LFM3-Omni-2B: O modelo Omni que fala, e o vazamento que dizia que ele não conseguia

LFM3-Omni-2Bresponde com voz. Essa única frase é a notícia, porque uma semana atrás a melhor evidência pública dizia o contrário. Quando a família LFM3 veio à tona por meio de um pull request não mesclado do SGLang, os checkpoints estavam configurados apenas para saída de texto, e nossa própria análise sobre esse vazamento concluiu, corretamente na época, que "LFM3 fala" não estava comprovado. Em 27 de outubro de 2026, a Liquid AI publicou o anúncio da família e a ficha do modelo, e a ficha resolve a questão: saída de fala em 24 kHz, gerada por meio de um componente chamado LiquidCodec, transmitida em streaming mais rápido que o tempo real. Um modelo não comprovado não deveria ser peça essencial no primeiro dia. failover automático O tráfego pode migrar por regra, e um caminho com falha faz failover sem alteração de código.

Todo o resto deste lançamento é mais discreto do que essa correção sugere. O anúncio da Liquid abrange seis modelos, e o LFM3-Omni-2B recebe três frases nele — nenhuma tabela de benchmark, nenhum comprimento de contexto, nenhuma contagem de parâmetros. O registro quantitativo está inteiramente no card do Hugging Face, de onde vem cada número abaixo. Vale entender essa divisão antes de planejar em torno do modelo: o posicionamento é marketing, os números são um repositório, e nada em nenhum dos dois foi testado de forma independente.

O que foi realmente lançado, e quando

O repositório foi criado em 21 de outubro de 2026 às 16:58 UTC. O card foi modificado pela última vez em 27 de outubro às 17:25 UTC, no mesmo dia do post da família. No momento da escrita, o Hugging Face mostrava 83 downloads e 17 curtidas — números modestos que combinam com um checkpoint publicado como um ramo de uma família de seis modelos, e não como um lançamento de destaque. Os repositórios irmãos contam a mesma história: LFM3-VL-2B foi criado em 19 de outubro, LFM3-Audio-2B em 8 de setembro, e todos eles foram modificados em 27 de outubro.

Portanto, este não é um modelo não anunciado no sentido que o briefing implica. A Liquid anunciou a família, nomeou os seis ramos e descreveu o que o modelo omni faz. O que a empresa não fez foi anunciar o LFM3-Omni-2B nos seus próprios termos. Não há publicação autónoma, nem análise de avaliação no dia do lançamento, nem página de preços porque não existe endpoint alojado, e nem benchmark independente. A lacuna entre "anunciado" e "documentado" é onde este artigo vive.

O cartão na íntegra

O checkpoint é uma única build BF16 de 2.166.928.384 parâmetros, que o card arredonda para 2,17 bilhões. Ele fica sobre o tronco LFM3-1.7B-Base — a mesma espinha dorsal tri-híbrida do restante da família, com convoluções curtas com gate respondendo pela maioria das camadas e atenção global reservada a poucas. Sobre esse tronco ficam um codificador de visão, um codificador de áudio causal e o tokenizador LiquidCodec que converte os tokens gerados de volta em forma de onda.

• Entradas — texto, imagens na resolução nativa, vídeo a 2 frames por segundo para 4 a 384 frames e áudio a 16 kHz. A entrada de vídeo pode incluir sua própria trilha sonora.

• Saídas — texto, fala de 24 kHz ou ambos na mesma resposta.

• Contexto — 32.768 tokens cobrindo entrada e saída em conjunto.

• Orçamento de imagem — um máximo de 2.048 tokens visuais por imagem, qualquer que seja a resolução.

• Idiomas — o cartão lista 16 idiomas de texto e 19 idiomas de fala ou localidades; os metadados do repositório afirmam 23. Os dois números não se conciliam na página.

• Licença — LFM Open License v1.0, os termos personalizados que a Liquid usa desde o LFM2, não uma licença OSI.

• Raciocínio — nenhum. O cartão afirma que o modo de raciocínio não é suportado e que enable_thinking=True não pode ser usado.

Duas dessas linhas importam mais do que as restantes. A primeira é o contexto de 32K, que é pequeno para um modelo multimodal de 2026 e uma consequência direta da meta de execução no dispositivo: cada token de contexto custa memória em um telefone. A segunda é a licença. A LFM Open License v1.0 não é Apache-2.0, e os termos incluem um limite de receita que determina quem pode usar os pesos comercialmente sem um acordo separado. Se você está avaliando este modelo para um produto, leia a licença antes de ler os benchmarks.

Os números que ninguém anunciou

A publicação da Liquid faz uma afirmação comparativa sobre o LFM3-Omni-2B: que ele supera modelos de até 10,7 bilhões de parâmetros, "como o Qwen2.5-Omni-7B", no Daily-Omni, no WorldSense e no AV-SpeakerBench. Nenhuma pontuação acompanha essa frase. A ficha do modelo as fornece, e elas são medidas pela própria Liquid AI — uma avaliação do fornecedor, não independente, e a única avaliação que existe.

Nos três benchmarks citados no post, a ficha informa Daily-Omni 70,09, WorldSense 47,10 e AV-SpeakerBench 46,79. O OmniBench fica em 46,32 no geral, com 48,25 no subconjunto de fala. Para perguntas e respostas visuais faladas — o principal truque do modelo, em que você pergunta sobre uma imagem em voz alta —, a ficha lista RealWorldQA 64,68, MMStar 51,79, POPE 83,78, ERQA 39,43 e EmbSpatial 67,59. As linhas de áudio são ASR em inglês com taxa de erro de palavra de 6,36, ASR multilíngue em 6,72, síntese de fala em inglês em 3,80 UTMOSv2, VoiceBench 64,73 e compreensão de áudio MMAR 51,40. Para constar, suas pontuações de visão somente com texto são DocVQA 92,47, OCRBench 806 de 1.000, validação do MMMU 42,44 e MathVista mini 62,50.

Lidos em conjunto, os resultados descrevem um modelo competente em tudo e excelente em nada. Um 46,79 no AV-SpeakerBench e um 47,10 no WorldSense não são números que conquistam um ranking; são números que sugerem que um modelo de 2,2B consegue se manter firme em raciocínio audiovisual sem desmoronar. A pontuação do DocVQA é o outlier na direção oposta e o número isolado mais interessante da tabela — 92,47 vindo de um modelo omni de 2,2B é alto, e é a única linha em que este checkpoint supera claramente o modelo de visão dedicado da própria Liquid, que registra 91,1.

O que o vazamento acertou, e a única coisa que errou

O pull request do SGLang que trouxe essa família ao conhecimento público estava correto sobre quase tudo na estrutura. Ele nomeou corretamente os quatro checkpoints, descreveu corretamente o backbone compartilhado e estava certo de que a janela deslizante de 256 tokens é uma configuração de atenção, e não o limite de contexto. Também estava certo em ser cauteloso: o pull request não havia sido mesclado, três verificações de CI estavam falhando e duas das vinte e duas verificações de validação omni ainda falhavam em comparações ROUGE com checkpoints de desenvolvimento.

Onde ele induziu ao erro — e onde nós repetimos isso — foi na modalidade de saída. O caminho de runtime que ele implementou retornava texto. Não havia ramificação de saída de áudio naquele código, e a inferência razoável era que a família pudesse ter abandonado a síntese de fala, ou que o primeiro corte de runtime fosse somente texto. O modelo lançado faz as duas coisas. A lição não é que o vazamento foi descuidado; é que uma integração de serving descreve o caminho que alguém implementou, não a capacidade do checkpoint por trás dele. Um PR é evidência sobre um runtime, e nós o tratamos como evidência sobre um modelo.

O que ainda não foi confirmado

Três coisas, e são as três que decidiriam uma implantação em produção.

Primeiro, não há nenhum tipo de avaliação independente. Todos os números acima foram produzidos pela empresa que criou o modelo, com seu próprio conjunto de testes, sem metodologia publicada. Não há registro no Artificial Analysis, nenhum resultado no LMArena, nenhuma reprodução por terceiros. Trate a tabela de benchmarks como uma especificação de intenção, não como uma medição.

Em segundo lugar, a disponibilização de fala não está documentada fora do caminho proprietário do fornecedor. O card informa que o suporte do SGLang abrange saída de texto e não documenta como o ramo de fala é servido. Se o seu plano é “um modelo, respostas faladas, em hardware próprio”, o card não oferece nenhuma referência para a segunda metade dessa frase. O repositório não lista nenhum provedor de inferência no momento da redação.

Terceiro, os números de idiomas não batem entre si. Dezesseis idiomas de texto, dezenove locales de fala, vinte e três nos metadados. Provavelmente são três definições diferentes da mesma coisa, mas ninguém publicou qual delas está certa.

Por que um modelo omni de 2,2B é uma aposta diferente

A forma habitual de criar um assistente de voz em 2026 é um pipeline: um modelo ASR converte fala em texto, um modelo de linguagem pensa, um modelo de visão trata da câmera e um modelo TTS fala a resposta. Cada etapa é um checkpoint separado, um orçamento de latência separado e um modo de falha separado. A proposta do LFM3-Omni-2B é que todos os quatro se reduzam a um único arquivo BF16 de 4,3 GB que cabe num telefone e nunca sai dele.

Isso é um argumento arquitetônico real, e é a razão pela qual as pontuações de benchmark importam menos do que a forma da coisa. Um pipeline de quatro pequenos modelos especialistas geralmente supera um único generalista em cada tarefa individual. O que ele não consegue fazer é compartilhar representações: o modelo omni ouve o tom de uma pergunta sobre uma imagem, e a resposta é condicionada a ambos ao mesmo tempo. Se isso produz respostas melhores é exatamente o que nenhuma avaliação independente testou.

A forma prática de usar um checkpoint como este enquanto ele não está comprovado é mantê-lo fora do seu caminho crítico. A OrcaRouter criou seu DSL de roteamento para esse padrão — um caminho especializado e um caminho experimental por trás de um único endpoint, para que um novo modelo possa receber tráfego proporcional à sua confiabilidade em vez de tudo de uma vez, com failover automático quando apresentar erro. O LFM3-Omni-2B não está no nosso catálogo hoje, então nada aqui é uma afirmação de que você pode chamá-lo por meio de nós. Quando um modelo como este realmente chegar, esse é o formato de implantação a que ele se adequa: disponível, medido e sem função crítica até merecer isso.

O que assistir

O próximo sinal não é outra tabela de benchmark. É se alguém fora da Liquid publica uma. Um modelo omni de 2.2B que realmente sustenta 70.09 no Daily-Omni é um resultado notável para trabalho em dispositivo, e uma reprodução independente — mesmo que parcial — valeria mais do que a planilha completa do fornecedor. O segundo sinal é o merge no SGLang: quando o caminho de fala está documentado em um stack de serving, o modelo deixa de ser um repositório e passa a ser infraestrutura.

Até então, o resumo honesto é limitado. O LFM3-Omni-2B existe, é menor que quase tudo com que compete, recebe quatro modalidades e entrega duas, e é o primeiro modelo Liquid que consegue responder em voz alta. O vazamento dizia que não conseguia. O cartão diz que consegue, e por enquanto o cartão é a única testemunha.