Memperkenalkan LFM3: Enam Model 2B, Satu Backbone, dan Jendela 256 Token yang Bukan Konteks

Keluarga LFM3 dari Liquid AI hadir pada 27 Oktober 2026 sebagai enam checkpoint kelas 2B alih-alih satu model unggulan: LFM3-1.7B untuk teks, LFM3-VL-2B untuk visi, LFM3-Audio-2B untuk ucapan, LFM3-Omni-2B untuk semuanya sekaligus, ditambah dua model keputusan, d1-2B dan d1-omni-2B. Keenamnya berasal dari satu backbone pra-latih, LFM3-1.7B-Base, yang juga dirilis oleh Liquid. Cara perusahaan membingkainya adalah "kecerdasan terspesialisasi" — penolakan yang disengaja untuk merilis model generalis kecil dan bersaing pada sumbu yang salah.

Dalam waktu sehari setelah pengumuman, satu angka dari tulisan teknis tersebut sudah salah dibaca. Arsitektur LFM3 mencantumkan lapisan sliding-window-attention dengan jendela 256 token. Itu adalah geometri attention per lapisan, bukan panjang konteks model. Model teks ini menerima konteks 256K token. Pembaca yang hanya sekilas melihat tabel lapisan dan menyimpulkan bahwa Liquid telah merilis model 2026 dengan memori 256 token sedang membayangkan model yang salah, dan hal ini perlu dikoreksi sebelum bagian lain dalam tulisan ini dapat dipahami.

Apa sebenarnya arsitektur tri-hybrid itu

LFM3 menggantikan campuran dua arah LFM2 dengan tiga jenis lapisan yang ditumpuk dalam badan 24 lapisan. Tiga belas lapisan adalah konvolusi pendek bergerbang, lima adalah atensi jendela geser dengan jendela 256 token, dan enam adalah atensi global penuh. Kernel konvolusi melebar dari 3 menjadi 7. Tiga perubahan yang lebih kecil turut menyertai: gerbang sigmoid yang menskalakan keluaran setiap kepala atensi secara independen, penyematan rotary parsial pada lapisan global yang hanya memutar separuh frekuensi tertinggi dari setiap kepala, dan normalisasi sandwich yang mengondisikan masukan maupun keluaran setiap blok.

Taruhannya adalah bahwa konvolusi pendek membawa sebagian besar struktur lokal secara murah, attention sparse menangani jarak menengah, dan sebagian kecil attention global menyatukan seluruh jendela 256K. Itulah sebabnya cache KV tetap cukup kecil untuk berdampak — Liquid melaporkan cache 128K token penuh sebesar 1,6 GB, dibandingkan 4,3 GB untuk Qwen3.5-4B dan 5,6 GB untuk MiniCPM5-2B pada pengukuran yang sama. Model teksnya sendiri muat dalam sekitar 1 GB pada presisi 4-bit.

Pelatihan berjalan dalam empat tahap: 22 triliun token pra-pelatihan, fase pelatihan menengah berbobot 3,5 triliun token yang banyak berisi jejak agentik dan panggilan alat yang juga memperluas konteks hingga 256K, fine-tuning terawasi pada 1,75 triliun token, lalu pembelajaran penguatan campuran yang dikombinasikan dengan distilasi on-policy multi-domain dari enam guru spesialis. Kosakatanya adalah 128K token, dibagi dengan LFM2.5-8B-A1B dan dirancang untuk melakukan tokenisasi aksara non-Latin dengan lebih efisien daripada pendahulunya.

Enam model, dan ke mana konteksnya pergi

Liquid secara eksplisit menyatakan bahwa ini adalah saudara, bukan tingkatan. Masing-masing menggunakan backbone yang sama dan dilatih lanjut untuk bentuk keluaran yang berbeda.

• LFM3-1.7B — model teks padat dan agen, 1,73 miliar parameter, konteks 256K, pemanggilan alat native, dan output terstruktur.

• LFM3-VL-2B — visi-bahasa, 1,9 miliar parameter, dengan encoder visi internal yang menurut Liquid membutuhkan sekitar sepertiga komputasi SigLIP2.

• LFM3-Audio-2B — ASR, TTS, terjemahan ucapan, dan pemahaman audio, menggunakan encoder internal plus LiquidCodec.

• LFM3-Omni-2B — model omni pertama Liquid: teks, gambar, video, dan audio sebagai masukan, teks atau ucapan sebagai keluaran.

• d1-2B — model keputusan yang dibangun dari cabang visi yang menjawab pertanyaan terstruktur dalam satu forward pass dengan probabilitas terkalibrasi, bukan prosa bebas.

• d1-omni-2B — antarmuka keputusan yang sama pada cabang omni.

Jendela konteksnya tidak seragam, dan inilah detail yang paling banyak dilewatkan liputan peluncuran. Liquid menerbitkan jendela konteks untuk model teks dan model dasar — 256K, gabungan input dan output — dan tidak untuk satu pun dari empat model lainnya. Baik pengumuman maupun dokumentasi model tidak menyebutkan panjang konteks untuk LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B, maupun salah satu model keputusan. Tulisan pihak ketiga telah menyebarkan angka 128K untuk model visi dan 32K untuk model omni, dan angka-angka itu bisa jadi benar, tetapi per 28 Oktober angka tersebut tidak ada di halaman Liquid sendiri. Jika Anda merencanakan agen yang membaca dokumen panjang dan juga melihat tangkapan layar, saat ini Anda sama sekali tidak dapat menentukan ukuran konteks model omni dari dokumentasi pihak pertama. Itu adalah celah yang layak disebutkan, bukan diisi dari blog yang mengisinya dari sumber lain.

Tabel benchmark, dibaca dengan jujur

Setiap angka performa di bawah ini adalah milik Liquid sendiri, dihasilkan pada harness milik Liquid sendiri, dan tidak satu pun telah direproduksi secara independen. Per 28 Oktober 2026, tidak ada entri LFM3 di Artificial Analysis — tidak ada Intelligence Index, tidak ada pengukuran kecepatan atau latensi dari pihak netral. Hal itu lebih penting dari biasanya di sini karena perbandingan yang menjadi andalan peluncuran adalah perbandingan pada harness yang sama, yang cenderung menguntungkan model mana pun yang harness-nya disetel untuknya.

LFM3-1.7B memperoleh skor 49,37 pada rata-rata 27 benchmark Liquid. LFM2.5-2.6B milik perusahaan itu sendiri memperoleh skor 31,55 pada set yang sama, dan dari situlah klaim "35% lebih sedikit parameter" berasal. Baris yang menarik bukanlah rata-ratanya:

• Penggunaan alat — BFCL V4 71.39, ToolSandbox 80.36, τ³-bench 68.01, MCP-Atlas 32.57.

• Web agentik — WebArena-Verified 38.42, AutomationBench 41.29, BrowseComp-Plus 37.00, LiveClaw 45.60.

• Pengodean agentik — SWE-bench Verified 43.40, SWE-bench Multilingual 23.00, Terminal-Bench 2.1 pada 12.92.

• Kepatuhan terhadap instruksi — IFEval 96.66, IFStruct 93.72, IFBench 73.03, Multi-IF 89.10.

• Pengetahuan — GPQA Diamond 63.37, HLE 7.17 tanpa alat dan 13.90 dengan alat.

• Konteks panjang — RULER 128K 65.56, AA-LCR 52.83.

Jika dibaca sebagai bentuk, bukan sebagai angka total, profilnya koheren: kepatuhan terhadap instruksi sangat kuat, pemanggilan alat satu putaran cukup lumayan, dan penurunan tajam begitu tugas membutuhkan banyak langkah berurutan. Terminal-Bench 2.1 di 12.92 dan SWE-bench Multilingual di 23.00 bukanlah angka yang bisa menjadi dasar untuk membangun agen coding otonom. Liquid tidak menyembunyikan hal ini — kartu model mengarahkan pengguna menjauh dari penalaran kompleks dan coding multi-langkah, yang merupakan posisi yang luar biasa langsung dari vendor pada hari peluncuran.

Klaim efisiensi adalah separuh lainnya dari pitch. Pada Q4_0 dan konteks 32K, Liquid mengatakan LFM3-1.7B adalah model tercepat dengan jejak memori terendah di ketiga perangkat uji, 1,8× hingga 2,8× lebih cepat daripada pesaing berikutnya. Pada satu NVIDIA B300 dengan SGLang dalam BF16, model ini melayani 3,6 miliar token per hari pada 1.024 permintaan bersamaan. Perusahaan juga menjalankan lebih dari 300.000 agen LFM3-1.7B secara paralel pada arsip email Enron sebagai demonstrasi stres. Itu adalah angka dari vendor, belum diaudit, tetapi itu adalah jenis angka yang sulit dibesar-besarkan secara diam-diam.

Lisensi dan berapa biaya untuk menjalankannya

Bobot tersedia di Hugging Face dalam build BF16, FP8, NVFP4, GGUF, MLX, dan ONNX, dengan dukungan sejak hari pertama di vLLM, SGLang, Transformers, llama.cpp, MLX, ONNX Runtime, Ollama, dan LM Studio. Lisensinya adalah LFM Open License v1.0: penggunaan komersial bebas royalti di bawah $10 juta pendapatan tahunan, dengan perjanjian terpisah di atasnya. Ambang itu, bukan jumlah parameter, adalah garis yang menentukan apakah LFM3 gratis untuk perusahaan tertentu.

Liquid juga menjalankan API hosted, dan di sana catatan publiknya lebih tipis daripada yang disiratkan peluncurannya. Dokumentasinya mencantumkan ID model dan batas input-plus-output 256K, tetapi tidak ada daftar tarif. Laporan pihak ketiga menempatkan tarif hosted untuk LFM3-1.7B sekitar $0,08 per juta token input dan $0,20 per juta token output, dengan varian vision, audio, omni, dan decision dibanderol lebih tinggi; Liquid belum menerbitkan angka-angka itu di halaman mereka sendiri, jadi anggap saja sebagai laporan, bukan konfirmasi. Sebaliknya, self-hosting tidak memiliki harga per token sama sekali — biayanya adalah mesinnya, dan pada 4-bit mesin itu bisa berupa ponsel.

Di mana OrcaRouter cocok — dan di mana tidak

LFM3 tidak ada dalam katalog OrcaRouter, dan kami tidak akan berpura-pura sebaliknya. Ini adalah perangkat lunak berbobot terbuka yang Anda jalankan sendiri atau panggil melalui API milik Liquid. Yang menjadi keunggulan router ini adalah lapisan di sekitarnya. Spesialis 1,7B jarang menjadi satu-satunya model dalam pipeline: ia menangani panggilan alat, klasifikasi, atau ekstraksi, dan model yang lebih besar menangani giliran yang membutuhkan pertimbangan. OrcaRouter menempatkan model-model yang dihosting tersebut di balik satu kunci dengan markup 0% — harga daftar penyedia diteruskan langsung — sehingga jalur eskalasi dari LFM3 ke model frontier adalah aturan perutean, bukan kontrak kedua. Failover otomatisnya paling penting untuk beban kerja yang menjadi sasaran LFM3, di mana satu model kecil adalah satu-satunya yang menghalangi antara permintaan dan error.

DSL routing adalah kecocokan yang lebih menarik. Menggabungkan model spesialis dengan generalis dalam satu panggilan — pekerjaan berbentuk LFM3 dirutekan ke model kecil, sisanya diteruskan ke model terkelola — adalah pola penerapan yang menjadi tujuan keluarga ini dibangun. Argumen utama Liquid adalah bahwa model 2B mengalahkan model terdepan pada tugas sempit dengan biaya sebagian kecil. Router adalah cara Anda menangkap penghematan itu tanpa mempertaruhkan seluruh pipeline padanya.

Apa yang harus ditonton

Pertanyaan terbuka bukanlah apakah LFM3 bagus pada hal yang diklaimnya. Melainkan apakah klaim-klaim itu bertahan pada harness yang tidak ditulis oleh Liquid. Angka agenik keluarga ini adalah yang pertama harus diuji ulang, karena WebArena-Verified pada 38,42 dan AutomationBench pada 41,29 jauh di atas apa yang secara historis mampu dicapai model 1,7B, dan benchmark agenik paling sensitif terhadap prompt scaffolding dan kebijakan percobaan ulang. Eksekusi independen yang hasilnya berada dalam beberapa poin dari tabel Liquid akan menjadikan LFM3 pilihan default untuk pemanggilan alat di perangkat. Eksekusi yang hasilnya sepuluh poin lebih rendah akan menjadikannya pengikut instruksi yang baik dengan cerita agen yang dilebih-lebihkan.

Sampai uji coba itu ada, ringkasan yang jujur adalah ini: LFM3 adalah keluarga model kecil yang direkayasa dengan baik dan luar biasa terbuka, dengan campuran lapisan yang benar-benar baru, keunggulan memori yang nyata, bobot yang diterbitkan pada ambang lisensi yang dapat digunakan, dan tanpa verifikasi independen atas tolok ukur utama apa pun. Jendela 256 token dalam tabel arsitektur bukanlah panjang konteks. Semua hal lain dalam peluncuran ini layak diterima apa adanya sampai ada yang membuktikan sebaliknya — dan layak diukur sendiri sebelum Anda menempatkannya di hadapan pengguna.