern auf dem gemeinsamen LFM3-1.7B-Base-Backbone.
Die Familie umfasst Text-, Vision-, Audio- und Omni-Modelle sowie zwei Entscheidungsmodelle; die Gewichte der Basis- und der nachtrainierten Modelle sind offen.
Die Architektur nutzt 13 Convolution-, 5 Sliding-Window-Attention- und 6 globale Attention-Schichten bei einem Kontextfenster von 256K Token.
Laut Liquid AI erreicht LFM3-1.7B im eigenen Benchmark-Set im Schnitt 49,37 Punkte, vor Qwen3.5 4B und nahe an Qwen3.5 9B.
Bei agentischem Coding und Wissensaufgaben liegen größere Modelle nach Angaben des Unternehmens weiterhin vorn.

Sechs Modelle auf einem Backbone

Laut Liquid AI ist die LFM3-Familie von Grund auf multimodal. Alle sechs Modelle der ersten Veröffentlichung gehen vom selben LFM3-1.7B-Base-Backbone aus und liegen bei etwa 2B Parametern. Vier decken Eingabemodalitäten ab: Text, Vision, Audio und Omni. Die übrigen zwei sind Entscheidungsmodelle, die aus den Vision- und Omni-Modellen spezialisiert wurden.

Das Versprechen des Unternehmens: Nutzer müssen nicht mehr ein großes Allzweckmodell betreiben. Stattdessen wählen sie das Modell, das zu ihrem Anwendungsfall passt, passen es an und führen es direkt auf dem Gerät aus. Liquid AI zufolge lassen sich die Modelle lokal feinabstimmen, laufen auf beliebigen Geräten und sind leistungsfähig genug, um zu verlässlichen Experten für eine spezialisierte Aufgabe zu werden.

Die Basismodelle und die nachtrainierten Modelle sind Open-Weight und auf Hugging Face, in Liquid AIs Playground sowie über die Liquid AI API verfügbar.

Neu gestaltete Hybridarchitektur

LFM3 baut auf dem Hybriddesign von LFM2 auf, das kurze Faltungen (Convolutions) mit Attention kombinierte. Liquid AI nutzte erneut seine automatisierte Architektursuche mit Hardware in der Schleife, diesmal ausgerichtet auf agentische Anwendungsfälle, die mehr Leistung pro Parameter und schnelle Inferenz bei langen Kontexten erfordern. Die Hardware in der Schleife wuchs von CPUs in einem Smartphone und einem Laptop bei LFM2 auf 14 Kombinationen aus Gerät und Backend. Dazu zählen das Samsung Galaxy S26 Ultra, das OnePlus 15, ein Raspberry Pi 5, ein Apple M4 Max, AMD Ryzen AI, Arm- und x86-Cloud-CPUs, GPUs sowie die Qualcomm Hexagon NPU.

Das Modell hat 24 Schichten: 13 gated Short Convolutions, 5 Sliding-Window-Attention-Schichten mit einem Fenster von 256 Token und 6 globale Attention-Schichten. Die Kernelgröße der Convolution steigt gegenüber LFM2 von 3 auf 7. Weitere Änderungen sind kopfweise gated Attention, partielles RoPE in den globalen Attention-Schichten und eine Sandwich-Norm. Das Vokabular entspricht mit 128K dem von LFM2.5-8B-A1B.

Liquid AI gibt an, dass LFM3-1.7B pro Parameter auf Edge-Geräten bei kurzen Prompts mit LFM2-1.2B gleichzieht und bei 8K Token Kontext etwa 25 % schneller ist.

Training und das Textmodell

LFM3-1.7B-Base wurde mit 22T Token vortrainiert. Im Vergleich zu LFM2 enthält die Datenmischung mehr wissenschaftliche Fachartikel, Code auf Repository-Ebene, eine breitere Palette an Wissensquellen und deutlich mehr Mathematik. Die letzten 3,5T Token bilden eine Mid-Training-Phase mit kuratierten Daten, die mehr agentische Spuren und Tool-Aufrufe enthalten; in dieser Phase wird das Kontextfenster auf 256K Token erweitert.

Das Textmodell LFM3-1.7B ist für den Einsatz in agentischen Umgebungen wie Hermes Agent, Pi und OpenClaw nachtrainiert. Liquid AI zufolge kann es einen Posteingang sortieren, einen Kalender verwalten, Themen im Web recherchieren und eine Tool-Suche über Tausende von Optionen nutzen. Mit einem kurzen Feintuning auf einer einzelnen GPU lässt es sich anpassen. Das Post-Training umfasste überwachtes Feintuning auf 1,75T Token, gemischtes Reinforcement Learning, domänenübergreifende On-Policy-Distillation von sechs spezialisierten Lehrermodellen sowie agentisches Reinforcement Learning.

Benchmark-Angaben

In Liquid AIs eigenem Vergleich erreicht LFM3-1.7B im Schnitt 49,37 Punkte, gegenüber 31,55 für LFM2.5-2.6B, 39,19 für MiniCPM5 2B, 31,74 für Gemma 4 E4B, 39,27 für Qwen3.5 4B und 47,24 für Qwen3.5 9B. Das Unternehmen erklärt, das Modell führe beim Befolgen von Anweisungen sowie beim Function Calling in BFCL und ToolSandbox und schlage Qwen3.5-9B bei langen Browser- und Business-App-Aufgaben wie WebArena-Verified und AutomationBench.

Liquid AI räumt Grenzen ein: Bei agentischem Coding und Wissen liegen größere Modelle weiterhin vorn. Auf SWE-bench Verified (OpenCode) kommt LFM3-1.7B etwa auf 43,40 Punkte, Qwen3.5 9B auf 51,20. Die Zahlen stammen vom Unternehmen selbst und wurden nicht unabhängig überprüft.

Was das für Entwickler bedeutet

AMD und Ambarella äußerten sich beide unterstützend. Malhar Palkar von Ambarella sagte, das Unternehmen habe begonnen, LFM3 auf der Plattform zu ermöglichen, auf der Entwickler bereits LFM2.5-VL-Modelle betreiben. Für Entwickler machen die offenen Gewichte, das lokale Feintuning und die breite Gerätabdeckung LFM3 zu einem möglichen Ausgangspunkt für kleine, spezialisierte Modelle auf dem Gerät, sofern sich Liquid AIs Benchmarks in der Praxis bestätigen.