Bocoran LFM3: Keluarga Berikutnya dari Liquid AI Adalah Empat Model Omni Kecil

Pull request yang dibuka di GitHub pada 27 Oktober 2026 ingin mengajari SGLang cara menyajikan keluarga model yang tidak ada di publik. PR itu menyebut empat checkpoint — LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B, dan LFM3-Omni-2B — dan jika dibaca berdampingan dengan LFM2.5-2.6B dan LFM2.5-24B-A2B yang sudah dirilis, tampak seperti cetak biru untuk apa yang akan dibangun Liquid AI berikutnya. PR tersebut belum di-merge. Ketiga pemeriksaan CI-nya gagal. Liquid AI belum mengumumkan apa pun tentang itu. Diff yang belum di-merge itu adalah seluruh catatan publik LFM3 per hari ini, dan itu lebih informatif daripada kebanyakan postingan peluncuran — asalkan Anda membacanya untuk apa adanya.

Jadi mari kita bersikap presisi tentang buktinya, karena bukti itu tipis di satu sisi dan luar biasa rinci di sisi lain. Tidak ada di sini tanggal rilis, harga, ketentuan lisensi, atau skor benchmark. Tidak ada kartu model LFM3, tidak ada repositori Hugging Face, tidak ada posting blog, tidak ada daftar API. Yang ada adalah kontribusi dari tugot17 — Piotr Mazurek, yang selama dua bulan terakhir telah menghadirkan dukungan runtime LFM di SGLang, llama.cpp, dan mlx-vlm — ditambah materi terbitan Liquid sendiri tentang generasi LFM2.5 yang akan segera digantikannya. Semua yang berikut ini diberi label sesuai dengan itu.

Apa yang sebenarnya diajukan oleh pull request ini

Judul PR adalah [Feat] lfm3: Menambahkan dukungan teks, visi, audio, dan Omni, dan PR ini membawa dua label yang menunjukkan jenis perubahannya: jit-kernel dan Multi-modal. PR ini menambahkan pembuatan teks native untuk keluarga yang terdiri dari empat model, masing-masing dengan jalur checkpoint sendiri:

• LFM3-1.7B — teks masuk, teks keluar, model bahasa biasa di dasar keluarga

LFM3-VL-2B — teks, gambar, dan video masuk, teks keluar

• LFM3-Audio-2B — teks dan audio masuk, teks keluar, dan juga terhubung ke endpoint /v1/audio/transcriptions

• LFM3-Omni-2B — menerima teks, gambar, audio, dan video, termasuk soundtrack milik video itu sendiri, serta menghasilkan teks

Satu detail dalam daftar itu layak diperhatikan sejenak. Setiap varian mengeluarkan teks. Tidak ada jalur keluaran audio di mana pun dalam PR, dan permukaan non-chat model audio adalah transkripsi — masukan ucapan, keluaran teks. Itu lebih sempit daripada lini audio Liquid saat ini, yang mendokumentasikan LFM2.5-Audio-1.5B sebagai menangani ASR, TTS, dan obrolan suara berselang-seling dalam satu model. Entah potongan SGLang pertama hanya mencakup separuh LFM3-Audio yang menghasilkan teks, atau keluarga omni benar-benar menghilangkan sintesis ucapan. PR tidak dapat memastikan yang mana, dan siapa pun yang mengatakan bahwa PR memastikannya sedang menduga-duga. Anggap "LFM3 berbicara" sebagai belum terbukti.

Sisa diff adalah detail implementasi yang tetap memberi petunjuk tentang kapan pekerjaan itu dilakukan. Encoder visi dan audio beserta proyektornya, backbone bersama, integrasi cache hibrida, kernel konvolusi CuTe DSL dengan fallback PyTorch, dan catatan bahwa FlashInfer secara default menggunakan paged prefill agar attention sliding-window berperilaku semestinya. Validasi dijalankan pada H100 dalam FP16 menggunakan apa yang disebut deskripsi sebagai checkpoint pengembangan — empat kata yang penting nanti.

Kalimat arsitektur, dan angka yang akan salah dibaca orang

PR tersebut mendeskripsikan LFM3 sebagai tulang punggung bersama dari konvolusi pendek bergerbang dengan atensi penuh dan jendela geser. Itu adalah kelanjutan garis keturunan LFM2, bukan penggantinya: LFM2.5-24B-A2B didokumentasikan sebagai hibrida konvolusi pendek bergerbang dan atensi grouped-query di seluruh 40 lapisan. Yang tampak baru dalam bocoran tersebut adalah komponen jendela geser eksplisit yang berada di samping atensi penuh.

Catatan validasi menyebutkan prompt yang berjalan melewati jendela geser 256 token, dan ini adalah angka yang akan dikutip di luar konteks sepanjang minggu. Ini bukan panjang konteks LFM3. Dalam desain hibrida, lapisan attention hanya perlu melihat secara lokal karena lapisan konvolusi membawa sinyal jarak jauh — itulah seluruh premis arsitektur ini, dan itulah sebabnya keluarga ini dapat menampung 131.072 token konteks pada LFM2.5-24B-A2B sementara sebagian besar lapisannya sama sekali tidak melakukan attention kuadratik. Jendela attention 256 token adalah pernyataan tentang di mana model melihat di dalam satu lapisan, bukan berapa banyak teks yang dapat diterimanya. PR tidak menyatakan total konteks LFM3, dan belum ada orang di luar Liquid yang mengetahuinya.

Mengapa pull request runtime adalah sinyal, bukan noise

Wajar untuk mencurigai pembacaan strategi produk dari diff infrastruktur. Dalam kasus khusus ini, polanya terlalu konsisten untuk diabaikan, karena Liquid merilis dukungan engine bersamaan dengan bobotnya, bukan setelahnya. LFM2.5-2.6B mencantumkan llama.cpp, MLX, vLLM, SGLang, ONNX, dan Transformers 5.0+ sebagai target hari pertama. LFM2.5-24B-A2B didukung di llama.cpp, MLX, vLLM, SGLang, dan ONNX saat peluncuran. Keluarga yang hadir dengan lima runtime siap harus sudah menulis kernelnya sebelum pengumuman, yang berarti PR-nya masuk lebih dulu dan posting blog menyusul.

Penulis tersebut cocok persis dengan kronologi itu. Sejarah publik Mazurek adalah rangkaian pekerjaan integrasi LFM: decoding spekulatif DSpark untuk LFM2-VL di SGLang pada September, LFM2.5-VL-3B dan perbaikan model draf DSpark di llama.cpp pada bulan yang sama, decoding spekulatif yang diwarisi dari model teks di mlx-vlm, dan penggunaan ulang konfigurasi LFM2-MoE di SGLang pada 13 Oktober. LFM3 adalah entri berikutnya dalam urutan itu, diajukan pada akhir pekan ketika keluarga model tersebut berganti nama.

Dua ketiadaan sama bermaknanya dengan kehadiran. Tidak ada pull request yang cocok di Hugging Face Transformers untuk LFM3 — pencarian di repositori itu tidak mengembalikan apa pun — dan PR SGLang memuat checkpoint-nya melalui Transformers 5.19.0 standar dengan --trust-remote-code, yang merupakan hal yang Anda lakukan ketika arsitekturnya belum tersedia secara native di pustaka tersebut. Ada juga commit yang secara eksplisit menolak speculative decoding untuk LFM3, sehingga pekerjaan DSpark yang dirilis untuk generasi 2.5 belum dibawa ke sini. Masih awal, dan memang sengaja belum lengkap.

Pertanyaan tentang ukuran yang belum dijawab siapa pun

Di sini kebocoran dan ambisi yang dinyatakan menarik ke arah yang berlawanan, dan ketegangan itulah hal yang paling menarik dalam dokumen tersebut.

Maxime Labonne, Head of Pretraining di Liquid, menggambarkan tujuan LFM3 sebagai pengujian apakah pendekatan konvolusi pendek yang berfungsi pada skala 350M hingga 1,2B dapat bertahan di atas 10B parameter — rezim di mana arsitektur atensi secara historis memiliki keunggulan. Itu adalah pertanyaan penskalaan, dan itu menyiratkan model yang besar.

Checkpoint yang bocor berukuran 1,7B dan tiga berukuran 2B. Tidak satu pun dari checkpoint tersebut berada di atas ambang batas yang dimaksud pertanyaan itu.

Dua tafsiran masih bertahan. Yang pertama adalah bahwa ini merupakan gelombang pertama yang ringkas — keluarga omni untuk ponsel dan mobil sebelum saudara besarnya hadir, yang sesuai dengan cara Liquid selama ini memimpin dengan model-model kecil dan bagaimana PR menggambarkannya sebagai checkpoint pengembangan, bukan rilis final. Yang kedua adalah bahwa 1.7B dan 2B hanyalah ukuran yang praktis untuk memvalidasi kernel, dan tidak memberi tahu kita apa pun tentang apa yang akan dirilis. Posisi yang jujur adalah bahwa kebocoran ini membuktikan keluarga tersebut ada dan membuktikan bentuknya; tetapi tidak membuktikan batas puncaknya. Jika Anda menunggu model Liquid >10B, PR ini tidak menjanjikannya, juga tidak menutup kemungkinannya.

Apa yang diwarisi LFM3, baik maupun buruknya

Baseline yang harus dikalahkannya masih baru dan terdokumentasi dengan baik. LFM2.5-24B-A2B dirilis pada 13 Oktober 2026 dengan total 24B parameter dan 2B aktif, 40 lapisan, 64 pakar, serta perutean top-4, konteks 131.072 token, kosakata 128K, dan 33T token prapelatihan. LFM2.5-2.6B, dari awal Agustus, muat dalam kurang dari 2,5GB dengan konteks 128K. LFM2.5-VL-3B memasangkan basis 2.6B dengan encoder visi SigLIP2.

Perlu dinyatakan secara terus terang: setiap benchmark yang Liquid publikasikan untuk model-model ini dijalankan oleh vendor pada harness milik Liquid sendiri, tanpa evaluasi independen yang dilampirkan. Angka utama LFM2.5-24B-A2B — AutomationBench 27.69, BFCLv4 65.01, ToolSandbox 80.71, IFEval 96.75 — adalah angka Liquid, dan tabel yang sama menunjukkan bahwa model ini kalah dari Qwen3.6-35B-A3B pada WebArena Verified (26.75 berbanding 37.62), GPQA Diamond, dan SWE-Bench Verified. Tabel vendor yang mencantumkan kekalahan lebih kredibel daripada yang tidak, tetapi kredibel tidak sama dengan terverifikasi. Tidak ada angka LFM3 dalam bentuk apa pun, jadi belum ada yang bisa dibandingkan.

Lisensi juga akan berlaku ke depan. Checkpoint LFM terbaru dari Liquid di Hugging Face masing-masing diberi tag license: other — lisensi LFM khusus, bukan Apache-2.0 atau MIT. Apa pun lisensi yang digunakan LFM3, anggap ketentuan khusus yang sama berlaku sampai model card menyatakan sebaliknya, dan bacalah sebelum Anda membangun produk di atas bobot tersebut.

Kapan itu mungkin benar-benar terwujud

Tidak ada yang tahu tanggalnya, termasuk orang-orang yang menebak secara profesional. Pertanyaan Manifold Markets tentang kapan LiquidAI LFM3 akan dirilis menempatkan Q4 2026 pada 40%, Q1 2027 pada 21%, Q2 2027 pada 21%, Q3 2026 pada 11%, dan Q2 2026 pada 7% — dengan total volume sekitar Ṁ160, yang cukup kecil sehingga persentasenya mencerminkan segelintir trader alih-alih konsensus. Bacalah sebagai "mungkin suatu waktu dalam dua kuartal ke depan", dan tidak lebih presisi dari itu.

Mekanismenya mendukung untuk lebih cepat daripada nanti. Pekerjaan kernel yang masuk ke runtime besar adalah rekayasa tahap akhir, bukan tahap awal — Anda tidak menulis kernel konvolusi CuTe dan menyambungkan cache hibrida untuk model yang masih setahun lagi. Nama keluarga telah stabil menjadi LFM3 di empat varian dan empat jalur checkpoint. Tetapi PR tersebut belum di-merge dengan ketiga pemeriksaan masih merah, memerlukan ulasan persetujuan yang belum dimilikinya, dan 2 dari 22 pemeriksaan validasi omni serta 2 dari 16 pemeriksaan visi masih gagal dalam perbandingan ROUGE-nya. Itu branch yang masih di tengah jalan, bukan kandidat rilis.

Apa artinya ini jika Anda memilih model minggu ini

Tidak ada apa pun tentang LFM3 yang semestinya mengubah keputusan yang Anda buat hari ini. Model ini tidak tersedia, belum diberi harga, belum diuji benchmark, dan belum dilisensikan secara publik. Jika Anda membutuhkan model multimodal kecil sekarang, generasi LFM2.5 adalah jawaban yang sebenarnya, dan keterbatasannya — skor yang dilaporkan vendor, lisensi khusus, dan profil coding yang ditandai oleh tabel Liquid sendiri maupun liputan pihak luar sebagai titik lemah — adalah hal-hal yang perlu dipertimbangkan.

Hal yang membuat kebocoran ini benar-benar berguna adalah perencanaan. Bocoran ini memberi tahu Anda bahwa keluarga omni yang ringkas akan datang, bahwa kemungkinan besar keluarga itu akan hadir di beberapa runtime sekaligus, dan bahwa varian audionya mungkin tidak menyintesis ucapan. Jika peta jalan Anda mengasumsikan langkah Liquid berikutnya adalah model teks yang lebih besar, bukti sejauh ini tidak mendukung asumsi tersebut.

Fragmentasi runtime adalah masalah praktis yang akan ditimbulkan keluarga ini. Kebiasaan Liquid merilis ke llama.cpp, MLX, vLLM, SGLang, dan ONNX secara bersamaan baik untuk portabilitas tetapi merepotkan bagi siapa pun yang menginginkan satu endpoint: lima mesin berarti lima bentuk penerapan, lima rangkaian keanehan prapemrosesan, dan lima tanggal berbeda saat perbaikan tersedia. OrcaRouter memiliki katalog lebih dari 200 model yang tidak mencakup satu pun checkpoint LFM saat ini, jadi tidak ada cara untuk memanggil LFM3 melaluinya dan tidak ada yang di sini boleh dibaca sebagai janji bahwa akan ada. Yang sebenarnya menjadi fungsi lapisan perutean dalam situasi ini adalah sambungan antara model yang belum terbukti dan jalur produksi — mengirim sebagian trafik ke sesuatu yang baru sementara model yang sudah dikenal tetap berada di belakangnya, dengan failover menangkap celahnya, adalah cara mengevaluasi penerus keluarga yang belum dirilis tanpa mempertaruhkan fitur yang berhadapan langsung dengan pelanggan pada pasar prediksi 40%.

Pertanyaan-pertanyaan terbuka yang layak dicermati

Empat hal akan menyelesaikan ini lebih cepat daripada spekulasi lebih lanjut. Apakah keempat jalur checkpoint menjadi repositori Hugging Face yang nyata dan dapat diunduh — saat ini pencarian pada organisasi LiquidAI tidak mengembalikan apa pun di bawah LFM3, dan repositori yang disebutkan dalam PR tidak dapat diselesaikan secara publik. Apakah PR Transformers muncul, yang akan menandakan arsitektur tersebut di-upstream dengan benar alih-alih dijalankan melalui remote code. Apakah pemeriksaan validasi yang gagal tertutup, karena 2 dari 22 kegagalan omni adalah perbedaan antara demo dan merge. Dan apakah anggota keluarga yang >10B muncul, yang merupakan pertanyaan yang menurut Labonne menjadi alasan LFM3 ada untuk dijawab.

Sampai saat itu, kalimat paling akurat yang bisa ditulis siapa pun tentang LFM3 adalah kalimat yang membuka artikel ini: ada sebuah pull request, pull request itu belum di-merge, dan di dalamnya disebutkan empat model omni kecil yang belum diumumkan oleh Liquid AI. Itu adalah sinyal nyata — hanya saja sinyal awal, dan sinyal awal pantas dibaca sebagai tepat seperti itu.