LFM3 di Liquid AI: sei modelli aperti da 2B per testo, visione e audio
Fare domande su una lezione registrata, su un percorso filmato col telefono o su un clip di una telecamera: è ciò che LFM3-VL-2B, per la prima volta in un modello visione di Liquid AI, può fare accettando il video in ingresso. Liquid AI ha presentato LFM3, la nuova generazione dei suoi Liquid Foundation Models. Secondo l’annuncio ufficiale di Liquid AI, la prima uscita conta sei modelli da circa 2 miliardi di parametri, tutti derivati dallo stesso LFM3-1.7B-Base. I pesi sono aperti e scaricabili subito.
Secondo Liquid AI, i modelli girano su telefoni, Raspberry Pi 5 e laptop. Tutti i numeri che seguono sono dichiarati dall’azienda e non verificati da terzi.
Cosa sanno fare i sei modelli
Quattro modelli si distinguono per il tipo di ingresso: testo, visione, audio e omni (cioè tutte le modalità insieme). Gli altri due sono modelli per le decisioni, specializzati a partire da quello di visione e da quello omni. L’idea di Liquid AI è scegliere il modello adatto al proprio caso d’uso, personalizzarlo e farlo girare sul dispositivo, invece di affidarsi a un unico modello generalista di grandi dimensioni.
- LFM3-1.7B (testo): finestra di contesto da 256K token, addestrato per funzionare in ambienti per agenti come Hermes Agent, Pi e OpenClaw. Secondo Liquid AI può smistare la posta, gestire il calendario, fare ricerche sul web, inviare briefing mattutini su WhatsApp e cercare lo strumento giusto fra migliaia.
- LFM3-VL-2B (visione): accetta video, ragiona passo passo prima di rispondere (modalità thinking) e localizza oggetti e relazioni spaziali, indicati come base per la robotica.
- LFM3-Audio-2B: prende testo o audio e risponde con testo, voce o entrambi. Trascrive, sintetizza e traduce il parlato in 18 lingue, interpreta registrazioni (voce, suoni, eventi) e trasforma richieste parlate in chiamate a strumenti per controllare app e dispositivi.
- LFM3-Omni-2B (2,2B di parametri): è il primo modello omni di Liquid. Permette domande a voce su immagini, comprensione di video insieme al loro audio e chiamate a strumenti che combinano ciò che vede con istruzioni vocali.
Come sono fatti: architettura e addestramento
Il backbone è ibrido. Dei 24 strati, 13 sono convoluzioni brevi con gate, 5 usano attenzione a finestra scorrevole da 256 token e 6 attenzione globale; il kernel delle convoluzioni passa da 3 di LFM2 a 7. L’architettura è uscita da una ricerca automatica con l’hardware nel ciclo, estesa da una CPU di un telefono e di un portatile (LFM2) a 14 combinazioni di dispositivi e backend: Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, AMD Ryzen AI, CPU cloud Arm e x86, GPU e NPU Qualcomm Hexagon.
LFM3-1.7B-Base è stato pre-addestrato su 22T token. Gli ultimi 3,5T sono una fase con dati curati e più tracce agentiche e chiamate a strumenti, che porta anche il contesto a 256K token.
Il modello di visione usa un nuovo encoder interno che, secondo Liquid AI, richiede 3 volte meno calcolo del SigLIP2 dei precedenti modelli VL. La versione da 164M parametri uguaglia l’encoder di Qwen3.5-2B (55,9% di accuratezza media su 13 benchmark) con 2,2 volte meno FLOPs. Per il video, ogni coppia di fotogrammi campionati diventa una sola fetta temporale.
Sul lato audio, l’encoder è causale: può elaborare il microfono dal vivo ed eseguire il prefill mentre si parla, con un tempo al primo token fino a 50 ms. Il tokenizer LiquidCodec genera voce a circa 87 volte il tempo reale su un singolo thread di CPU (Apple M4 Max).
Velocità e memoria sui dispositivi
Per parametro, LFM3-1.7B eguaglia LFM2-1.2B sui prompt brevi e, con 8K token di contesto, è circa il 25% più veloce. Le misure su dispositivo di Liquid AI sono fatte con llama.cpp a Q4_0 (quantizzazione a 4 bit) e contesto da 32K token: LFM3-1.7B risulta il più veloce sui tre dispositivi testati, con una decodifica da 1,8 a 2,8 volte più rapida del modello successivo, e usa meno memoria.
Un contesto completo da 128K token richiede 1,6 GB di KV cache (la memoria in cui il modello conserva il contesto già letto), contro 4,3 GB di Qwen3.5-4B e 5,6 GB di MiniCPM5-2B. Per LFM3-VL-2B l’azienda dichiara la maggiore velocità di prefill e il minore ingombro di memoria della sua classe sui dispositivi misurati.
Le prestazioni dichiarate da Liquid AI
Nella media non ponderata di tutti i punteggi della tabella di Liquid AI, che comprende anche programmazione, conoscenza e contesto lungo, LFM3-1.7B ottiene 49,37, contro 47,24 di Qwen3.5 9B e 31,55 di LFM2.5-2.6B. Liquid AI scrive che compete con modelli di taglia più grande.
| Benchmark | LFM3-1.7B | Qwen3.5 9B |
|---|---|---|
| Media complessiva | 49,37 | 47,24 |
| BFCL V4 (uso di strumenti) | 71,39 | 62,83 |
| WebArena-Verified | 38,42 | 28,94 |
| IFEval | 96,66 | 92,08 |
Per la visione, su 62 benchmark LFM3-VL-2B (1,9B) ha una media di 71,4, contro 57,6 di LFM2.5-VL-3B, 64,0 di Qwen3.5-2B e 71,7 di Gemma 4 12B. Liquid AI dice che supera i modelli di taglia simile di almeno 7,4 punti. Sul video fa 61,2 (Gemma 4 12B 58,9, Gemini 3.5 Flash Lite 70,0, GPT-5.6 Luna 72,8); sul fronte agentico 42,5 contro 62,4 di Gemini 3.5 Flash Lite.
Per LFM3-Audio-2B, il riconoscimento vocale ha un WER (tasso di errore sulle parole) del 6,2% in inglese e del 6,0% di media su nove lingue, fra cui l’italiano. Nella sintesi vocale in inglese il WER è 1,4% e il punteggio UTMOSv2 3,8, contro 1,9% e 3,2 di LFM2.5-Audio-1.5B. LFM3-Omni-2B ottiene 70,1 su Daily-Omni contro 58,8 di Qwen2.5-Omni-3B, ma 46,3 su OmniBench (overall) contro 47,1.
Liquid AI cita anche un test di MacPaw su 65 compiti di agente in ambienti macOS reali: LFM3-1.7B riesce nel 64% dei casi contro il 48% di Qwen3.5-2B, con il 58% di token in meno per compito, e si blocca in meno dell’1% dei tentativi contro il 15%.
I limiti dichiarati
Liquid AI ammette che i modelli più grandi vincono ancora dove conta la taglia, cioè nel coding agentico e nella conoscenza.
- SWE-bench Verified: 43,40 contro 51,20 di Qwen3.5 9B.
- GPQA Diamond: 63,37 contro 80,40.
- RULER 128K: 65,56 contro 87,11.
- Con la ricerca il divario sulla conoscenza si riduce: su Humanity’s Last Exam il punteggio quasi raddoppia, da 7,17 a 13,90.
- Audio: VoiceBench 73,1 (MiMo-Audio-7B 77,3), tool calling su valutazione interna 58,5 (Gemma 4 E4B 72,4), comprensione audio MMAR 50,6 (MiMo-Audio-7B 62,3).
Il post non indica i prezzi dell’API. I pesi sono distribuiti con la LFM Open License v1.0: per l’uso commerciale da parte di aziende con fatturato annuo superiore a 10 milioni di dollari serve una licenza commerciale a pagamento.
Come provarli e affinarli
I modelli base e quelli post-addestrati sono su Hugging Face, nel Playground di Liquid AI e tramite la sua API; la documentazione spiega come eseguirli e affinarli in locale. Per il modello di testo, Liquid AI parla di un breve fine-tuning su una singola GPU per adattarlo a domini, ambienti e strumenti propri. Per confrontare i modelli sui propri dati l’azienda indica anche Pipette per i benchmark.
