Liquid AI salı günü LFM3'ü tanıttı: tek bir temel omurga üzerinden altı model türeten, 2 milyar parametre sınıfında açık ağırlıklı bir aile — metin, görüntü, ses, bir omni model ve iki karar modeli. İddia en büyük modelleri geçmek değil. İddia şu: tek bir GPU'da kendi işinize göre ince ayar yapabildiğiniz küçük bir model, API'den kiraladığınız bir generalistten o iş için daha iyidir.
Mimari
LFM3-1.7B-Base'in 24 katmanı üç türden oluşuyor: çekirdek boyutu 7 olan 13 kapılı kısa evrişim, 256 token pencereli beş kayan pencere dikkat katmanı ve altı küresel dikkat katmanı. Liquid buna üçlü hibrit diyor; şirkete göre bu yapı, 14 cihaz ve arka uç kombinasyonu üzerinde donanım içinde döngüde çalışan bir mimari aramasından çıktı — telefonlar, bir Raspberry Pi 5, Apple M4 Max ve AMD Ryzen AI dizüstüler, Arm ve x86 bulut CPU'ları, GPU'lar ve Qualcomm Hexagon NPU.
Ayrıntıların çoğu aynı hedefe bakıyor. Kafa bazlı kapılı dikkat, katkısı olmayan bir kafanın çıktısını sigmoid kapıyla küçültüyor; bu aynı zamanda niceleştirmeyi bozan aktivasyon aykırılarını da bastırıyor. Küresel katmanlarda kısmi RoPE kullanılıyor, her blok hem girdisini hem çıktısını normalize ediyor. Sözlük 128 bin token ve Latin dışı yazıları daha verimli tokenize etmek üzere ayarlanmış.
Ön eğitim 22 trilyon token'da tamamlandı. Son 3,5 trilyonu, bağlam penceresini 256 bin token'a çıkaran ve ajan izleri ile araç çağrılarının payını artıran bir ara eğitim aşamasıydı. Ardından dört eğitim sonrası aşama geldi: gözetimli ince ayar, uzunluk cezalı karma pekiştirmeli öğrenme, altı uzman RL öğretmeninden politikada damıtma ve gerçek ajan koşum takımları içinde ajanik RL.
Sayılar ne diyor, ne demiyor
Raporlanan kıyaslamaların kendi ortalamasında LFM3-1.7B 49,37 puan alıyor; Qwen3.5-9B'nin 47,24'ünün ve Gemma 4 E4B'nin 31,74'ünün önünde. Araç kullanımı ve talimat takibinde önde: BFCL V4 71,39, ToolSandbox 80,36, IFEval 96,66. Ajanik kodlamada ise açık farkla kaybediyor — SWE-bench Verified'da 43,40'a karşı, yaklaşık altı kat büyük Qwen3.5-9B'nin 51,20'si — ve dünya bilgisinde de. Bu duyurunun kusuru değil, en dürüst tarafı: bilgi ve uzun onarım döngülerinin gerektiği yerde hâlâ boyut belirleyici.
Yine de bir sonuç öne çıkıyor: AA-Omniscience'ta halüsinasyon yapmama oranı yüzde 92,93; Qwen3.5-9B'de yüzde 52,59. Bilmediğini daha sık söyleyen küçük bir model, karar işlerinde kendinden emin tahmin yürüten bir modelden çoğu zaman daha kullanışlı.
Cihaz üzerinde
llama.cpp ile Q4_0 nicelemede ve 32K bağlamda Liquid, en iyi ikinci modele göre 1,8-2,8 kat hızlı çözümleme ve en düşük bellek kullanımı bildiriyor. Tam 128K bağlam 1,6 GB KV önbellek istiyor; Qwen3.5-4B'de 4,3 GB, MiniCPM5-2B'de 5,6 GB. Şirket, tek bir NVIDIA B300 üzerinde SGLang ve BF16 ile 1.024 eşzamanlı istekte günde 3,6 milyar token üretilebildiğini söylüyor; bunu göstermek için 300 binden fazla ajanı paralel çalıştırıp bir e-posta arşivini taradı.
Görüntü modeli ilk kez video girdisi alıyor ve 62 görüntü kıyaslamasında 71,4 ortalama tutturuyor — Liquid'in tablosuna göre altı kat büyük Gemma 4 12B ile aynı seviyede. Ses modeli kendi kodlayıcısı ve kodeğiyle 18 dili kapsıyor ve tek CPU çekirdeğinde metni gerçek zamanın yaklaşık 87 katı hızda sese çeviriyor. İki karar modeli d1-2B ve d1-Omni-2B ise yazmak yerine yanıtlıyor: tek bir ileri geçişte birden çok soru, her biri kalibre edilmiş olasılıkla; görselde sınırlayıcı kutu ve belgede tam metin aralığı dahil.
Asıl sınav
Argümanı iki ince ayar örneği taşıyor. Rüzgâr türbini kanatlarındaki çatlaklar için tek bir A100'de birkaç saatte ve yaklaşık 3.000 fotoğrafla eğitilen görüntü modeli, sınıflandırma doğruluğunu yüzde 10'un altından yüzde 67'ye çıkarıyor. Sıra-32 LoRA adaptörü olarak tek bir AMD MI325X üzerinde altı GPU saatinde üretilen robot denetleyicisi, dört LIBERO paketinde ortalama yüzde 96,2 başarıya ulaşıyor.
Bunun tutup tutmayacağını blog yazısı değil, 2B'lik bir modeli kendi verisine uygulayıp "bu yeter" diyen ilk kullanıcı belirleyecek. Kıyaslamalar üretici tarafından çalıştırıldı; bağımsız tekrarlar henüz yok. Bugün LFM3 ile plan yapan herkesin iki şeyi kontrol etmesi gerekiyor: iş gerçekten yeterince dar mı, ve kendi ortamındaki hata oranı bulut generalistininkinden düşük mü.
