LFM3-Omni-2B: Model Omni yang Berbicara, dan Kebocoran yang Menyebutnya Tidak Bisa

LFM3-Omni-2B menjawab dengan suara. Satu kalimat itu adalah beritanya, karena seminggu sebelumnya bukti publik terbaik mengatakan sebaliknya. Ketika keluarga LFM3 muncul melalui pull request SGLang yang belum digabungkan, checkpoint-nya hanya dikonfigurasi untuk keluaran teks, dan tulisan kami sendiri tentang kebocoran itu menyimpulkan, dengan tepat pada saat itu, bahwa "LFM3 berbicara" belum terbukti. Pada 27 Oktober 2026, Liquid AI menerbitkan pengumuman keluarga dan kartu model, dan kartu tersebut memastikannya: keluaran suara 24 kHz, dihasilkan melalui komponen bernama LiquidCodec, dialirkan lebih cepat daripada waktu nyata.Model yang belum terbukti seharusnya tidak menjadi penopang pada hari pertama. failover otomatis Trafik dapat berpindah berdasarkan aturan, dan jalur yang gagal dialihkan tanpa perubahan kode.

Segala hal lain tentang rilis ini lebih senyap daripada yang disiratkan oleh koreksi tersebut. Pengumuman Liquid mencakup enam model, dan LFM3-Omni-2B hanya mendapat tiga kalimat di dalamnya — tanpa tabel tolok ukur, tanpa panjang konteks, tanpa jumlah parameter. Catatan kuantitatif sepenuhnya berada di kartu Hugging Face, yang merupakan sumber setiap angka di bawah ini. Perpecahan itu layak dipahami sebelum Anda merencanakan berdasarkan model ini: posisinya adalah pemasaran, angkanya berasal dari repositori, dan tidak ada satu pun dari keduanya yang telah diuji secara independen.

Apa yang sebenarnya dirilis, dan kapan

Repositori ini dibuat pada 21 Oktober 2026 pukul 16.58 UTC. {{1}}Kartu tersebut terakhir dimodifikasi pada 27 Oktober pukul 17.25 UTC, pada hari yang sama dengan postingan keluarga.{{/1}} Pada saat penulisan, {{2}}Hugging Face menunjukkan 83 unduhan dan 17 suka — angka moderat yang sesuai dengan checkpoint yang dipublikasikan sebagai salah satu cabang dari keluarga enam model, bukan sebagai rilis unggulan.{{/2}} Repositori saudara menyampaikan cerita yang sama: LFM3-VL-2B dibuat pada 19 Oktober, LFM3-Audio-2B pada 8 September, dan semuanya disentuh pada 27 Oktober.

Jadi ini bukan model yang tidak diumumkan dalam pengertian yang disiratkan oleh brief tersebut. Liquid mengumumkan keluarga itu, menyebutkan enam cabangnya, dan menjelaskan apa yang dilakukan model omni tersebut. Yang tidak dilakukan perusahaan adalah mengumumkan LFM3-Omni-2B dengan caranya sendiri. Tidak ada postingan mandiri, tidak ada tulisan evaluasi hari peluncuran, tidak ada halaman harga karena tidak ada endpoint yang dihosting, dan tidak ada benchmark independen. Celah antara "diumumkan" dan "didokumentasikan" itulah yang menjadi fokus artikel ini.

Kartu secara lengkap

Checkpoint ini adalah satu build BF16 dengan 2.166.928.384 parameter, yang pada kartu model dibulatkan menjadi 2,17B. Model ini berada di atas trunk LFM3-1.7B-Base — tulang punggung tri-hibrida yang sama dengan anggota lain dalam keluarga, dengan konvolusi pendek bergerbang menopang sebagian besar lapisan dan atensi global dikhususkan untuk segelintir lapisan saja. Di atas trunk tersebut terdapat encoder visi, encoder audio kausal, dan tokenizer LiquidCodec yang mengubah token hasil generasi kembali menjadi bentuk gelombang.

• Masukan — teks, gambar pada resolusi asli, video pada 2 bingkai per detik untuk 4 hingga 384 bingkai, dan audio 16 kHz. Masukan video dapat menyertakan trek suaranya sendiri.

• Keluaran — teks, ucapan 24 kHz, atau keduanya dalam respons yang sama.

• Konteks — 32.768 token yang mencakup input dan output secara bersamaan.

• Anggaran gambar — maksimum 2.048 token visual per gambar, berapa pun resolusinya.

• Bahasa — kartu tersebut mencantumkan 16 bahasa teks dan 19 bahasa atau lokal ucapan; metadata repositori mengklaim 23. Kedua angka tersebut tidak saling cocok di halaman itu.

• Lisensi — LFM Open License v1.0, ketentuan khusus yang telah digunakan Liquid sejak LFM2, bukan lisensi OSI.

• Penalaran — tidak ada. Kartu tersebut menyatakan bahwa mode berpikir tidak didukung dan bahwa enable_thinking=True tidak dapat digunakan.

Dua dari baris-baris itu lebih penting daripada yang lain. Yang pertama adalah konteks 32K, yang kecil untuk model multimodal 2026 dan merupakan konsekuensi langsung dari target on-device: setiap token konteks memakan memori di ponsel. Yang kedua adalah lisensinya. LFM Open License v1.0 bukan Apache-2.0, dan ketentuannya memuat ambang pendapatan yang menentukan siapa yang dapat menggunakan bobot tersebut secara komersial tanpa perjanjian terpisah. Jika Anda mengevaluasi model ini untuk suatu produk, bacalah lisensinya sebelum Anda membaca tolok ukurnya.

Angka-angka yang tidak diumumkan siapa pun

{{1}}Postingan Liquid{{/1}} membuat satu klaim komparatif tentang {{2}}LFM3-Omni-2B{{/2}}: bahwa model itu mengalahkan model hingga {{3}}10,7B parameter{{/3}}, "seperti {{4}}Qwen2.5-Omni-7B{{/4}}," pada {{5}}Daily-Omni{{/5}}, {{6}}WorldSense{{/6}}, dan {{7}}AV-SpeakerBench{{/7}}. Tidak ada skor yang menyertai kalimat itu. Kartu tersebut menyediakannya, dan skor itu diukur sendiri oleh {{8}}Liquid AI{{/8}} — evaluasi vendor, bukan evaluasi independen, dan satu-satunya evaluasi yang ada.

Pada tiga benchmark yang disebutkan dalam postingan, kartu melaporkan Daily-Omni 70,09, WorldSense 47,10, dan AV-SpeakerBench 46,79. OmniBench tercatat 46,32 secara keseluruhan dengan 48,25 pada subset ucapan. Untuk pertanyaan visual berbasis ucapan — trik andalan model, ketika Anda bertanya tentang sebuah gambar secara lisan — kartu mencantumkan RealWorldQA 64,68, MMStar 51,79, POPE 83,78, ERQA 39,43, dan EmbSpatial 67,59. Baris audionya adalah ASR bahasa Inggris pada tingkat kesalahan kata 6,36, ASR multibahasa 6,72, sintesis ucapan bahasa Inggris 3,80 UTMOSv2, VoiceBench 64,73, dan MMAR pemahaman audio 51,40. Skor visi khusus teksnya, sebagai pelengkap, adalah DocVQA 92,47, OCRBench 806 dari 1.000, validasi MMMU 42,44, dan MathVista mini 62,50.

Dibaca sebagai satu kesatuan, skor-skor itu menggambarkan sebuah model yang cakap dalam segala hal dan tidak unggul dalam hal apa pun. Skor 46.79 pada AV-SpeakerBench dan 47.10 pada WorldSense bukanlah angka yang memenangkan papan peringkat; itu adalah angka yang menunjukkan bahwa model 2.2B dapat bersaing dalam penalaran audio-visual tanpa ambruk. Skor DocVQA adalah pencilan ke arah sebaliknya dan angka tunggal paling menarik dalam tabel — 92.47 dari model omni 2.2B tergolong tinggi, dan itu adalah satu-satunya baris di mana checkpoint ini jelas mengungguli model visi khusus milik Liquid sendiri, yang melaporkan 91.1.

Apa yang benar dari bocoran itu, dan satu hal yang salah

Pull request SGLang yang membuat keluarga ini terlihat publik akurat tentang hampir semua hal struktural. Pull request itu menyebutkan keempat checkpoint dengan benar, mendeskripsikan backbone bersama dengan benar, dan tepat bahwa jendela geser 256 token adalah pengaturan attention, bukan batas konteks. Pull request itu juga tepat untuk berhati-hati: pull request tersebut belum di-merge, tiga pemeriksaan CI gagal, dan dua dari dua puluh dua pemeriksaan validasi omni masih gagal pada perbandingan ROUGE terhadap checkpoint pengembangan.

Di mana itu menyesatkan — dan di mana kami mengulanginya — adalah modalitas keluaran. Jalur runtime yang dihubungkannya mengembalikan teks. Tidak ada cabang keluaran audio dalam kode itu, dan inferensi yang wajar adalah bahwa keluarga tersebut mungkin telah menghilangkan sintesis ucapan, atau bahwa potongan runtime pertama hanya teks. Model yang dirilis melakukan keduanya. Pelajarannya bukanlah bahwa kebocoran itu sembarangan; melainkan bahwa integrasi penyajian menggambarkan jalur yang diimplementasikan seseorang, bukan kemampuan checkpoint di baliknya. Sebuah PR adalah bukti tentang runtime, dan kami memperlakukannya sebagai bukti tentang model.

Apa yang masih belum dikonfirmasi

Tiga hal, dan ketiganya adalah yang akan menentukan deployment produksi.

Pertama, tidak ada evaluasi independen dalam bentuk apa pun. Semua angka di atas dihasilkan oleh perusahaan yang membangun model tersebut, dengan harness miliknya sendiri, tanpa metodologi yang dipublikasikan. Tidak ada entri Artificial Analysis, tidak ada hasil LMArena, tidak ada reproduksi pihak ketiga. Perlakukan tabel benchmark sebagai spesifikasi niat, bukan pengukuran.

Kedua, penyajian suara tidak terdokumentasi di luar jalur vendor itu sendiri. Kartu tersebut menyatakan dukungan SGLang mencakup output teks dan tidak mendokumentasikan bagaimana cabang suara disajikan. Jika rencana Anda adalah "satu model, jawaban lisan, di perangkat keras kami sendiri," kartu tersebut tidak memberi Anda rujukan untuk paruh kedua kalimat itu. Repositori tidak mencantumkan penyedia inferensi pada saat penulisan.

Ketiga, angka-angka bahasa tidak saling cocok. Enam belas bahasa teks, sembilan belas lokal ucapan, dua puluh tiga dalam metadata. Itu mungkin tiga definisi berbeda untuk hal yang sama, tetapi belum ada yang menerbitkan mana yang benar.

Mengapa model omni 2.2B merupakan pertaruhan yang berbeda

Cara biasa membangun asisten suara pada 2026 adalah pipeline: model ASR mengubah ucapan menjadi teks, model bahasa berpikir, model visi menangani kamera, dan model TTS mengucapkan jawabannya. Setiap tahap adalah checkpoint terpisah, anggaran latensi terpisah, dan mode kegagalan terpisah. Klaim LFM3-Omni-2B adalah bahwa keempatnya melebur menjadi satu file BF16 4,3 GB yang muat di ponsel dan tidak pernah meninggalkannya.

Itu adalah argumen arsitektural yang nyata, dan itulah sebabnya skor benchmark lebih tidak penting daripada bentuk dari hal tersebut. Pipeline yang terdiri dari empat model spesialis kecil biasanya akan mengalahkan satu model generalis tunggal pada setiap tugas individu. Yang tidak bisa dilakukannya adalah berbagi representasi: model omni mendengar nada dari pertanyaan tentang sebuah gambar, dan jawabannya dikondisikan pada keduanya sekaligus. Apakah itu menghasilkan jawaban yang lebih baik adalah persis hal yang belum diuji oleh evaluasi independen.

Cara praktis menggunakan checkpoint seperti ini selama belum terbukti adalah menjauhkannya dari jalur kritis Anda. OrcaRouter memiliki DSL routing yang dibangun untuk pola itu — jalur spesialis dan jalur eksperimental di balik satu endpoint, sehingga model baru dapat menerima lalu lintas sesuai dengan keandalannya, bukan sekaligus, dengan failover otomatis saat terjadi error. LFM3-Omni-2B belum ada di katalog kami saat ini, jadi tidak ada di sini yang merupakan klaim bahwa Anda dapat memanggilnya melalui kami. Ketika model seperti ini benar-benar tersedia, itulah bentuk deployment yang cocok untuknya: tersedia, terukur, dan tidak memikul beban sampai ia membuktikan kemampuannya.

Apa yang harus ditonton

Sinyal berikutnya bukan tabel benchmark lain. Yang menjadi pertanyaan adalah apakah ada pihak di luar Liquid yang menerbitkannya. Model omni 2.2B yang benar-benar mempertahankan 70,09 pada Daily-Omni adalah hasil yang patut diperhatikan untuk pekerjaan di perangkat, dan reproduksi independen — bahkan yang parsial — akan lebih bernilai daripada lembar lengkap dari vendor. Sinyal kedua adalah penggabungan SGLang: ketika jalur ucapan didokumentasikan dalam stack serving, model itu berhenti menjadi sekadar repositori dan mulai menjadi infrastruktur.

Sampai saat itu, ringkasan jujurnya sempit. LFM3-Omni-2B ada, ukurannya lebih kecil daripada hampir semua yang menjadi pesaingnya, ia menerima empat modalitas dan menghasilkan dua, dan ia adalah model Liquid pertama yang bisa menjawab dengan lantang. Bocoran mengatakan tidak bisa. Kartu model mengatakan bisa, dan untuk sekarang kartu itu satu-satunya saksi.