AI News
Alle Meldungen
Berichtet

Liquid AI veröffentlicht LFM3: sechs Open-Weight-Modelle auf einem Backbone

Mit LFM3 stellt Liquid AI sechs Open-Weight-Modelle für Text, Bild, Audio und Entscheidungen auf ein gemeinsames Backbone. Das Textmodell mit 1,7B Parametern braucht bei 4-Bit-Präzision rund 1 GB.

Modelle · · Aktualisiert · 2 Min. Lesezeit

Liquid AI hat LFM3 veröffentlicht, eine Familie aus sechs Open-Weight-Modellen für Text, Vision, Audio, Omni und Entscheidungsaufgaben. Laut einem Blogbeitrag des Unternehmens vom 27. Oktober 2026 gehen alle sechs aus einem einzigen Basismodell hervor, LFM3-1.7B-Base. Vier Modelle decken Eingabetypen ab: Text, Vision, Audio und Omni. Die beiden Entscheidungsmodelle sind Spezialisierungen des Vision- und des Omni-Modells. Alle bewegen sich im Bereich von rund 2B Parametern. Die Basis- und die nachtrainierten Gewichte sind auf Hugging Face, in Liquids Playground und über die API verfügbar. Laut Liquid lässt sich jedes Modell auf einer einzigen GPU feinabstimmen.

Die Architektur kombiniert drei Operatortypen. Von den 24 Layern in LFM3-1.7B sind 13 Gated Short Convolutions, 5 Sliding-Window-Attention mit einem Fenster von 256 Token und 6 globale Attention. Die Sliding-Window-Layer blicken nur 256 Token zurück. Eine neue Tri-Hybrid-Architektur und ein neues Trainingsrezept sollen es dem 1.7B-Modell laut Unternehmen ermöglichen, den Vorgänger LFM2.5-2.6B mit 35 % weniger Parametern zu übertreffen. Das Pretraining umfasste 22T Token. Die letzten 3,5T davon bildeten eine Mid-Training-Phase, in der auch das Kontextfenster auf 256K erweitert wurde.

Das Textmodell braucht bei 4-Bit-Präzision rund 1 GB. Die On-Device-Werte wurden mit llama.cpp bei Q4_0 und einem Kontext von 32K Token gemessen. Laut dem Beitrag dekodiert LFM3-1.7B auf drei Geräten 1,8- bis 2,8-mal schneller als das nächstschnellere Modell. Bei vollem 128K-Kontext benötigt sein KV-Cache 1,6 GB, gegenüber 4,3 GB bei Qwen3.5-4B und 5,6 GB bei MiniCPM5-2B.

Die Benchmark-Tabellen stammen von Liquid selbst. Bei agentischen Aufgaben erreicht LFM3-1.7B auf WebArena-Verified 38,42 Punkte gegenüber 28,94 für Qwen3.5-9B und auf BFCL V4 71,39 gegenüber 62,83. Hinter demselben Qwen-Modell liegt es bei GPQA Diamond (63,37 gegenüber 80,40) und bei SWE-bench Verified (43,40 gegenüber 51,20). Der Beitrag räumt ein, dass größere Modelle beim agentischen Coding und beim Wissen weiterhin vorne liegen.

Das Vision-Modell LFM3-VL-2B wird als erstes LFM-Vision-Modell beschrieben, das Video als Eingabe akzeptiert, und verfügt über einen Denkmodus, der Schritt für Schritt vorgeht. Über 62 Vision-Benchmarks kommt es im Schnitt auf 71,4, gegenüber 71,7 für Gemma 4 12B und 73,4 für GPT-5.6 Luna. Mit diesen Durchschnittswerten untermauert der Beitrag die Aussage, das Modell sei Gemma 4 12B ebenbürtig und liege weniger als 2 Punkte hinter GPT-5.6 Luna. Der neue, selbst entwickelte Vision-Encoder hat 164M Parameter und benötigt laut Liquid nur ein Drittel der Rechenleistung des SigLIP2-Encoders früherer LFM-Vision-Modelle.

Das Audiomodell LFM3-Audio-2B unterstützt 18 Sprachen und nutzt einen vollständig kausalen Encoder. Dadurch kann es Live-Eingaben vom Mikrofon verarbeiten, und die Wartezeit, nachdem der Sprecher aufgehört hat, verkürzt sich: Die Time to First Token kann auf bis zu 50 ms sinken. Die Wortfehlerrate bei der englischen Spracherkennung liegt bei 6,2 und damit etwas schlechter als die 6,1 von LFM2.5-Audio-1.5B in derselben Tabelle. Der Beitrag geht auf diesen Unterschied nicht ein. Das Omni-Modell LFM3-Omni-2B ist das erste Modell des Unternehmens, das Vision, Audio und Sprache vereint. Der geprüfte Auszug des Beitrags nennt keine Benchmark-Werte für die beiden Entscheidungsmodelle.

Ein externes Ergebnis kommt von MacPaw: Staff AI Engineer Ivan Petrukha berichtet, LFM3-1.7B habe Qwen3.5-2B bei 65 alltäglichen Agenten-Aufgaben in echten macOS-Umgebungen geschlagen. Genannt werden 64 % erfolgreich gelöste Aufgaben gegenüber 48 % sowie 58 % weniger Token pro Aufgabe. Der Beitrag nennt nicht, wie die Aufgaben ausgewählt wurden oder wie viele Durchläufe es gab. Es handelt sich um einen einzelnen Test, der nur über ein Zitat wiedergegeben wird, und zwar zu Liquids eigenem Modell.

Was sich ändert

Art: Neue Funktion · Betrifft: LFM3-1.7B-Base, LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B

Warum es wichtig ist

Kleine, feinabstimmbare Modelle, die auf einer einzigen GPU oder mit wenig Speicher laufen, senken die Kosten, spezialisierte KI auf Edge-Hardware einzusetzen.

Was Sie tun können

Teams mit Edge- oder On-Device-Anwendungen könnten das 1.7B-Textmodell anhand ihrer Vorgaben für Latenz und Speicher testen.

Wie sich die Meldung entwickelt hat

  1. Der Vortragende sagt, das 1.7B-Textmodell übertreffe das 2,6B-Parameter-Modell der Vorgängergeneration, und weist darauf hin, dass es auf Smartphones Platz findet.

Originalquelle

Wo wir es gesehen haben

2 Quellen

Forward Future (Matthew Berman), Turing Post

Liquid AI

KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es