LFM3-Omni-2B: النموذج الشامل الذي يتحدث، والتسريب الذي قال إنه لا يستطيع

LFM3-Omni-2B يجيب بصوت. تلك الجملة الواحدة هي الخبر، لأنه قبل أسبوع كانت أفضل الأدلة العلنية تقول العكس. عندما ظهرت عائلة LFM3 عبر طلب سحب SGLang غير مدموج، كانت نقاط التحقق مهيأة لإخراج النص فقط، وخلصت كتابتنا الخاصة عن ذلك التسريب، على نحو صحيح آنذاك، إلى أن "LFM3 يتحدث" كان غير مُثبت. في 27 أكتوبر 2026، نشرت Liquid AI إعلان العائلة وبطاقة النموذج، والبطاقة تحسم الأمر: إخراج كلام بتردد 24 kHz، مُولَّد عبر مكوّن يُسمى LiquidCodec، ويُبثّ أسرع من الزمن الفعلي. لا ينبغي لنموذج غير مُثبت أن يكون حاملًا للعبء في اليوم الأول. التحويل التلقائي عند الفشل يمكن نقل حركة المرور وفق قاعدة، والمسار الفاشل يُحوَّل تلقائيًا عند الفشل دون تغيير في الشيفرة.

كل ما تبقى بشأن هذا الإصدار أهدأ مما يوحي به ذلك التصحيح. يغطي إعلان Liquid ستة نماذج، ولا ينال LFM3-Omni-2B فيه سوى ثلاث جمل — لا جدول قياسات أداء، ولا طول سياق، ولا عدد معاملات. السجل الكمي موجود بالكامل في بطاقة Hugging Face، ومنها يأتي كل رقم أدناه. يستحق هذا الانفصال الفهم قبل أن تخطط بناءً على النموذج: التموضع تسويق، والأرقام مستودع، ولم يُختبر أي شيء في أي منهما بشكل مستقل.

ما الذي تم إصداره فعليًا، ومتى؟

أُنشئ المستودع في 21 أكتوبر 2026 الساعة 16:58 UTC. وجرى آخر تعديل على بطاقة النموذج في 27 أكتوبر الساعة 17:25 UTC، وهو اليوم نفسه الذي نُشر فيه منشور العائلة. عند كتابة هذه الأسطر، أظهر Hugging Face 83 تنزيلًا و17 إعجابًا — أرقام متواضعة تناسب نقطة تحقق نُشرت كأحد فروع عائلة من ستة نماذج لا كإصدار بارز. وتروي المستودعات الشقيقة القصة نفسها: فقد أُنشئ LFM3-VL-2B في 19 أكتوبر، وLFM3-Audio-2B في 8 سبتمبر، وتم تعديلها جميعًا في 27 أكتوبر.

إذن، هذا ليس نموذجًا غير معلن بالمعنى الذي يوحي به الموجز. فقد أعلنت Liquid عن العائلة، وسمّت الفروع الستة، ووصفت ما يفعله النموذج الشامل. ما لم تفعله الشركة هو الإعلان عن LFM3-Omni-2B بشروطها الخاصة. فلا يوجد منشور مستقل، ولا تقرير تقييم ليوم الإطلاق، ولا صفحة تسعير لأن لا نقطة نهاية مستضافة، ولا اختبار مرجعي مستقل. والفجوة بين "معلن" و"موثّق" هي حيث يعيش هذا المقال.

البطاقة بالكامل

تمثّل نقطة الحفظ إصدارًا واحدًا بتنسيق BF16 يضم 2,166,928,384 معاملًا، وتقرّبه البطاقة إلى 2.17B. وهي تقوم على جذع LFM3-1.7B-Base — وهو العمود الفقري الثلاثي الهجين نفسه الموجود في بقية أفراد العائلة، حيث تتولى الالتفافات القصيرة المبوّبة معظم الطبقات، بينما يُحجز الانتباه العالمي لعدد قليل منها. وفوق ذلك الجذع يقع مُشفّر رؤية، ومُشفّر صوتي سببي، ومُرمِّز LiquidCodec الذي يحوّل الرموز المولّدة عائدةً إلى شكل موجي.

• المدخلات — نص، وصور بالدقة الأصلية، وفيديو بمعدل إطارين في الثانية من 4 إلى 384 إطارًا، وصوت بتردد 16 كيلوهرتز. يمكن أن يتضمن إدخال الفيديو مساره الصوتي الخاص.

• المخرجات — نص، أو صوت بتردد 24 كيلوهرتز، أو كليهما في الاستجابة نفسها.

• السياق — 32,768 رمزًا تشمل المدخلات والمخرجات معًا.

• ميزانية الصورة — بحد أقصى 2,048 رمزًا بصريًا لكل صورة، مهما كانت الدقة.

• اللغات — تسرد البطاقة 16 لغة نصية و19 لغة أو إعدادًا محليًا للكلام؛ بينما تشير بيانات تعريف المستودع إلى 23. ولا يتوافق الرقمان على الصفحة.

• الترخيص — LFM Open License v1.0، وهي الشروط المخصّصة التي تستخدمها Liquid منذ LFM2، وليست ترخيصًا معتمدًا من OSI.

• الاستدلال — لا شيء. تنص البطاقة على أن وضع التفكير غير مدعوم وأن enable_thinking=True لا يمكن استخدامه.

سطران من تلك الأسطر يهمان أكثر من الباقي. الأول هو سياق 32K، وهو صغير بالنسبة لنموذج متعدد الوسائط في 2026 ونتيجة مباشرة لاستهداف العمل على الجهاز: كل رمز من السياق يستهلك ذاكرة على الهاتف. الثاني هو الترخيص. لا يُعد LFM Open License v1.0 ترخيص Apache-2.0، وتتضمن الشروط عتبة إيرادات تحدد من يمكنه استخدام الأوزان تجاريًا دون اتفاق منفصل. إذا كنت تقيّم هذا النموذج لمنتج ما، فاقرأ الترخيص قبل أن تقرأ مقاييس الأداء المرجعية.

الأرقام التي لم يُعلن عنها أحد

يقدّم منشور Liquid ادعاءً مقارنًا واحدًا بشأن LFM3-Omni-2B: بأنه يتفوق على نماذج تصل إلى 10.7 مليار معامل، "مثل Qwen2.5-Omni-7B"، في Daily-Omni وWorldSense وAV-SpeakerBench. لا تَرافق تلك الجملة أي درجات. وتوردها بطاقة النموذج، وهي مقاسة ذاتيًا من Liquid AI — تقييم من المورّد، لا تقييم مستقل، وهو التقييم الوحيد الموجود.

على المعايير الثلاثة التي يسمّيها المنشور، تُظهر البطاقة Daily-Omni 70.09، وWorldSense 47.10، وAV-SpeakerBench 46.79. ويأتي OmniBench بنتيجة 46.32 إجمالًا مع 48.25 على مجموعة الكلام الفرعية. أما الإجابة البصرية على الأسئلة المنطوقة — وهي الحيلة الرئيسية للنموذج، حيث تسأل عن صورة بصوت عالٍ — فتسرد البطاقة RealWorldQA 64.68، وMMStar 51.79، وPOPE 83.78، وERQA 39.43، وEmbSpatial 67.59. أما صفوف الصوت فهي التعرف التلقائي على الكلام الإنجليزي بمعدل خطأ كلمات 6.36، والتعرف التلقائي على الكلام متعدد اللغات عند 6.72، وتوليف الكلام الإنجليزي عند 3.80 UTMOSv2، وVoiceBench 64.73، وفهم الصوت MMAR 51.40. وللعلم فقط، درجاته في الرؤية النصية هي DocVQA 92.47، وOCRBench 806 من 1,000، وMMMU validation 42.44، وMathVista mini 62.50.

إذا قُرئت كمجموعة، فإن الدرجات تصف نموذجًا بارعًا في كل شيء ومتفوقًا في لا شيء. إن 46.79 على AV-SpeakerBench و47.10 على WorldSense ليست أرقامًا تفوز بصدارة لوحة المتصدرين؛ بل أرقام توحي بأن نموذجًا بحجم 2.2B قادر على الصمود في الاستدلال السمعي البصري من دون أن ينهار. درجة DocVQA هي الشاذة في الاتجاه الآخر وأكثر رقم منفرد إثارة للاهتمام في الجدول — 92.47 من نموذج omni بحجم 2.2B رقم مرتفع، وهو الصف الوحيد الذي تتفوق فيه نقطة التحقق هذه بوضوح على نموذج Liquid المخصص للرؤية، الذي يبلغ 91.1.

ما الذي أصاب فيه التسريب، والشيء الوحيد الذي أخطأ فيه

كان طلب السحب الخاص بـ SGLang الذي أظهر هذه العائلة للعلن دقيقًا فيalmost كل الجوانب البنيوية. فقد سمّى نقاط التحقق الأربع بشكل صحيح، ووصف العمود الفقري المشترك بشكل صحيح، وكان محقًا في أن نافذة الانزلاق البالغة 256 رمزًا هي إعداد انتباه وليست حد السياق. وكان محقًا أيضًا في توخي الحذر: إذ كان طلب السحب غير مدموج، وكانت ثلاث فحوصات CI تفشل، وكان اثنان من أصل اثنين وعشرين فحصًا للتحقق الشامل لا يزالان يفشلان في مقارنات ROUGE مقابل نقاط تحقق التطوير.

كان موضع التضليل — وموضع تكرارنا له — هو نمط الإخراج. مسار وقت التشغيل الذي رُبط به كان يُعيد نصًا. لم يكن في ذلك الكود فرعٌ لإخراج الصوت، وكان الاستنتاج المعقول أن العائلة ربما تخلّت عن تركيب الكلام، أو أن أول إصدار من وقت التشغيل كان نصيًا فقط. أما النموذج المشحون فيؤدي الأمرين. الدرس ليس أن التسريب كان مهملًا؛ بل أن تكامل الخدمة يصف المسار الذي نفّذه أحدهم، لا قدرة نقطة التحقق الكامنة خلفه. إن طلب السحب (PR) دليل على وقت تشغيل، وقد تعاملنا معه كدليل على نموذج.

ما الذي لا يزال غير مؤكد

ثلاثة أمور، وهي الأمور الثلاثة التي ستحدد عملية نشر في بيئة الإنتاج.

أولاً، لا يوجد أي تقييم مستقل من أي نوع. كل رقم أعلاه أنتجته الشركة التي بنت النموذج، على أداة الاختبار الخاصة بها، دون منهجية منشورة. لا يوجد مدخل في Artificial Analysis، ولا نتيجة من LMArena، ولا إعادة إنتاج من طرف ثالث. تعامل مع جدول المقارنات المعيارية باعتباره مواصفة نوايا، لا قياسًا.

ثانيًا، خدمة الكلام غير موثّقة خارج مسار البائع نفسه. تقول البطاقة إن دعم SGLang يغطي إخراج النص ولا يوثّق كيفية تقديم فرع الكلام. إذا كانت خطتك هي "نموذج واحد، إجابات منطوقة، على عتادنا الخاص"، فلا تقدّم لك البطاقة أي مرجع للنصف الثاني من تلك الجملة. لا يسرد المستودع أي مزوّد استدلال وقت كتابة هذا النص.

ثالثًا، أرقام اللغات لا تتوافق مع بعضها بعضًا. ست عشرة لغة نصية، وتسعة عشر موطنًا لغويًا للكلام، وثلاثة وعشرون في البيانات الوصفية. من المحتمل أن تكون هذه ثلاثة تعريفات مختلفة للشيء نفسه، لكن لا أحد نشر أيّها الصحيح.

لماذا يُعد نموذج أومني بحجم 2.2 مليار رهانًا مختلفًا؟

الطريقة المعتادة لبناء مساعد صوتي في عام 2026 هي خط معالجة: يحوّل نموذج ASR الكلام إلى نص، ويفكّر نموذج لغوي، ويتولى نموذج رؤية التعامل مع الكاميرا، وينطق نموذج TTS الإجابة. كل مرحلة عبارة عن checkpoint منفصل، وميزانية زمن استجابة منفصلة، ونمط فشل منفصل. والفكرة الترويجية لـ LFM3-Omni-2B هي أن هذه المراحل الأربع كلها تتقلّص إلى ملف BF16 واحد بحجم 4.3 GB يتّسع على هاتف ولا يغادره أبدًا.

هذه حجة معمارية حقيقية، وهي السبب في أن درجات المعايير القياسية أقل أهمية من شكل الشيء. عادةً ما يتفوق خط أنابيب مكوّن من أربعة نماذج متخصصة صغيرة على نموذج عام واحد في كل مهمة على حدة. ما لا يستطيع فعله هو مشاركة التمثيلات: فالنموذج الشامل يسمع نبرة سؤال عن صورة، وتكون الإجابة مشروطة بكليهما في آنٍ واحد. أما ما إذا كان ذلك يُنتج إجابات أفضل، فهو بالضبط ما لم يختبره أي تقييم مستقل.

الطريقة العملية لاستخدام نقطة تحقق كهذه ما دامت غير مُثبتة هي إبقاؤها خارج مسارك الحرج. وإن خاصية OrcaRouter المتمثلة في لغة توجيه DSL صُممت لهذا النمط — مسار متخصص ومسار تجريبي خلف نقطة نهاية واحدة، حتى يتمكن النموذج الجديد من استقبال حركة المرور بما يتناسب مع موثوقيته بدلًا من دفعة واحدة، مع تحويل تلقائي عند حدوث أخطاء. LFM3-Omni-2B ليس في كتالوجنا اليوم، لذا لا شيء هنا يزعم أنه يمكنك استدعاؤه عبرنا. وعندما يتوفر نموذج كهذا فعلًا، فهذا هو شكل النشر الذي يناسبه: متاح، ومُقاس الأداء، وغير حامل للعبء حتى يستحق ذلك.

ماذا تشاهد

الإشارة التالية ليست جدول قياس أداء آخر. بل ما إذا كان أي طرف خارج Liquid ينشر واحدًا. نموذج شامل بحجم 2.2 مليار معلمة يحقق فعلًا 70.09 على Daily-Omni هو نتيجة جديرة بالملاحظة للعمل على الأجهزة الطرفية، وإعادة إنتاج مستقلة — حتى لو كانت جزئية — ستكون قيمتها أكبر من الجدول الكامل الذي يقدمه البائع. الإشارة الثانية هي دمج SGLang: عندما يُوثَّق مسار الكلام داخل حزمة تقديم، يتوقف النموذج عن كونه مستودعًا ويبدأ في أن يكون بنية تحتية.

حتى ذلك الحين، يبقى الملخص الصادق محدودًا. إن LFM3-Omni-2B موجود، وهو أصغر من كل ما ينافسه تقريبًا، ويستقبل أربعة أنماط من المدخلات ويقدم نمطين من المخرجات، وهو أول نموذج من Liquid يمكنه الإجابة بصوت مسموع. قال التسريب إنه لا يستطيع. تقول البطاقة إنه يستطيع، وفي الوقت الحالي البطاقة هي الشاهد الوحيد.