Przedstawiamy LFM3: sześć modeli 2B, jeden backbone i okno 256 tokenów, które nie jest kontekstem

Rodzina LFM3 od Liquid AI pojawiła się 27 października 2026 r. jako sześć checkpointów klasy 2B, a nie jeden flagowy model: LFM3-1.7B do tekstu, LFM3-VL-2B do obrazu, LFM3-Audio-2B do mowy, LFM3-Omni-2B do wszystkiego naraz, plus dwa modele decyzyjne, d1-2B i d1-omni-2B. Wszystkie sześć wywodzą się z jednego wstępnie wytrenowanego backbone'u, LFM3-1.7B-Base, który Liquid również udostępnił. Firma określa to mianem „specjalizowanej inteligencji” — świadomej odmowy wypuszczenia małego modelu ogólnego przeznaczenia i konkurowania na niewłaściwej osi.

W ciągu doby od ogłoszenia jedna liczba z opisu technicznego była już odczytywana błędnie. Architektura LFM3 wymienia warstwy sliding-window attention z oknem 256 tokenów. To geometria uwagi w obrębie pojedynczej warstwy, a nie długość kontekstu modelu. Model tekstowy przyjmuje 256 tys. tokenów kontekstu. Czytelnicy, którzy tylko przejrzeli tabelę warstw i doszli do wniosku, że Liquid wypuścił model z 2026 r. z pamięcią 256 tokenów, mają w głowie niewłaściwy model — i warto to sprostować, zanim cokolwiek innego w tym tekście nabierze sensu.

Czym właściwie jest architektura trójhybrydowa

LFM3 zastępuje dwukierunkową mieszankę LFM2 trzema typami warstw ułożonych w 24-warstwowym rdzeniu. Trzynaście warstw to bramkowane krótkie konwolucje, pięć to uwaga z przesuwnym oknem obejmującym 256 tokenów, a sześć to pełna uwaga globalna. Jądro konwolucji rozszerza się z 3 do 7. Towarzyszą temu trzy mniejsze zmiany: bramka sigmoidalna, która niezależnie skaluje wyjście każdej głowicy uwagi, częściowe osadzenia obrotowe w warstwach globalnych, które obracają tylko najwyższą częstotliwościowo połowę każdej głowicy, oraz normalizacja kanapkowa, która warunkuje zarówno wejście, jak i wyjście każdego bloku.

Założenie jest takie, że krótkie konwolucje tanio przenoszą większość lokalnej struktury, rzadka uwaga obsługuje średni dystans, a cienki wycinek globalnej uwagi spina całe okno 256K w całość. Dlatego pamięć podręczna KV pozostaje wystarczająco mała, by miało to znaczenie — Liquid podaje pełną pamięć podręczną 128K tokenów przy 1.6 GB, wobec 4.3 GB dla Qwen3.5-4B i 5.6 GB dla MiniCPM5-2B w tym samym pomiarze. Sam model tekstowy mieści się w około 1 GB przy precyzji 4-bitowej.

Trening przebiegał w czterech etapach: 22 biliony tokenów wstępnego treningu, faza treningu pośredniego obejmująca 3,5 biliona tokenów, mocno skupiona na śladach agentowych i wywołaniach narzędzi, która dodatkowo rozszerzyła kontekst do 256K, nadzorowane dostrajanie na 1,75 biliona tokenów, a następnie mieszane uczenie ze wzmocnieniem połączone z wielodomenową destylacją on-policy od sześciu nauczycieli specjalistów. Słownik liczy 128K tokenów, jest współdzielony z LFM2.5-8B-A1B i został zbudowany tak, aby tokenizować skrypty niełacińskie wydajniej niż jego poprzednik.

Sześć modeli — i dokąd trafia ich kontekst

Liquid wyraźnie zaznacza, że to modele siostrzane, a nie poziomy. Każdy z nich opiera się na tym samym szkielecie i jest dodatkowo trenowany pod inny kształt wyjścia.

• LFM3-1.7B — gęsty model tekstowy i agentowy, 1,73 mld parametrów, kontekst 256K, natywne wywoływanie narzędzi i ustrukturyzowane wyjście.

• LFM3-VL-2B — model wizyjno-językowy, 1,9 mld parametrów, z własnym enkoderem wizyjnym, który według Liquid wymaga około jednej trzeciej mocy obliczeniowej SigLIP2.

• LFM3-Audio-2B — ASR, TTS, tłumaczenie mowy i rozumienie dźwięku, przy użyciu wewnętrznego enkodera oraz LiquidCodec.

• LFM3-Omni-2B — pierwszy model omni firmy Liquid: tekst, obraz, wideo i dźwięk na wejściu, tekst lub mowa na wyjściu.

• d1-2B — model decyzyjny zbudowany na gałęzi wizyjnej, który odpowiada na ustrukturyzowane pytania w pojedynczym przejściu w przód, podając skalibrowane prawdopodobieństwa zamiast swobodnej prozy.

• d1-omni-2B — ten sam interfejs decyzyjny w gałęzi omni.

Okna kontekstu nie są jednolite i to właśnie ten szczegół pominęła większość relacji z premiery. Liquid podaje okno dla modelu tekstowego i modelu bazowego — 256K, wejście i wyjście łącznie — a dla żadnego z pozostałych czterech już nie. Ani ogłoszenie, ani dokumentacja modeli nie podają długości kontekstu dla LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B ani żadnego z dwóch modeli decyzyjnych. W publikacjach zewnętrznych krążyły wartości 128K dla modelu wizyjnego i 32K dla modelu omni; te liczby mogą być całkiem słuszne, ale na dzień 28 października nie ma ich na własnych stronach Liquid. Jeśli planujesz agenta, który czyta długie dokumenty i jednocześnie patrzy na zrzuty ekranu, obecnie nie możesz w ogóle określić rozmiaru kontekstu modelu omni na podstawie dokumentacji dostarczonej przez samego producenta. To luka, którą warto nazwać, zamiast uzupełniać ją z bloga, który uzupełnił ją skądinąd.

Tabela benchmarków, odczytana uczciwie

Każdy podany poniżej wynik wydajności pochodzi od samego Liquid, został uzyskany na własnym harnessie Liquid i żaden z nich nie został niezależnie odtworzony. Na dzień 28 października 2026 r. nie ma wpisu LFM3 w Artificial Analysis — ani Intelligence Index, ani pomiaru szybkości czy opóźnienia ze strony neutralnego podmiotu. Ma to tu większe znaczenie niż zwykle, ponieważ porównanie, na którym opiera się premiera, jest porównaniem w ramach tego samego harnessu, co faworyzuje ten model, pod który harness był dostrajany.

LFM3-1.7B uzyskuje 49,37 w średniej Liquid z 27 benchmarków. Firmowy LFM2.5-2.6B uzyskuje 31,55 na tym samym zestawie, skąd bierze się twierdzenie o „o 35% mniejszej liczbie parametrów”. Interesujące wiersze to nie średnia:

• Użycie narzędzi — BFCL V4 71,39, ToolSandbox 80,36, τ³-bench 68,01, MCP-Atlas 32,57.

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

• Programowanie agentowe — SWE-bench Verified 43,40, SWE-bench Multilingual 23,00, Terminal-Bench 2.1 na poziomie 12,92.

• Stosowanie się do instrukcji — IFEval 96,66, IFStruct 93,72, IFBench 73,03, Multi-IF 89,10.

• Wiedza — GPQA Diamond 63,37, HLE 7,17 bez narzędzi i 13,90 z narzędziami.

• Długi kontekst — RULER 128K 65.56, AA-LCR 52.83.

Czytany jako kształt, a nie jako suma, profil jest spójny: bardzo mocne przestrzeganie instrukcji, przyzwoite wywoływanie narzędzi w pojedynczym kroku i gwałtowny spadek, gdy zadanie wymaga wielu kolejnych kroków. Terminal-Bench 2.1 na poziomie 12,92 i SWE-bench Multilingual na poziomie 23,00 to nie są liczby, na których buduje się autonomicznego agenta kodującego. Liquid tego nie ukrywa — karta modelu odwodzi użytkowników od złożonego rozumowania i wieloetapowego kodowania, co jest nietypowo bezpośrednim elementem pozycjonowania ze strony dostawcy w dniu premiery.

Twierdzenia o wydajności to druga połowa tej prezentacji. Przy Q4_0 i kontekście 32K Liquid twierdzi, że LFM3-1.7B był najszybszym modelem na wszystkich trzech urządzeniach testowych — od 1,8× do 2,8× szybszym niż następny konkurent — przy najniższym zużyciu pamięci. Na pojedynczym NVIDIA B300 z SGLang w BF16 obsłużył 3,6 mld tokenów dziennie przy 1024 równoczesnych żądaniach. Firma uruchomiła także ponad 300 000 agentów LFM3-1.7B równolegle na archiwum e-maili Enronu w ramach demonstracji testu obciążeniowego. To dane dostawcy, nieaudytowane, ale to liczby, które trudno po cichu zawyżyć.

Licencja i koszty eksploatacji

Wagi są dostępne na Hugging Face w wersjach BF16, FP8, NVFP4, GGUF, MLX i ONNX, ze wsparciem od pierwszego dnia w vLLM, SGLang, Transformers, llama.cpp, MLX, ONNX Runtime, Ollama i LM Studio. Licencja to LFM Open License v1.0: komercyjne wykorzystanie bez opłat licencyjnych poniżej 10 mln USD rocznego przychodu, a powyżej tej kwoty — na podstawie odrębnej umowy. To ten próg, a nie liczba parametrów, jest granicą, która decyduje o tym, czy LFM3 jest darmowy dla danej firmy.

Liquid prowadzi również hostowane API, a publiczne informacje na jego temat są skromniejsze, niż sugeruje premiera. Dokumentacja podaje identyfikator modelu i limit 256K tokenów wejścia i wyjścia łącznie, ale nie zawiera cennika. Doniesienia zewnętrzne podają, że hostowana stawka dla LFM3-1.7B wynosi około 0,08 USD za milion tokenów wejściowych i 0,20 USD za milion tokenów wyjściowych, a warianty wizyjne, audio, omni i decyzyjne są wyceniane wyżej; Liquid nie opublikował tych liczb na własnych stronach, więc należy traktować je jako zgłoszone, a nie potwierdzone. W przypadku samodzielnego hostowania nie ma natomiast żadnej ceny za token — kosztem jest maszyna, a przy 4 bitach tą maszyną może być telefon.

Gdzie OrcaRouter pasuje — a gdzie nie

LFM3 nie znajduje się w katalogu OrcaRouter i nie zamierzamy udawać, że jest inaczej. To oprogramowanie z otwartymi wagami, które uruchamiasz samodzielnie lub wywołujesz przez własne API Liquid. Router przydaje się ze względu na warstwę wokół niego. Specjalistyczny model 1.7B rzadko jest jedynym modelem w potoku: obsługuje wywołanie narzędzia, klasyfikację lub ekstrakcję, a coś większego obsługuje turę wymagającą osądu. OrcaRouter stawia te hostowane modele za jednym kluczem z 0% marży — cena katalogowa dostawcy przekazywana bezpośrednio — dzięki czemu ścieżka eskalacji z LFM3 do modelu czołowego jest regułą routingu, a nie drugą umową. Jego automatyczne przełączanie awaryjne ma największe znaczenie właśnie w przypadku obciążenia, na które celuje LFM3, gdzie pojedynczy mały model jest jedyną rzeczą stojącą między żądaniem a błędem.

DSL routingu jest bardziej interesującym dopasowaniem. Komponowanie specjalisty z generalistą w jednym wywołaniu — praca w stylu LFM3 kierowana do małego modelu, a wszystko inne przechodzące do modelu hostowanego — to wzorzec wdrożenia, dla którego powstała ta rodzina. Cały argument Liquid polega na tym, że model 2B bije model frontier na wąskim zadaniu przy ułamku kosztu. Router to sposób, by przechwycić tę oszczędność bez stawiania na nią całego pipeline'u.

Co obejrzeć

Otwarte pytanie nie brzmi, czy LFM3 jest dobry w tym, co deklaruje. Brzmi ono, czy te deklaracje przetrwają harness, którego Liquid nie napisał. Najpierw należy ponownie przetestować liczby agentowe tej rodziny, ponieważ WebArena-Verified z wynikiem 38,42 i AutomationBench z wynikiem 41,29 są znacznie powyżej tego, co model 1,7B osiągał historycznie, a benchmarki agentowe są najbardziej wrażliwe na prompt scaffolding i politykę ponowień. Niezależny przebieg, który wypadnie w granicach kilku punktów od tabeli Liquid, uczyniłby LFM3 domyślnym wyborem do wywoływania narzędzi na urządzeniu. Przebieg niższy o dziesięć punktów uczyniłby go dobrym realizatorem instrukcji z zawyżoną narracją o możliwościach agentowych.

Dopóki taki przebieg nie zostanie przeprowadzony, uczciwe podsumowanie jest takie: LFM3 to dobrze zaprojektowana, wyjątkowo szczera rodzina małych modeli z naprawdę nowatorską mieszanką warstw, realną przewagą pamięciową, opublikowanymi wagami przy wykonalnym progu licencyjnym oraz brakiem niezależnej weryfikacji jakiegokolwiek flagowego benchmarku. Okno 256 tokenów w tabeli architektury nie jest długością kontekstu. Wszystko inne w premierze warto brać za dobrą monetę, dopóki ktoś nie udowodni czegoś przeciwnego — i warto to samemu zmierzyć, zanim postawisz to przed użytkownikami.