LFM3-Omni-2B: Das Omni-Modell, das spricht – und das Leak, das behauptete, es könne das nicht

LFM3-Omni-2B antwortet mit einer Stimme. Dieser eine Satz ist die Neuigkeit, denn noch vor einer Woche deuteten die besten öffentlich verfügbaren Hinweise auf das Gegenteil hin. Als die LFM3-Familie über einen nicht zusammengeführten SGLang-Pull-Request auftauchte, waren die Checkpoints nur für Textausgabe ausgelegt, und unser eigener Bericht zu diesem Leak kam – damals zu Recht – zu dem Schluss, dass „LFM3 spricht“ unbewiesen sei. Am 27. Oktober 2026 veröffentlichte Liquid AI die Ankündigung der Familie und die Modellkarte, und die Karte bringt Klarheit: 24-kHz-Sprachausgabe, erzeugt über eine Komponente namens LiquidCodec, schneller als Echtzeit gestreamt. Ein unbewiesenes Modell sollte am ersten Tag keine tragende Rolle spielen. automatisches Failover Der Datenverkehr kann regelbasiert umgeleitet werden, und bei einem fehlschlagenden Pfad erfolgt ein Failover ohne Codeänderung.

Alles andere an diesem Release ist ruhiger, als diese Korrektur vermuten lässt. Liquid's Ankündigung umfasst sechs Modelle, und LFM3-Omni-2B bekommt darin drei Sätze – keine Benchmark-Tabelle, keine Kontextlänge, keine Parameteranzahl. Die quantitative Datengrundlage steht vollständig in der Hugging-Face-Karte, aus der alle unten aufgeführten Zahlen stammen. Diese Aufteilung sollte man verstehen, bevor man mit dem Modell plant: Die Positionierung ist Marketing, die Zahlen stehen in einem Repository, und weder das eine noch das andere wurde unabhängig getestet.

Was tatsächlich ausgeliefert wurde, und wann

Das Repository wurde am 21. Oktober 2026 um 16:58 UTC erstellt. Die Model Card wurde zuletzt am 27. Oktober um 17:25 UTC geändert – am selben Tag wie der Beitrag zur Modellfamilie. Zum Zeitpunkt des Verfassens zeigte Hugging Face 83 Downloads und 17 Likes – bescheidene Zahlen, die zu einem Checkpoint passen, der als ein Zweig einer aus sechs Modellen bestehenden Familie veröffentlicht wurde und nicht als eine Hauptveröffentlichung. Die Schwester-Repositories erzählen dieselbe Geschichte: LFM3-VL-2B wurde am 19. Oktober erstellt, LFM3-Audio-2B am 8. September, und alle wurden am 27. Oktober bearbeitet.

Das ist also kein nicht angekündigtes Modell in dem Sinne, den das Briefing nahelegt. Liquid hat die Familie angekündigt, die sechs Zweige benannt und beschrieben, was das Omni-Modell tut. Was das Unternehmen nicht getan hat, ist, LFM3-Omni-2B eigenständig anzukündigen. Es gibt keinen gesonderten Beitrag, keine Auswertung zum Launch-Tag, keine Preisseite, weil es keinen gehosteten Endpunkt gibt, und keinen unabhängigen Benchmark. Dieser Artikel lebt in der Lücke zwischen „angekündigt“ und „dokumentiert“.

Die Karte vollständig

Der Checkpoint ist ein einzelner BF16-Build mit 2.166.928.384 Parametern, den die Karte auf 2,17B rundet. Er sitzt auf dem LFM3-1.7B-Base-Trunk – demselben tri-hybriden Backbone wie der Rest der Familie, wobei gated Short Convolutions die meisten Layer tragen und globale Attention nur einer Handvoll vorbehalten ist. Auf diesem Trunk sitzen ein Vision-Encoder, ein kausaler Audio-Encoder und der LiquidCodec-Tokenizer, der generierte Tokens wieder in Wellenform umwandelt.

• Eingaben — Text, Bilder in nativer Auflösung, Video mit 2 Bildern pro Sekunde für 4 bis 384 Bilder und Audio mit 16 kHz. Die Videoeingabe kann einen eigenen Soundtrack enthalten.

• Ausgaben — Text, 24-kHz-Sprachausgabe oder beides in derselben Antwort.

• Kontext — 32.768 Token, die Eingabe und Ausgabe zusammen abdecken.

• Bildbudget — maximal 2.048 visuelle Token pro Bild, unabhängig von der Auflösung.

• Sprachen — die Karte listet 16 Textsprachen und 19 Sprachsprachen oder Gebietsschemata auf; die Repository-Metadaten geben 23 an. Die beiden Angaben lassen sich auf der Seite nicht miteinander vereinbaren.

• Lizenz — LFM Open License v1.0, die individuellen Bedingungen, die Liquid seit LFM2 verwendet, keine OSI-Lizenz.

• Schlussfolgern — keine. Die Karte besagt, dass der Denkmodus nicht unterstützt wird und dass enable_thinking=True nicht verwendet werden kann.

Zwei dieser Angaben sind wichtiger als der Rest. Die erste ist das 32K-Kontextfenster, das für ein multimodales Modell im Jahr 2026 klein ist und eine direkte Folge des On-Device-Ziels darstellt: Jedes Kontext-Token kostet Speicher auf einem Smartphone. Die zweite ist die Lizenz. LFM Open License v1.0 ist nicht Apache-2.0, und die Bedingungen enthalten eine Umsatzschwelle, die bestimmt, wer die Gewichte kommerziell ohne separate Vereinbarung nutzen kann. Wenn Sie dieses Modell für ein Produkt evaluieren, lesen Sie die Lizenz, bevor Sie die Benchmarks lesen.

Die Zahlen, die niemand angekündigt hat

Der Beitrag von Liquid enthält eine vergleichende Aussage über LFM3-Omni-2B: dass es Modelle mit bis zu 10,7B Parametern „wie Qwen2.5-Omni-7B“ bei Daily-Omni, WorldSense und AV-SpeakerBench übertrifft. Zu diesem Satz werden keine Scores angegeben. Die Modellkarte liefert sie, und sie sind von Liquid AI selbst gemessen – eine herstellerseitige Bewertung, keine unabhängige, und die einzige Bewertung, die es gibt.

Auf den drei im Beitrag genannten Benchmarks meldet die Karte Daily-Omni 70,09, WorldSense 47,10 und AV-SpeakerBench 46,79. OmniBench kommt insgesamt auf 46,32, mit 48,25 im Sprach-Teilbereich. Für gesprochene visuelle Fragebeantwortung – der Vorzeigetrick des Modells, bei dem man eine Frage zu einem Bild laut stellt – listet die Karte RealWorldQA 64,68, MMStar 51,79, POPE 83,78, ERQA 39,43 und EmbSpatial 67,59. Die Audio-Zeilen sind Englisch-ASR mit 6,36 Wortfehlerrate, mehrsprachige ASR mit 6,72, englische Sprachsynthese mit 3,80 UTMOSv2, VoiceBench 64,73 und MMAR für Audioverständnis 51,40. Seine Vision-Werte im reinen Textmodus sind, der Vollständigkeit halber, DocVQA 92,47, OCRBench 806 von 1.000, MMMU-Validierung 42,44 und MathVista mini 62,50.

Als Ganzes gelesen beschreiben die Ergebnisse ein Modell, das in allem kompetent und in nichts exzellent ist. 46,79 auf AV-SpeakerBench und 47,10 auf WorldSense sind keine Zahlen, die eine Bestenliste gewinnen; es sind Zahlen, die nahelegen, dass ein 2,2B-Modell sich beim audiovisuellen Reasoning behaupten kann, ohne auseinanderzufallen. Der DocVQA-Wert ist der Ausreißer in die andere Richtung und die interessanteste Einzelzahl in der Tabelle – 92,47 von einem 2,2B-Omni-Modell ist hoch, und es ist die eine Zeile, in der dieser Checkpoint Liquids eigenes dediziertes Vision-Modell deutlich übertrifft, das 91,1 meldet.

Was der Leak richtig hatte – und das eine, was er falsch hatte

Der SGLang-Pull-Request, der diese Familie öffentlich bekannt machte, war in fast allen strukturellen Punkten korrekt. Er benannte die vier Checkpoints richtig, beschrieb den gemeinsamen Backbone richtig und hatte auch damit recht, dass das 256-Token-Sliding-Window eine Attention-Einstellung und nicht das Kontextlimit ist. Es war auch richtig, vorsichtig zu sein: Der Pull Request war nicht gemergt, drei CI-Prüfungen schlugen fehl, und zwei von zweiundzwanzig Omni-Validierungsprüfungen schlugen bei ROUGE-Vergleichen mit Entwicklungs-Checkpoints weiterhin fehl.

Der Punkt, an dem es in die Irre führte — und an dem wir es wiederholten —, war die Ausgabemodalität. Der Runtime-Pfad, der darin verdrahtet wurde, gab Text zurück. In diesem Code gab es keinen Audioausgabe-Zweig, und die naheliegende Schlussfolgerung war, dass die Modellfamilie die Sprachsynthese gestrichen haben könnte oder dass die erste Runtime-Version nur Text konnte. Das ausgelieferte Modell kann beides. Die Lehre ist nicht, dass das Leck nachlässig war; sie ist, dass eine Serving-Integration den Pfad beschreibt, den jemand implementiert hat, nicht die Fähigkeit des dahinterliegenden Checkpoints. Ein PR ist ein Beleg für eine Runtime, und wir behandelten ihn als Beleg für ein Modell.

Was ist noch nicht bestätigt?

Drei Dinge, und zwar genau die drei, die über einen Produktionseinsatz entscheiden würden.

Erstens gibt es keinerlei unabhängige Evaluierung. Jede der oben genannten Zahlen wurde von dem Unternehmen erzeugt, das das Modell entwickelt hat, mit seinem eigenen Testaufbau und ohne veröffentlichte Methodik. Es gibt keinen Eintrag bei Artificial Analysis, kein LMArena-Ergebnis, keine Reproduktion durch Dritte. Betrachten Sie die Benchmark-Tabelle als eine Spezifikation der Absicht, nicht als eine Messung.

Zweitens ist das Serving von Sprache außerhalb des eigenen Pfads des Anbieters nicht dokumentiert. Die Karte besagt, dass die SGLang-Unterstützung die Textausgabe abdeckt, und dokumentiert nicht, wie der Sprachzweig bereitgestellt wird. Wenn Ihr Plan „ein Modell, gesprochene Antworten, auf unserer eigenen Hardware“ lautet, liefert Ihnen die Karte keine Referenz für die zweite Hälfte dieses Satzes. Das Repository listet zum Zeitpunkt des Verfassens keinen Inferenzanbieter auf.

Drittens stimmen die Sprachenzahlen nicht überein. Sechzehn Textsprachen, neunzehn Sprachlokale für gesprochene Sprache, dreiundzwanzig in den Metadaten. Das sind wahrscheinlich drei verschiedene Definitionen derselben Sache, aber niemand hat veröffentlicht, welche davon richtig ist.

Warum ein 2,2-Milliarden-Omni-Modell eine andere Wette ist

Der übliche Weg, 2026 einen Sprachassistenten zu bauen, ist eine Pipeline: Ein ASR-Modell wandelt Sprache in Text um, ein Sprachmodell denkt nach, ein Vision-Modell verarbeitet die Kamera und ein TTS-Modell spricht die Antwort aus. Jede Stufe ist ein eigener Checkpoint, ein eigenes Latenzbudget und ein eigener Fehlermodus. Das Versprechen von LFM3-Omni-2B ist, dass alle vier in einer einzigen 4,3-GB-BF16-Datei zusammenfallen, die auf ein Telefon passt und es nie verlässt.

Das ist ein echtes architektonisches Argument, und es ist der Grund, warum die Benchmark-Werte weniger zählen als die Form des Ganzen. Eine Pipeline aus vier kleinen Spezialistenmodellen wird einen einzelnen Generalisten bei jeder einzelnen Aufgabe normalerweise schlagen. Was sie nicht kann, ist Repräsentationen teilen: Das Omni-Modell hört den Ton einer Frage zu einem Bild, und die Antwort wird von beidem zugleich bedingt. Ob das bessere Antworten hervorbringt, ist genau das, was keine unabhängige Evaluierung getestet hat.

Die praktische Herangehensweise, einen solchen Checkpoint zu nutzen, solange er unerprobt ist, besteht darin, ihn aus Ihrem kritischen Pfad herauszuhalten. OrcaRouters Routing-DSL wurde für dieses Muster entwickelt — ein spezialisierter Pfad und ein experimenteller Pfad hinter einem Endpunkt, sodass ein neues Modell Traffic im Verhältnis zu seiner Zuverlässigkeit übernehmen kann statt alles auf einmal, mit automatischem Failover bei Fehlern. LFM3-Omni-2B ist heute nicht in unserem Katalog, daher ist nichts hier eine Behauptung, dass Sie es über uns aufrufen können. Wenn ein Modell wie dieses tatsächlich verfügbar wird, ist das die Form der Bereitstellung, zu der es passt: verfügbar, gemessen und nicht tragend, bis es sich das verdient hat.

Was zu sehen

Das nächste Signal ist nicht eine weitere Benchmark-Tabelle. Es ist die Frage, ob jemand außerhalb von Liquid eine veröffentlicht. Ein 2,2B-Omni-Modell, das auf Daily-Omni tatsächlich 70,09 hält, ist ein bemerkenswertes Ergebnis für On-Device-Arbeit, und eine unabhängige Reproduktion – selbst eine teilweise – wäre mehr wert als das vollständige Datenblatt des Anbieters. Das zweite Signal ist der SGLang-Merge: Wenn der Speech-Pfad in einem Serving-Stack dokumentiert ist, hört das Modell auf, ein Repository zu sein, und wird zur Infrastruktur.

Bis dahin ist die ehrliche Zusammenfassung knapp. LFM3-Omni-2B existiert, es ist kleiner als fast alles, womit es konkurriert, es nimmt vier Modalitäten auf und gibt zwei aus, und es ist das erste Liquid-Modell, das laut antworten kann. Der Leak sagte, es könne das nicht. Die Karte sagt, es kann es, und vorerst ist die Karte der einzige Zeuge.