LFM3-Omni-2B：話すオムニモデルと、「話せない」と言っていたリーク

LFM3-Omni-2Bは音声で答える。その一文こそがニュースだ。なぜなら一週間前、公開されている最良の証拠は正反対を示していたからだ。LFM3ファミリーが未マージのSGLangプルリクエスト経由で姿を現したとき、チェックポイントはテキスト出力専用に配線されており、そのリークについての当社自身の記事は、当時としては正しく、「LFM3は話す」は未実証だと結論づけていた。2026年10月27日、Liquid AIはファミリーの発表とモデルカードを公開し、そのカードが決着をつけた。24 kHzの音声出力で、LiquidCodecと呼ばれるコンポーネントを通じて生成され、リアルタイムより高速にストリーミングされる。 未実証のモデルを初日から不可欠な基盤にすべきではない。 自動フェイルオーバー トラフィックはルールに従って移動でき、障害が発生した経路はコード変更なしにフェイルオーバーする。

このリリースに関するその他の点は、その訂正が示唆するよりも控えめだ。Liquidの発表は6つのモデルを扱っており、LFM3-Omni-2Bについては3文しか割かれていない。ベンチマーク表も、コンテキスト長も、パラメータ数もない。定量的な記録は完全にHugging Faceのカードにあり、以下のすべての数値はそこから来ている。モデルを前提に計画を立てる前に、この分離を理解しておく価値がある。ポジショニングはマーケティングであり、数値はリポジトリにあるもので、どちらについても独立した検証はされていない。

実際に何が出荷され、いつ出荷されたのか

リポジトリは2026年10月21日16:58 UTCに作成されました。カードが最後に更新されたのは10月27日17:25 UTCで、ファミリーの投稿と同じ日でした。執筆時点でHugging Faceには83ダウンロードと17いいねが表示されており、これは見出しとなるリリースというより、6モデルからなるファミリーの1ブランチとして公開されたチェックポイントに合う控えめな数字でした。兄弟リポジトリも同じ事情を物語っています。LFM3-VL-2Bは10月19日、LFM3-Audio-2Bは9月8日に作成され、いずれも10月27日に更新されました。

つまり、これはブリーフが示唆するような未発表モデルではない。Liquidはファミリーを発表し、6つの派生モデルに名前を付け、オムニモデルが何をするのかを説明した。同社がしなかったのは、LFM3-Omni-2Bを独自の形で発表することだ。単独の投稿も、公開日の評価記事も、ホスト型エンドポイントがないため料金ページも、独立系ベンチマークもない。「発表された」と「文書化された」の間のギャップこそ、この記事が扱う領域だ。

カード全体

チェックポイントは2,166,928,384パラメータの単一のBF16ビルドで、モデルカードでは2.17Bに丸められています。これはLFM3-1.7B-Baseトランク上にあり、ファミリーの他のモデルと同じトライハイブリッド・バックボーンを採用しています。ゲート付きショート畳み込みが大半のレイヤーを担い、グローバルアテンションはごく一部のレイヤーに限定されています。そのトランクの上には、ビジョンエンコーダ、因果的オーディオエンコーダ、および生成されたトークンを波形に戻すLiquidCodecトークナイザーがあります。

• 入力 — テキスト、ネイティブ解像度の画像、4～384フレームを毎秒2フレームで処理する動画、16 kHzの音声。動画入力には独自のサウンドトラックを含めることができます。

• 出力 — テキスト、24 kHz音声、または同じ応答内でその両方。

• コンテキスト — 入力と出力を合わせて32,768トークンです。

• 画像の予算 — 解像度にかかわらず、画像1枚あたり最大2,048ビジュアルトークンです。

• 言語 — カードにはテキスト言語が16、音声言語またはロケールが19と記載されていますが、リポジトリのメタデータは23と主張しています。この2つの数値はページ上で一致していません。

• ライセンス — LFM Open License v1.0。LFM2以降Liquidが使用している独自の条件で、OSIライセンスではありません。

• 推論 — なし。カードには、思考モードはサポートされておらず、enable_thinking=True は使用できないと記載されています。

これらの行のうち2つは、残りより重要だ。1つ目は{{1}}32Kコンテキスト{{/1}}で、これは{{2}}2026{{/2}}年のマルチモーダルモデルとしては小さく、{{3}}オンデバイスという目標{{/3}}の直接的な結果だ。コンテキストは1トークンごとにスマートフォン上のメモリを消費する。2つ目は{{4}}ライセンス{{/4}}だ。{{5}}LFM Open License v1.0{{/5}}は{{6}}Apache-2.0{{/6}}ではなく、その条項には、別途の契約なしに誰が重みを商業利用できるかを決める収益しきい値が設けられている。このモデルを製品向けに評価しているなら、ベンチマークを読む前にライセンスを読むべきだ。

誰も発表しなかった数字

Liquidの投稿は、{{1}}LFM3-Omni-2B{{/1}}について、Daily-Omni、WorldSense、AV-SpeakerBenchで「{{2}}Qwen2.5-Omni-7Bなど{{/2}}」最大10.7Bパラメータのモデルを上回るという、比較的主張を1つ行っている。その文にはスコアは添えられていない。カードにはそれらが記載されており、Liquid AIによる自己測定だ。ベンダーによる評価であって独立した評価ではなく、また存在する唯一の評価でもある。

投稿で名前が挙がっている3つのベンチマークでは、カードには Daily-Omni 70.09、WorldSense 47.10、AV-SpeakerBench 46.79 が報告されています。OmniBench は総合 46.32、音声サブセットでは 48.25 です。音声による視覚的質問応答——画像について声に出して尋ねる、このモデルの看板機能——では、カードに RealWorldQA 64.68、MMStar 51.79、POPE 83.78、ERQA 39.43、EmbSpatial 67.59 が記載されています。音声の行は、英語 ASR が単語誤り率 6.36、多言語 ASR が 6.72、英語音声合成が UTMOSv2 3.80、VoiceBench 64.73、音声理解 MMAR 51.40 です。参考までに、テキストのみの視覚スコアは DocVQA 92.47、OCRBench は 1,000 中 806、MMMU validation 42.44、MathVista mini 62.50 です。

まとめて読むと、これらのスコアは、あらゆることに一定の能力はあるが何一つ卓越していないモデルを描き出している。AV-SpeakerBench の 46.79 と WorldSense の 47.10 は、リーダーボードを制する数字ではない。それらは、2.2B モデルが音声視覚推論で破綻せずに互角に渡り合えることを示唆する数字だ。DocVQA のスコアは逆方向の外れ値であり、表の中で最も興味深い単一の数値である — 2.2B のオムニモデルによる 92.47 は高く、このチェックポイントが Liquid 自身の専用視覚モデル（91.1 を報告）を明確に上回っている唯一の行だ。

リークが正しかったこと、そして唯一間違っていたこと

このファミリーを公の場に明らかにしたSGLangのプルリクエストは、構造に関するほぼすべての点で正確だった。4つのチェックポイントを正しく挙げ、共有バックボーンを正しく説明し、256トークンのスライディングウィンドウがコンテキスト上限ではなくアテンション設定であるという点も正しかった。慎重だったのも正しい。そのプルリクエストは未マージで、3つのCIチェックが失敗し、22のomni検証チェックのうち2つは開発用チェックポイントとのROUGE比較で依然として失敗していた。

誤解を招いた点——そして私たちがそれを繰り返した点——は、出力モダリティだった。それが組み上げたランタイム経路はテキストを返した。そのコードには音声出力の分岐がなく、モデルファミリーが音声合成を削除したのか、最初のランタイム版がテキストのみだったのかという推論がもっともだった。出荷済みモデルはその両方を備えている。教訓は、そのリークが不注意だったということではない。サービング統合が記述するのは誰かが実装した経路であり、その背後にあるチェックポイントの能力ではない、ということだ。PRはランタイムに関する証拠であり、私たちはそれをモデルに関する証拠として扱った。

まだ確認されていないものは何か

三つのことだ。しかもそれらは、本番デプロイを左右する三つなのだ。

まず、いかなる種類の独立した評価も存在しません。上記の数値はすべて、モデルを開発した企業が自社のハーネス上で、手法を公開することなく算出したものです。Artificial Analysis への掲載も、LMArena の結果も、第三者による再現もありません。ベンチマークの表は、測定値ではなく意図の仕様書として扱うべきです。

第二に、音声サービングはベンダー自身の経路以外では文書化されていません。カードには、SGLang のサポートがテキスト出力を対象としており、音声ブランチがどのように提供されるかは文書化されていないと書かれています。もしあなたの計画が「1つのモデルで、音声による回答を、自社ハードウェア上で」というものであるなら、カードはその文の後半について何の参考情報も与えません。執筆時点で、リポジトリには推論プロバイダーが記載されていません。

第三に、言語の数値は互いに食い違っている。テキスト言語は16、音声ロケールは19、メタデータでは23だ。これはおそらく同じものに対する3つの異なる定義だが、どれが正しいかを公表した人はいない。

なぜ2.2Bのオムニモデルは別の賭けなのか

2026年に音声アシスタントを構築する一般的な方法はパイプラインだ。ASRモデルが音声をテキストに変え、言語モデルが考え、視覚モデルがカメラを扱い、TTSモデルが答えを話す。各段階は別々のチェックポイント、別々のレイテンシ予算、別々の障害モードになる。LFM3-Omni-2Bが売り文句にしているのは、その4つすべてが、スマートフォンに収まり、そこから一切出ない1つの4.3 GBのBF16ファイルに集約されるということだ。

それは本物のアーキテクチャ上の議論であり、ベンチマークのスコアが「そのものの形」ほど重要でない理由でもある。4つの小さな専門モデルからなるパイプラインは、個々のタスクでは通常、単一の汎用モデルを上回る。それができないのは、表象を共有することだ。オムニモデルは画像についての質問の口調を聞き取り、その答えは両方に同時に条件づけられる。それがより良い答えを生むかどうかは、まさに独立した評価がまだ検証していないことだ。

このようなチェックポイントを未検証のうちに使う実用的な方法は、クリティカルパスから外しておくことです。OrcaRouterのルーティングDSLはそのパターン向けに作られています — 1つのエンドポイントの背後に専門特化した経路と実験用の経路を置くことで、新しいモデルは一度にではなく信頼性に応じてトラフィックを引き受けることができ、エラーが発生したときには自動フェイルオーバーが行われます。LFM3-Omni-2B は現在当社のカタログにはないため、ここに書かれていることは、当社を通じてそれを呼び出せるという主張ではありません。このようなモデルが実際に登場したとき、それが適するデプロイの形は次のとおりです。利用可能で、計測され、実績を積むまでは負荷を担わない形です。

何を観るべきか

次のシグナルは、もう一枚のベンチマーク表ではない。Liquidの外の誰かがそれを公開するかどうかだ。Daily-Omniで70.09を本当に維持する2.2Bのオムニモデルは、オンデバイス向けの取り組みにとって注目すべき成果であり、独立した再現——たとえ部分的なものでも——は、ベンダーの完全な結果表よりも価値があるだろう。第二のシグナルはSGLangのマージだ。音声パスがサービングスタックで文書化されると、モデルはリポジトリではなくインフラになり始める。

それまでは、正直にまとめると範囲は限られる。LFM3-Omni-2B は存在し、競合するほとんどすべてのものより小さく、4つのモダリティを入力として受け取り、2つを出力し、声に出して答えられる最初の Liquid モデルだ。リークはできないと言っていた。カードはできると言っており、今のところカードだけが証人だ。