LFM3-1.7B-Base: cosa dice il repository e cosa Liquid AI non ha detto

Il checkpoint più importante nella nuova famiglia di Liquid AI è quello con meno da leggere. LFM3-1.7B-Base è un modello pre-addestrato da 1,73 miliardi di parametri, solo testo, e il 27 ottobre 2026 è diventato il tronco da cui è stato costruito ogni modello LFM3 post-addestrato — il modello testo, il modello visione, il modello audio, il modello omni e entrambi i modelli decisionali. Il post di lancio della famiglia lo menziona in una singola clausola. Non esiste un annuncio autonomo per esso, né una tabella di benchmark per il modello base, né copertura stampa a esso dedicata. Il repository, nel frattempo, è insolitamente esplicito su cosa sia il checkpoint e a cosa serva, il che rende questa una release facile da descrivere e difficile da sopravvalutare. Non viene aggiunto alcun ricarico a quanto addebita il fornitore del modello. Prezzi di listino del fornitore Una variazione dei prezzi del fornitore si riflette sulla tua fattura lo stesso giorno.

Ciò che segue separa queste due cose. Tutto ciò che è nella prima metà proviene dalla model card, dal file di configurazione, dal testo della licenza o dal post di lancio di Liquid stesso, ed è verificabile oggi. La seconda metà è ciò che rimane davvero sconosciuto tre giorni dopo la pubblicazione dei pesi.

Due repository, un post di lancio e un intervallo di dodici ore

Le marche temporali raccontano la storia di un rilascio avvenuto in pubblico prima che nel marketing. Il repository del modello post-addestrato LFM3-1.7B è stato creato il 23 ottobre 2026. Il repository base è stato creato il 26 ottobre alle 16:28 UTC, e la sua model card è stata modificata l'ultima volta il 27 ottobre alle 04:15 UTC — meno di dodici ore dopo. Il post del blog, "Presentiamo LFM3: ogni modalità per l'intelligenza specializzata", è datato 27 ottobre. Nel momento in cui chiunque fuori dall'azienda poteva leggere una specifica, i pesi erano già su Hugging Face da un giorno.

Vale la pena dire chiaramente quell’ordine perché è la cosa più vicina a un “rilascio silenzioso” in questo contesto. Liquid ha annunciato la famiglia, e l’annuncio indica LFM3-1.7B-Base come il checkpoint da cui sono stati addestrati gli altri sei modelli. Ciò che l’azienda non ha fatto è annunciare il checkpoint base in modo autonomo — nessun post separato, nessuna valutazione specifica per la base, nessun posizionamento oltre a un paragrafo nella card. La famiglia ha avuto il lancio. Il tronco ha avuto un repository e un riferimento alla famiglia.

Cosa c'è nel repository?

La card è compatta e, per una volta, completa sugli elementi di base. Un unico file model.safetensors da 3,46 GB in bfloat16. Un tokenizer con un vocabolario di 128.000 token. Il codice del modello è fornito come Python personalizzato insieme ai pesi, caricato con trust_remote_code=True anziché tramite una release upstream di Transformers che li integri. La licenza è la LFM Open License v1.0, la stessa famiglia di termini che Liquid utilizza sin da LFM2.

• Parametri — 1,73B, densi, ogni parametro letto a ogni token.

• Livelli — 24: tredici blocchi di convoluzione breve con gating, cinque blocchi di attenzione a finestra scorrevole, sei blocchi di attenzione completa.

• Contesto — 262.144 token, input più output.

• Geometria dell'attenzione — dimensione nascosta 2.048, sedici teste di query, quattro teste key-value, dimensione della testa 128. Si tratta di attenzione grouped-query quattro-a-uno, non otto-a-uno come in LFM2.5.

• Finestra locale — 256 token, con una cache di convoluzione di sette. Si tratta di un'impostazione di attenzione per livello, non della lunghezza del contesto, e ha causato una piccola ondata di notizie errate quando l'architettura è apparsa per la prima volta in una pull request del motore il giorno prima del lancio.

• Vocabolari e lingue — 128.000 token, sedici lingue elencate: inglese, arabo, cinese, francese, tedesco, italiano, giapponese, coreano, portoghese, spagnolo, vietnamita, thailandese, indonesiano, hindi, russo, polacco.

• Memoria — circa 1 GB con precisione a 4 bit secondo Liquid, 3,46 GB come distribuito in BF16.

C'è una piccola incoerenza che vale la pena conoscere prima di citare una dimensione. La barra laterale di Hugging Face arrotonda il modello a "2B params", mentre la tabella della card indica 1,73B. Il file chiarisce la questione: 3,46 GB di bfloat16 corrispondono a 1,73 miliardi di parametri da due byte ciascuno, quindi l'etichetta della barra laterale è una convenzione di arrotondamento, non una seconda specifica. Al momento in cui scriviamo, il repository mostrava quindici download nell'ultimo mese e otto like — il profilo di un checkpoint che è stato pubblicato, è stato linkato dal post di lancio e non è ancora stato ripreso da nessuno.

L'architettura, senza il diagramma

L'architettura si comprende meglio come una questione di budget. L'attenzione completa è la parte costosa di un transformer in contesti lunghi: ogni token si confronta con ogni altro token, e il costo cresce con il quadrato della sequenza. Lo stack tri-ibrido di Liquid dedica solo sei dei suoi ventiquattro layer a tale operazione. Tredici layer sono convoluzioni brevi con gating, che mixano l'informazione localmente a un costo fisso per token, e cinque sono blocchi di attenzione a finestra scorrevole che vedono 256 token alla volta. Due terzi della rete non esegue affatto un'operazione di attenzione globale.

Questa è la stessa scommessa che Liquid porta avanti da LFM2, spinta ancora oltre. LFM2.5-2.6B-Base usava trenta layer suddivisi in ventidue convoluzioni e otto blocchi di full attention, senza alcun livello sliding-window. LFM3 sostituisce una coppia di convoluzioni con un blocco di sliding attention in cinque punti dello stack, porta la cache delle convoluzioni da tre a sette e aggiunge le impostazioni di normalizzazione sandwich e rotary parziale che compaiono nella config. Se quello specifico compromesso migliori la qualità è una domanda a cui solo la valutazione può rispondere, e al momento della pubblicazione non esiste una valutazione del modello base che possa rispondervi. Ciò che la config stabilisce è che il contesto da 256K non si ottiene scalando l'attention a 256K; si ottiene mantenendo locale la maggior parte dello stack.

Il modello base viene fornito con un template di chat

Questo è il dettaglio che più facilmente può confondere chiunque scarichi il checkpoint aspettandosi un semplice completamento di testo grezzo. LFM3-1.7B-Base include un template di chat completo, e la card specifica che il mid-training ha incluso dati di chat sia con che senza tracce di ragionamento, formattati con lo stesso template del modello post-addestrato. Chiamando apply_chat_template, il ragionamento è abilitato per impostazione predefinita: la risposta inizia all'interno di un blocco di thinking a meno che non si passi enable_thinking=False, il quale precompila una traccia vuota e richiede una risposta diretta.

Si comporta quindi un po' come un modello instruct ed è documentato come qualcosa di completamente diverso. La raccomandazione riportata sulla card stessa è inequivocabile: LFM3-1.7B-Base "è consigliato solo per attività che richiedono un fine-tuning intenso, come assistenti specifici per lingua o dominio, addestramento su dati proprietari o sperimentazione di approcci innovativi al post-training". Per chat, tool calling e agenti, indica LFM3-1.7B. Il template è presente perché i dati di mid-training erano formattati in quel modo e perché un fine-tune lo eredita — non perché il checkpoint sia stato ottimizzato per la conversazione. Chiunque consideri il template un segnale di prontezza rimarrà deluso dagli output, e la card lo dice prima ancora che inizi.

I numeri che le persone citeranno non sono i numeri di questo modello

Il post di lancio contiene una tabella di benchmark sostanziosa, e quasi nulla di essa si applica al checkpoint oggetto di questo articolo. La media in evidenza di 49.37 appartiene a LFM3-1.7B, il modello post-addestrato, misurata sulla suite proprietaria di Liquid. Le righe di confronto — LFM2.5-2.6B a 31.55, MiniCPM5-2B a 39.19, Gemma 4 E4B a 31.74, Qwen3.5-4B a 39.27, Qwen3.5-9B a 47.24 — sono modelli post-addestrati confrontati con modelli post-addestrati. Il 43.40 su SWE-bench Verified e il 73.46 su LiveCodeBench v6 sono parimenti i punteggi del modello messo a punto.

Due affermazioni vengono associate al checkpoint base nella lettura superficiale e non dovrebbero esserlo. La prima è «35% di parametri in meno»: si tratta di LFM3-1.7B che supera LFM2.5-2.6B, un'affermazione sulla coppia post-addestrata, non un risultato da base a base. La seconda è l'affermazione secondo cui LFM3 «è alla pari con Gemma 4 12B». Quella frase riguarda LFM3-VL-2B, il modello visivo, su 62 benchmark visivi. Non dice nulla sul checkpoint base di testo, che non ha alcuna valutazione pubblicata. Un modello base senza tabella di benchmark non è insolito — Liquid non ne ha deliberatamente pubblicata nessuna neanche per LFM2.5-2.6B-Base — ma l'assenza significa che ogni affermazione sulla qualità di questo checkpoint è attualmente un'affermazione sul modello che ha prodotto.

Formazione, e la parte che è davvero distintiva

Liquid afferma che il checkpoint ha visto 22 trilioni di token in due fasi. La fase principale di pre-addestramento ha modificato la miscela di dati rispetto a LFM2, aggiungendo più articoli scientifici, codice a livello di repository, matematica e una più ampia varietà di fonti di conoscenza. Gli ultimi 3,5 trilioni di token costituiscono una fase di mid-training su dati curati e di qualità superiore, con una quota maggiore di tracce agentiche e chiamate agli strumenti, ed è in questa fase che la finestra di contesto viene estesa a 256K.

La parte insolita non è il conteggio dei token; è che i dati agentici sono stati inseriti nel modello base anziché solo nel post-addestramento. La maggior parte dei fornitori conserva le tracce delle chiamate agli strumenti per la fase di instruction tuning. Liquid le ha messe nel trunk e poi ha post-addestrato sei modelli diversi sopra di esso con SFT, RL misto, distillazione on-policy multi-dominio e RL agentico. Si tratta di una strategia coerente per una famiglia pensata per condividere un unico backbone tra modalità, ed è anche il motivo per cui il checkpoint base porta un template di chat. È un'affermazione sulla metodologia di addestramento che non può essere verificata dall'esterno, e non esiste alcuna riproduzione indipendente.

Cosa puoi farci oggi

La scheda rimanda a due notebook TRL: uno per il fine-tuning supervisionato sull'estrazione di JSON strutturato da documenti disordinati e uno per il pre-training continuato su una nuova lingua, usando il turco da testo grezzo come esempio. Entrambi sono scritti per LFM3-1.7B e richiedono di modificare un solo model_id per puntare al checkpoint base. La pagina della documentazione copre il resto del percorso di fine-tuning. Il modello instruct dispone di una serie completa di varianti runtime: BF16 per vLLM, SGLang e Transformers; FP8 e NVFP4 per SGLang; GGUF per llama.cpp, Ollama e LM Studio; MLX per Apple silicon; ONNX Runtime. Il checkpoint base ha esattamente un artefatto: il file safetensors BF16. Nessun GGUF, nessuna build MLX, nessuna release quantizzata. Se vuoi eseguirlo su un telefono, quella conversione devi farla tu.

Dove si inserisce questo se servi modelli per mestiere

Un checkpoint pre-addestrato non è un endpoint di chat, e vale la pena essere concreti su questo. LFM3-1.7B-Base non compare nel catalogo di OrcaRouter al momento della stesura, e un modello base sarebbe una cosa strana da instradare: non ha capacità di seguire istruzioni da instradare. Il posto utile per un router inizia un passo dopo, quando esiste il fine-tuning. OrcaRouter mette più di 200 modelli dietro un'unica API con 0% di ricarico sui prezzi di listino dei provider, failover automatico e un DSL di routing, così un checkpoint LFM3 ottimizzato per il dominio può stare accanto a un modello generale più grande ed essere confrontato o oggetto di failover senza una seconda integrazione. La fusione di modelli — un panel che risponde insieme — è l'altra opzione quando uno specialista da 1.73B è bravo in una cosa e hai bisogno di un secondo parere. Niente di tutto ciò richiede che il checkpoint base stesso sia ospitato da qualche parte.

Cosa non è ancora stato confermato

• Qualità di base. Nessuna tabella di benchmark, nessun output dell'harness di valutazione, nessun confronto con LFM2.5-2.6B-Base su alcun task.

• Verifica indipendente. Nessun laboratorio di terze parti ha pubblicato un'esecuzione del modello base o di quello ottimizzato. Ogni numero nel post di lancio è di Liquid.

• Supporto upstream Transformers. Il repository utilizza codice di modeling personalizzato e trust_remote_code. È normale al lancio e un costo di manutenzione in seguito.

• Come viene servita la base. Il post di lancio afferma che i modelli base e post-addestrati sono disponibili su Hugging Face, Liquid Playground e Liquid API. Non viene spiegato cosa faccia un'API con un checkpoint base non ottimizzato, e non è pubblicato alcun prezzo per esso.

• Casi limite della licenza. La LFM Open License v1.0 è gratuita per uso commerciale sotto i 10 milioni di dollari di ricavi annuali; al di sopra di tale soglia si applica una licenza commerciale. Il testo è pubblico, ma come viene trattato un modello derivato addestrato sulla base e poi utilizzato commercialmente è una questione per un avvocato, non per una scheda modello.

Cosa guardare

Il prossimo segnale significativo non è un altro annuncio: è la prima valutazione indipendente del modello post-addestrato e il primo fine-tuning pubblico che riporti com'era addestrare il checkpoint di base. L'impostazione stessa di Liquid invita a questo test: un tronco da 1,73B che ha prodotto sei modelli e dichiara di superare un predecessore da 2,69B o è un'architettura realmente efficiente oppure è una suite di benchmark ben scelta, e solo esecuzioni esterne potranno distinguere le due cose. Fino ad allora, il repository è tutta la storia: un file da 3,46 GB, una specifica chiara, un template di chat che non è un invito e una licenza che vale la pena leggere prima che la linea dei ricavi si avvicini.