LFM3-Omni-2B: model Omni, który mówi — oraz wyciek, który twierdził, że nie potrafi.

LFM3-Omni-2B odpowiada głosem. To jedno zdanie jest wiadomością, ponieważ tydzień temu najlepsze publiczne dowody mówiły coś przeciwnego. Kiedy rodzina LFM3 wypłynęła za sprawą niezmergowanego pull requesta do SGLang, checkpointy były przystosowane wyłącznie do generowania tekstu, a nasz własny artykuł o tym wycieku stwierdzał — słusznie wówczas — że „LFM3 mówi” nie zostało udowodnione. 27 października 2026 r. Liquid AI opublikowała ogłoszenie rodziny i kartę modelu, a karta rozstrzyga sprawę: mowa wyjściowa 24 kHz, generowana przez komponent o nazwie LiquidCodec, przesyłana strumieniowo szybciej niż w czasie rzeczywistym. Nieudowodniony model nie powinien być elementem nośnym już pierwszego dnia. automatyczne przełączanie awaryjne Ruch może być kierowany według reguł, a uszkodzona ścieżka przełącza się awaryjnie bez zmiany kodu.

Wszystko inne w tym wydaniu jest cichsze, niż sugeruje ta korekta. Ogłoszenie Liquid obejmuje sześć modeli, a LFM3-Omni-2B poświęcono w nim trzy zdania — bez tabeli benchmarków, bez długości kontekstu, bez liczby parametrów. Dane ilościowe znajdują się w całości na karcie Hugging Face, skąd pochodzi każda poniższa liczba. Warto zrozumieć ten rozdźwięk, zanim zaczniesz planować w oparciu o ten model: pozycjonowanie to marketing, liczby to repozytorium, a nic w jednym ani drugim nie zostało niezależnie przetestowane.

Co faktycznie wydano i kiedy

Repozytorium utworzono 21 października 2026 r. o 16:58 UTC. Kartę ostatnio zmodyfikowano 27 października o 17:25 UTC, tego samego dnia co wpis dotyczący rodziny. W chwili pisania Hugging Face pokazywał 83 pobrania i 17 polubień — skromne liczby, które pasują do checkpointu opublikowanego jako jedna gałąź sześciomodelowej rodziny, a nie jako flagowa premiera. Siostrzane repozytoria opowiadają tę samą historię: LFM3-VL-2B utworzono 19 października, LFM3-Audio-2B 8 września, a wszystkie z nich zmodyfikowano 27 października.

Nie jest to więc nieogłoszony model w sensie, jaki sugeruje brief. Liquid ogłosił rodzinę, nazwał sześć gałęzi i opisał, co robi model omni. Firma nie ogłosiła jednak LFM3-Omni-2B na własnych warunkach. Nie ma osobnego wpisu, tekstu z oceną w dniu premiery, strony z cennikiem, ponieważ nie ma hostowanego endpointu, ani niezależnego benchmarku. Luka między „ogłoszonym” a „udokumentowanym” to miejsce, w którym żyje ten artykuł.

Karta w pełnym widoku

Checkpoint to pojedyncza wersja BF16 o 2 166 928 384 parametrach, którą karta zaokrągla do 2,17 mld. Opiera się na trzonie LFM3-1.7B-Base — tym samym trójhybrydowym szkielecie co reszta rodziny, w którym większość warstw stanowią bramkowane krótkie konwolucje, a uwaga globalna jest zarezerwowana dla nielicznych. Na tym trzonie osadzone są enkoder wizji, kauzalny enkoder audio oraz tokenizator LiquidCodec, który zamienia wygenerowane tokeny z powrotem na przebieg fali dźwiękowej.

• Dane wejściowe — tekst, obrazy w natywnej rozdzielczości, wideo przy 2 klatkach na sekundę od 4 do 384 klatek oraz dźwięk 16 kHz. Wideo wejściowe może zawierać własną ścieżkę dźwiękową.

• Dane wyjściowe — tekst, mowa 24 kHz lub oba w tej samej odpowiedzi.

• Kontekst — 32 768 tokenów obejmujących łącznie dane wejściowe i wyjściowe.

• Budżet obrazu — maksymalnie 2048 tokenów wizualnych na obraz, niezależnie od rozdzielczości.

• Języki — karta wymienia 16 języków tekstowych i 19 języków mówionych lub ustawień regionalnych; metadane repozytorium podają 23. Te dwie liczby nie są ze sobą spójne na stronie.

• Licencja — LFM Open License v1.0, niestandardowe warunki, których Liquid używa od czasu LFM2, a nie licencja OSI.

• Rozumowanie — brak. Karta stwierdza, że tryb myślenia nie jest obsługiwany i że nie można użyć enable_thinking=True.

Dwie z tych linii mają większe znaczenie niż pozostałe. Pierwsza to kontekst 32K, który jest mały jak na multimodalny model z 2026 roku i stanowi bezpośrednią konsekwencję celu działania na urządzeniu: każdy token kontekstu kosztuje pamięć w telefonie. Druga to licencja. LFM Open License v1.0 to nie Apache-2.0, a jej warunki zawierają próg przychodów, który określa, kto może używać wag komercyjnie bez odrębnej umowy. Jeśli oceniasz ten model pod kątem produktu, przeczytaj licencję, zanim przeczytasz benchmarki.

Liczby, których nikt nie ogłosił

Post Liquid zawiera jedno twierdzenie porównawcze dotyczące LFM3-Omni-2B: że przewyższa modele o liczbie parametrów do 10,7 mld, „takie jak Qwen2.5-Omni-7B”, w Daily-Omni, WorldSense i AV-SpeakerBench. Zdaniu temu nie towarzyszą żadne wyniki. Karta je podaje, a zostały one zmierzone samodzielnie przez Liquid AI — to ocena dostawcy, nie niezależna, i jedyna ocena, jaka istnieje.

W trzech benchmarkach wymienionych w poście karta podaje Daily-Omni 70,09, WorldSense 47,10 i AV-SpeakerBench 46,79. OmniBench wypada na 46,32 ogółem, z 48,25 w podzbiorze mowy. W przypadku mówionego odpowiadania na pytania dotyczące obrazów — sztandarowego triku modelu, polegającego na zadawaniu pytania o obraz na głos — karta wymienia RealWorldQA 64,68, MMStar 51,79, POPE 83,78, ERQA 39,43 i EmbSpatial 67,59. Wiersze audio to ASR dla angielskiego ze współczynnikiem błędów słów 6,36, ASR wielojęzyczny 6,72, synteza mowy angielskiej 3,80 UTMOSv2, VoiceBench 64,73 oraz MMAR do rozumienia audio 51,40. Dla kompletności jego wyniki w zakresie wizji w trybie wyłącznie tekstowym to DocVQA 92,47, OCRBench 806 z 1 000, MMMU validation 42,44 i MathVista mini 62,50.

Rozpatrywane łącznie, wyniki opisują model, który jest kompetentny we wszystkim i w niczym nie wybitny. Wynik 46,79 w AV-SpeakerBench i 47,10 w WorldSense to nie są liczby, które wygrywają ranking; to liczby sugerujące, że model 2,2B potrafi utrzymać poziom w rozumowaniu audiowizualnym, nie rozsypując się. Wynik DocVQA jest odstający w drugą stronę i stanowi najciekawszą pojedynczą wartość w tabeli — 92,47 uzyskane przez model omni 2,2B to wysoka wartość, a to jedyny wiersz, w którym ten checkpoint wyraźnie przewyższa dedykowany model wizyjny samego Liquid, który osiąga 91,1.

Co przeciek podał trafnie, a w jednej rzeczy się pomylił

Pull request SGLang, który ujawnił tę rodzinę publicznie, trafnie opisywał niemal wszystkie kwestie strukturalne. Poprawnie nazwał cztery checkpointy, poprawnie opisał współdzielony backbone i słusznie twierdził, że okno przesuwne o rozmiarze 256 tokenów jest ustawieniem uwagi, a nie limitem kontekstu. Słusznie również zachowywał ostrożność: pull request nie został scalony, trzy kontrole CI kończyły się niepowodzeniem, a dwie z dwudziestu dwóch kontroli walidacji omni nadal nie przechodziły porównań ROUGE z checkpointami deweloperskimi.

To, w czym wprowadzało w błąd — i w czym to powtórzyliśmy — dotyczyło modalności wyjściowej. Ścieżka runtime’u, którą podłączono, zwracała tekst. W tym kodzie nie było gałęzi wyjścia audio, a rozsądny wniosek był taki, że rodzina modeli mogła porzucić syntezę mowy albo że pierwsza wersja runtime’u obsługiwała wyłącznie tekst. Dostarczany model obsługuje oba. Lekcja nie polega na tym, że wyciek był niedbały; chodzi o to, że integracja serwująca opisuje ścieżkę, którą ktoś zaimplementował, a nie możliwości checkpointu, który się za nią kryje. PR jest dowodem dotyczącym runtime’u, a my potraktowaliśmy go jako dowód dotyczący modelu.

Co wciąż nie jest potwierdzone

Trzy rzeczy — i to właśnie te trzy, które zdecydowałyby o wdrożeniu produkcyjnym.

Po pierwsze, nie ma żadnej niezależnej oceny jakiegokolwiek rodzaju. Każda liczba powyżej została wygenerowana przez firmę, która zbudowała model, na jej własnym stanowisku testowym, bez opublikowanej metodologii. Nie ma wpisu w Artificial Analysis, wyniku LMArena ani odtworzenia przez podmiot trzeci. Traktuj tabelę benchmarków jako specyfikację intencji, a nie pomiar.

Po drugie, obsługa mowy nie jest udokumentowana poza własną ścieżką dostawcy. Karta mówi, że wsparcie SGLang obejmuje {{1}}wyjście tekstowe{{/1}} i nie dokumentuje, w jaki sposób obsługiwana jest {{2}}gałąź mowy{{/2}}. Jeśli Twój plan to „jeden model, odpowiedzi głosowe, na naszym własnym sprzęcie”, karta nie daje Ci żadnego odniesienia do drugiej połowy tego zdania. W chwili pisania repozytorium nie wymienia żadnego dostawcy inferencji.

Po trzecie, dane liczbowe dotyczące języków nie zgadzają się ze sobą. Szesnaście języków tekstu, dziewiętnaście lokalizacji mowy, dwadzieścia trzy w metadanych. To prawdopodobnie trzy różne definicje tego samego, ale nikt nie opublikował, która jest właściwa.

Dlaczego model omni o 2,2 mld parametrów to inny zakład

Typowy sposób budowania asystenta głosowego w 2026 r. to pipeline: model ASR zamienia mowę na tekst, model językowy myśli, model wizyjny obsługuje kamerę, a model TTS wypowiada odpowiedź. Każdy etap to osobny checkpoint, osobny budżet opóźnienia i osobny tryb awarii. Obietnica LFM3-Omni-2B jest taka, że wszystkie cztery łączą się w jeden {{1}}plik BF16 o rozmiarze 4,3 GB{{/1}}, który mieści się na telefonie i nigdy go nie opuszcza.

To jest prawdziwy argument architektoniczny i właśnie dlatego wyniki benchmarków mają mniejsze znaczenie niż kształt całości. Potok czterech małych modeli specjalistycznych zwykle przewyższa pojedynczy model ogólny w każdym indywidualnym zadaniu. Nie potrafi natomiast współdzielić reprezentacji: model omni słyszy ton pytania dotyczącego obrazu, a odpowiedź jest uzależniona od obu naraz. To, czy przekłada się to na lepsze odpowiedzi, jest dokładnie tym, czego nie sprawdziła żadna niezależna ewaluacja.

Praktycznym sposobem korzystania z takiego checkpointu, dopóki nie został sprawdzony, jest trzymanie go poza ścieżką krytyczną. Routing DSL OrcaRouter powstał właśnie z myślą o takim wzorcu — wyspecjalizowana ścieżka i ścieżka eksperymentalna za jednym punktem końcowym, dzięki czemu nowy model może przejmować ruch proporcjonalnie do swojej niezawodności, a nie wszystko naraz, z automatycznym przełączaniem awaryjnym w razie błędów. LFM3-Omni-2B nie znajduje się dziś w naszym katalogu, więc nic tutaj nie jest twierdzeniem, że można wywołać go przez nas. Kiedy taki model rzeczywiście się pojawi, oto kształt wdrożenia, do którego pasuje: dostępny, mierzony i nieodgrywający roli krytycznej, dopóki sobie na to nie zasłuży.

Co obejrzeć

Następnym sygnałem nie jest kolejna tabela benchmarków. Jest nim to, czy ktokolwiek spoza Liquid opublikuje własną. Model omni 2,2B, który naprawdę utrzymuje 70,09 na Daily-Omni, to znaczący wynik dla pracy na urządzeniu, a niezależne odtworzenie — nawet częściowe — byłoby warte więcej niż pełna karta dostawcy. Drugim sygnałem jest scalenie z SGLang: gdy ścieżka mowy jest udokumentowana w stosie serwowania, model przestaje być repozytorium, a zaczyna być infrastrukturą.

Do tego czasu uczciwe podsumowanie jest wąskie. LFM3-Omni-2B istnieje, jest mniejszy niż niemal wszystko, z czym konkuruje, przyjmuje cztery modalności, a zwraca dwie, i jest pierwszym modelem Liquid, który potrafi odpowiedzieć na głos. Wyciek mówił, że nie potrafi. Karta mówi, że potrafi, i na razie karta jest jedynym świadkiem.