LFM3-Omni-2B: מודל ה-Omni שמדבר, וההדלפה שטענה שהוא לא יכול
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated2026-10-2780 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 283 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 83 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2455אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 119 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1943אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 45 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1745אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 700 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146אינטליגנציה
- xAIGrok 4.72026-09-2146אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 לכל 1M טוקנים · 160 tok/s
LFM3-Omni-2B עונה בקול. המשפט הבודד הזה הוא הידיעה, משום שלפני שבוע הראיה הציבורית הטובה ביותר אמרה את ההיפך. כאשר משפחת LFM3 צצה דרך בקשת pull request לא ממוזגת של SGLang, נקודות הביקורת היו מחווטות לפלט טקסט בלבד, והכתיבה שלנו על אותה דליפה הגיעה למסקנה, נכונה אז, ש־״LFM3 מדברת״ לא הוכחה. ב־27 באוקטובר 2026, Liquid AI פרסמה את הכרזת המשפחה ואת כרטיס המודל, והכרטיס מכריע: פלט דיבור ב־24 קילו־הרץ, שנוצר באמצעות רכיב בשם LiquidCodec, בזרימה מהירה יותר מזמן אמת. מודל לא מוכח לא אמור לשאת בנטל ביום הראשון. מעבר אוטומטי לשרת גיבוי התעבורה יכולה לנוע לפי כלל, ונתיב כושל עובר לשרת גיבוי בלי שינוי בקוד.
כל השאר בשחרור הזה שקט יותר ממה שהתיקון הזה מרמז. ההכרזה של Liquid מכסה שישה מודלים, ו־LFM3-Omni-2B זוכה בה לשלושה משפטים — בלי טבלת בנצ'מרקים, בלי אורך הקשר, בלי מספר פרמטרים. התיעוד הכמותי חי כולו בכרטיס ה־Hugging Face, ומשם מגיע כל נתון בהמשך. כדאי להבין את הפיצול הזה לפני שמתכננים סביב המודל: המיצוב הוא שיווק, המספרים הם ריפוזיטורי, ושום דבר בשניהם לא נבדק באופן בלתי תלוי.
מה בעצם שוחרר, ומתי
המאגר נוצר ב-21 באוקטובר 2026 בשעה 16:58 UTC. הכרטיס עודכן לאחרונה ב-27 באוקטובר בשעה 17:25 UTC, באותו יום שבו פורסם הפוסט של המשפחה. בזמן כתיבת שורות אלה, Hugging Face הציג 83 הורדות ו-17 לייקים — נתונים צנועים שמתאימים ל-checkpoint שפורסם כענף אחד מתוך משפחה של שישה מודלים, ולא כפרסום מרכזי. המאגרים האחים מספרים את אותו סיפור: LFM3-VL-2B נוצר ב-19 באוקטובר, LFM3-Audio-2B ב-8 בספטמבר, וכולם עודכנו ב-27 באוקטובר.
אז זה לא מודל שלא הוכרז, במובן שהבריף מרמז. Liquid הכריזה על המשפחה, נתנה שמות לששת הענפים ותיארה מה עושה מודל האומני. מה שהחברה לא עשתה הוא להכריז על LFM3-Omni-2B בתנאים שלה. אין פוסט עצמאי, אין דוח הערכה ליום ההשקה, אין דף תמחור כי אין נקודת קצה מתארחת, ואין בנצ'מרק עצמאי. הפער בין "הוכרז" ל"מתועד" הוא המקום שבו המאמר הזה חי.
הכרטיס במלואו
הצ'קפוינט הוא בנייה בודדת ב-BF16 של 2,166,928,384 פרמטרים, שאותה הכרטיס מעגל ל-2.17B. הוא יושב על גזע LFM3-1.7B-Base — אותו עמוד שדרה תלת-היברידי כמו שאר המשפחה, כאשר קונבולוציות קצרות עם שער נושאות את רוב השכבות, וקשב גלובלי שמור למספר קטן בלבד. מעל אותו גזע יושבים מקודד חזותי, מקודד אודיו סיבתי והטוקנייזר LiquidCodec שהופך אסימונים שנוצרו בחזרה לצורת גל.
• קלטים — טקסט, תמונות ברזולוציה מקורית, וידאו בקצב של 2 פריימים לשנייה עבור 4 עד 384 פריימים, ושמע של 16 קילו־הרץ. קלט וידאו יכול לכלול פסקול משל עצמו.
• פלטים — טקסט, דיבור ב־24 kHz, או שניהם באותה תשובה.
• הקשר — 32,768 אסימונים הכוללים יחד קלט ופלט.
• תקציב תמונה — מקסימום 2,048 טוקנים חזותיים לתמונה, ללא קשר לרזולוציה.
• שפות — הכרטיס מפרט 16 שפות טקסט ו-19 שפות דיבור או אזורים לשוניים; המטא-נתונים של המאגר מצהירים על 23. שני הנתונים אינם מתיישבים בעמוד.
• רישיון — LFM Open License v1.0, התנאים המותאמים אישית ש-Liquid משתמשת בהם מאז LFM2, ולא רישיון OSI.
• חשיבה — אין. הכרטיס מציין שמצב חשיבה אינו נתמך ושאין להשתמש ב-enable_thinking=True.
שניים מהשורות האלה חשובים יותר מהשאר. הראשון הוא חלון ההקשר של 32K, שהוא קטן עבור מודל מולטימודלי משנת 2026 ומהווה תוצאה ישירה של יעד ההפעלה על המכשיר: כל טוקן של הקשר עולה זיכרון בטלפון. השני הוא הרישיון. LFM Open License v1.0 אינו Apache-2.0, והתנאים כוללים סף הכנסות שקובע מי יכול להשתמש במשקלים באופן מסחרי בלי הסכם נפרד. אם אתם בוחנים את המודל הזה עבור מוצר, קראו את הרישיון לפני שאתם קוראים את הבנצ'מרקים.
המספרים שאיש לא הכריז עליהם
הפוסט של Liquid מציג טענה השוואתית אחת לגבי LFM3-Omni-2B: שהוא גובר על מודלים של עד 10.7B פרמטרים, "כמו Qwen2.5-Omni-7B", ב-Daily-Omni, ב-WorldSense וב-AV-SpeakerBench. אין ציונים המלווים את המשפט הזה. הכרטיס מספק אותם, והם נמדדו על ידי Liquid AI בעצמה — הערכת ספק, לא הערכה בלתי־תלויה, והיחידה שקיימת.
בשלושת הבנצ'מרקים שהפוסט מציין, הכרטיס מדווח על Daily-Omni 70.09, WorldSense 47.10 ו-AV-SpeakerBench 46.79. OmniBench מגיע ל-46.32 בסך הכול, עם 48.25 בתת-קבוצת הדיבור. עבור מענה על שאלות חזותיות מדוברות — הגימיק הראשי של המודל, שבו שואלים על תמונה בקול רם — הכרטיס מפרט RealWorldQA 64.68, MMStar 51.79, POPE 83.78, ERQA 39.43 ו-EmbSpatial 67.59. שורות האודיו הן ASR באנגלית בשיעור שגיאות מילים של 6.36, ASR רב-לשוני ב-6.72, סינתזת דיבור באנגלית ב-3.80 UTMOSv2, VoiceBench 64.73 והבנת אודיו MMAR 51.40. ציוני הראייה הטקסטואלית בלבד שלו, לשם שלמות, הם DocVQA 92.47, OCRBench 806 מתוך 1,000, אימות MMMU 42.44 ו-MathVista mini 62.50.
כשקוראים אותם כקבוצה, הציונים מתארים מודל שמוכשר בכל תחום ואינו מצטיין באף אחד. 46.79 ב-AV-SpeakerBench ו-47.10 ב-WorldSense אינם מספרים שזוכים בלוח מובילים; הם מספרים שמרמזים שמודל של 2.2B יכול לעמוד בכבוד בהסקה אודיו-חזותית בלי להתפרק. ציון DocVQA הוא החריג בכיוון ההפוך והנתון הבודד המעניין ביותר בטבלה — 92.47 ממודל omni של 2.2B הוא גבוה, וזו השורה היחידה שבה הצ'קפוינט הזה בבירור עולה על מודל הראייה הייעודי של Liquid עצמה, שמדווח 91.1.
מה שההדלפה צדקה בו, והדבר האחד שבו היא טעתה
בקשת ה-pull request של SGLang שחשפה את משפחת המודלים הזו לציבור הייתה מדויקת כמעט בכל היבט מבני. היא ציינה נכון את ארבעת הצ'קפוינטים, תיארה נכון את עמוד השדרה המשותף, וצדקה בכך שחלון ההזזה של 256 טוקנים הוא הגדרת קשב ולא מגבלת הקשר. היא גם צדקה בכך שנהגה בזהירות: בקשת ה-pull request לא מוזגה, שלוש בדיקות CI נכשלו, ושתיים מתוך עשרים ושתיים בדיקות אימות omni עדיין נכשלו בהשוואות ROUGE מול צ'קפוינטים לפיתוח.
היכן שזה הטעה — והיכן שחזרנו על זה — היה מודאליות הפלט. נתיב הריצה שהוא חיבר החזיר טקסט. לא היה ענף פלט אודיו בקוד הזה, והמסקנה הסבירה הייתה שייתכן שמשפחת המודלים זנחה סינתזת דיבור, או שהגרסה הראשונה של סביבת ההרצה הייתה טקסט בלבד. המודל שנשלח עושה את שניהם. הלקח אינו שההדלפה הייתה רשלנית; הוא שאינטגרציית הגשה מתארת את הנתיב שמישהו יישם, לא את היכולת של הצ'קפוינט שמאחוריו. PR הוא ראיה לגבי סביבת ריצה, ואנחנו התייחסנו אליו כראיה לגבי מודל.
מה עדיין לא מאושר?
שלושה דברים, והם אותם שלושה שיכריעו פריסה לפרודקשן.
ראשית, אין הערכה עצמאית מכל סוג שהוא. כל מספר לעיל הופק על ידי החברה שבנתה את המודל, על גבי מערכת הבדיקות שלה, בלי מתודולוגיה שפורסמה. אין רשומה של Artificial Analysis, אין תוצאה של LMArena, אין שחזור של צד שלישי. התייחס לטבלת הבנצ'מרקים כמפרט של כוונה, לא כמדידה.
שנית, שירות דיבור אינו מתועד מחוץ לנתיב של הספק עצמו. הכרטיס אומר שתמיכת SGLang מכסה {{1}}פלט טקסט{{/1}} ואינו מתעד כיצד מוגש {{2}}ענף הדיבור{{/2}}. אם התוכנית שלך היא "מודל אחד, תשובות מדוברות, על החומרה שלנו", הכרטיס לא נותן לך שום אסמכתא למחצית השנייה של המשפט הזה. המאגר אינו מפרט ספק הסקה בזמן כתיבת הדברים.
שלישית, נתוני השפות סותרים זה את זה. שישה־עשר שפות טקסט, תשעה־עשר אזורי דיבור, עשרים ושלושה במטא־דאטה. אלה כנראה שלוש הגדרות שונות לאותו דבר, אבל איש לא פרסם איזו מהן נכונה.
למה מודל omni עם 2.2B הוא הימור שונה
הדרך הרגילה לבנות עוזר קולי בשנת 2026 היא צינור עיבוד: מודל ASR הופך דיבור לטקסט, מודל שפה חושב, מודל ראייה מטפל במצלמה, ומודל TTS משמיע את התשובה. כל שלב הוא נקודת ביקורת נפרדת, תקציב השהיה נפרד ואופן כשל נפרד. ההבטחה של LFM3-Omni-2B היא שכל ארבעת השלבים מתמזגים לקובץ BF16 אחד בגודל 4.3 GB שמתאים לטלפון ולא יוצא ממנו לעולם.
זו טענה ארכיטקטונית ממשית, וזו הסיבה שציוני הבנצ'מרק חשובים פחות מהצורה של הדבר. צינור של ארבעה מודלים קטנים ומתמחים בדרך כלל יגבר על מודל כללי יחיד בכל משימה בודדת. מה שהוא לא יכול לעשות הוא לשתף ייצוגים: מודל ה־omni שומע את הטון של שאלה על תמונה, והתשובה מותנית בשניהם בבת אחת. האם זה מפיק תשובות טובות יותר הוא בדיוק מה שאף הערכה בלתי תלויה לא בחנה.
הדרך המעשית להשתמש ב-checkpoint כזה כשהוא עדיין לא מוכח היא להשאיר אותו מחוץ לנתיב הקריטי שלך. אצל OrcaRouter, ה-DSL לניתוב נבנה עבור הדפוס הזה — נתיב מומחה ונתיב ניסיוני מאחורי נקודת קצה אחת, כך שמודל חדש יכול לקבל תעבורה בהתאם לאמינותו ולא בבת אחת, עם מעבר כשל אוטומטי כשהוא נכשל. LFM3-Omni-2B אינו בקטלוג שלנו כיום, כך ששום דבר כאן אינו טענה שאפשר לפנות אליו דרכנו. כשמודל כזה באמת יגיע, זו צורת הפריסה המתאימה לו: זמין, מדוד, ולא נושא עומס עד שהוא מרוויח את זה.
מה לראות
האות הבא אינו עוד טבלת בנצ'מרק. השאלה היא אם מישהו מחוץ ל-Liquid מפרסם אחת כזו. מודל Omni עם 2.2B פרמטרים שבאמת מחזיק 70.09 ב-Daily-Omni הוא תוצאה ראויה לציון לעבודה על-מכשיר, ושחזור עצמאי — אפילו חלקי — יהיה שווה יותר מהגיליון המלא של הספק. האות השני הוא המיזוג ל-SGLang: כאשר נתיב הדיבור מתועד במערכת הגשה, המודל מפסיק להיות מאגר קוד ומתחיל להיות תשתית.
עד אז, הסיכום הכנה הוא צר. LFM3-Omni-2B קיים, הוא קטן כמעט מכל מה שאיתו הוא מתחרה, הוא קולט ארבע מודאליטות ומוציא שתיים, והוא המודל הראשון של Liquid שיכול לענות בקול רם. ההדלפה אמרה שהוא לא יכול. הכרטיס אומר שהוא יכול, ולעת עתה הכרטיס הוא העד היחיד.
