Представляем LFM3: шесть моделей по 2B, единый бэкбон и окно на 256 токенов, которое не является контекстом

Семейство LFM3 от Liquid AI появилось 27 октября 2026 года в виде шести чекпойнтов класса 2B, а не одного флагмана: LFM3-1.7B для текста, LFM3-VL-2B для компьютерного зрения, LFM3-Audio-2B для речи, LFM3-Omni-2B для всего сразу, а также две модели принятия решений, d1-2B и d1-omni-2B. Все шесть происходят от единого предварительно обученного бэкбона, LFM3-1.7B-Base, который Liquid также выпустила. Компания позиционирует это как «специализированный интеллект» — намеренный отказ выпускать небольшую универсальную модель и конкурировать не на той оси.

В течение суток после анонса одну цифру из технического описания уже успели прочитать неправильно. В архитектуре LFM3 перечислены слои скользящего внимания с окном в 256 токенов. Это геометрия внимания на уровне отдельного слоя, а не длина контекста модели. Текстовая модель принимает 256K токенов контекста. У читателей, которые пробежали глазами таблицу слоёв и заключили, что Liquid выпустила модель 2026 года с памятью в 256 токенов, в голове сложилась не та модель, и это стоит исправить прежде, чем хоть что-то ещё в этом тексте обретёт смысл.

Что на самом деле представляет собой тригибридная архитектура

LFM3 заменяет двухкомпонентную смесь LFM2 тремя типами слоёв, объединёнными в 24-слойную структуру. Тринадцать слоёв — это стробируемые короткие свёртки, пять — внимание со скользящим окном размером 256 токенов, а шесть — полное глобальное внимание. Ядро свёртки расширяется с 3 до 7. Вместе с этим вводятся три менее значительных изменения: сигмоидный вентиль, независимо масштабирующий выход каждой головы внимания, частичные ротационные эмбеддинги в глобальных слоях, которые вращают только наиболее высокочастотную половину каждой головы, и «сэндвич»-нормализация, которая применяется как ко входу, так и к выходу каждого блока.

Суть в том, что короткие свёртки дёшево несут большую часть локальной структуры, разреженное внимание обрабатывает среднюю дистанцию, а небольшая доля глобального внимания сшивает всё окно в 256K. Именно поэтому KV-кэш остаётся достаточно малым, чтобы это имело значение — Liquid сообщает о полном кэше на 128K токенов объёмом 1,6 ГБ против 4,3 ГБ у Qwen3.5-4B и 5,6 ГБ у MiniCPM5-2B при одном и том же измерении. Сама текстовая модель занимает около 1 ГБ при 4-битной точности.

Обучение прошло в четыре этапа: 22 трлн токенов предварительного обучения; промежуточный этап на 3,5 трлн токенов с упором на агентные трассы и вызовы инструментов, который также расширил контекст до 256K; дообучение с учителем на 1,75 трлн токенов; затем смешанное обучение с подкреплением в сочетании с многодоменной он-политик дистилляцией от шести специализированных учителей. Словарь содержит 128K токенов, общий с LFM2.5-8B-A1B и созданный для более эффективной токенизации нелатинских письменностей, чем у предшественника.

Шесть моделей и куда уходит их контекст

Liquid прямо утверждает, что это равноправные варианты, а не уровни. Каждый из них использует один и тот же базовый каркас и дообучается под разную форму выходных данных.

• LFM3-1.7B — плотная текстовая и агентная модель, 1,73 млрд параметров, контекст 256K, нативный вызов инструментов и структурированный вывод.

• LFM3-VL-2B — визуально-языковая модель с 1,9 млрд параметров и собственным визуальным энкодером, который, по словам Liquid, требует примерно трети вычислительных затрат SigLIP2.

• LFM3-Audio-2B — ASR, TTS, перевод речи и понимание аудио с использованием собственного энкодера и LiquidCodec.

• LFM3-Omni-2B — первая омни-модель Liquid: на входе — текст, изображение, видео и аудио, на выходе — текст или речь.

• d1-2B — модель принятия решений, построенная на основе ветви зрения, которая отвечает на структурированные вопросы за один прямой проход с калиброванными вероятностями, а не в форме свободного текста.

• d1-omni-2B — тот же интерфейс принятия решений в ветке omni.

Контекстные окна не одинаковы, и именно эту деталь упустило большинство материалов о запуске. Liquid публикует окно для текстовой модели и базовой модели — 256K, вход и выход вместе, — и ни для одной из остальных четырёх. Ни в анонсе, ни в документации к моделям не указана длина контекста для LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B или любой из двух decision-моделей. В сторонних публикациях фигурировали 128K для модели зрения и 32K для omni-модели, и эти цифры вполне могут быть верными, но по состоянию на 28 октября их нет на собственных страницах Liquid. Если вы планируете агента, который читает длинные документы и также просматривает скриншоты, сейчас вы вообще не можете определить размер контекста omni-модели по документации от самой компании. Это пробел, который стоит назвать, а не заполнять из блога, который заполнил его откуда-то ещё.

Таблица бенчмарков: честное прочтение

Все приведённые ниже показатели производительности принадлежат самой Liquid, получены на собственном стенде Liquid, и ни один из них не был независимо воспроизведён. По состоянию на 28 октября 2026 года записи LFM3 в Artificial Analysis нет — ни индекса интеллекта, ни измерений скорости или задержки от нейтральной стороны. Здесь это значит больше, чем обычно, потому что сравнение, на которое опирается запуск, — это сравнение в рамках одного и того же стенда, которое льстит той модели, под которую этот стенд настраивали.

LFM3-1.7B набирает 49,37 балла в среднем по 27 бенчмаркам Liquid. Собственная модель компании LFM2.5-2.6B набирает 31,55 на том же наборе — отсюда и берётся утверждение о «на 35% меньшем числе параметров». Интересны не средние показатели, а отдельные строки:

• Использование инструментов — BFCL V4 71.39, ToolSandbox 80.36, τ³-bench 68.01, MCP-Atlas 32.57.

• Агентный веб — WebArena-Verified 38.42, AutomationBench 41.29, BrowseComp-Plus 37.00, LiveClaw 45.60.

• Агентное программирование — SWE-bench Verified 43.40, SWE-bench Multilingual 23.00, Terminal-Bench 2.1 — 12.92.

• Следование инструкциям — IFEval 96.66, IFStruct 93.72, IFBench 73.03, Multi-IF 89.10.

• Знания — GPQA Diamond 63,37, HLE 7,17 без инструментов и 13,90 с ними.

• Длинный контекст — RULER 128K 65.56, AA-LCR 52.83.

Если рассматривать профиль как форму, а не как сумму, он выглядит согласованно: очень сильное следование инструкциям, достойное качество вызова инструментов за один ход и резкое падение, как только задача требует множества последовательных шагов. Terminal-Bench 2.1 с 12.92 и SWE-bench Multilingual с 23.00 — это не те цифры, на которых строят автономного агента для программирования. Liquid этого не скрывает — карточка модели отводит пользователей от сложных рассуждений и многошагового программирования, что является необычно прямым позиционированием от вендора в день запуска.

Заявления об эффективности — это вторая половина презентации. При Q4_0 и контексте 32K, по словам Liquid, LFM3-1.7B была самой быстрой моделью на всех трёх тестовых устройствах — в 1,8–2,8 раза быстрее следующего конкурента при наименьшем объёме занимаемой памяти. На одном NVIDIA B300 с SGLang в BF16 она обслуживала 3,6 млрд токенов в день при 1 024 одновременных запросах. Компания также запустила более 300 000 агентов LFM3-1.7B параллельно на архиве электронной почты Enron в качестве стресс-демонстрации. Это цифры производителя, непроверенные, но такие показатели трудно незаметно завысить.

Лицензия и сколько стоит эксплуатация

Веса доступны на Hugging Face в сборках BF16, FP8, NVFP4, GGUF, MLX и ONNX, с поддержкой с первого дня в vLLM, SGLang, Transformers, llama.cpp, MLX, ONNX Runtime, Ollama и LM Studio. Лицензия — LFM Open License v1.0: безвозмездное коммерческое использование при годовой выручке ниже 10 млн долларов США, а выше этого порога требуется отдельное соглашение. Именно этот порог, а не количество параметров, определяет, бесплатна ли LFM3 для конкретной компании.

Liquid также предоставляет размещённый API, и там публичная информация скуднее, чем можно предположить по анонсу. В документации указаны идентификатор модели и лимит в 256K на вход и выход вместе, но нет тарифного плана. Сторонние источники сообщают, что ставка для размещённого API для LFM3-1.7B составляет примерно $0.08 за миллион входных токенов и $0.20 за миллион выходных, а варианты vision, audio, omni и decision стоят дороже; Liquid не опубликовала эти цифры на своих страницах, поэтому считайте их сообщёнными, а не подтверждёнными. При самостоятельном размещении, напротив, цены за токен нет вообще — стоимостью является сама машина, а при 4-битном квантовании такой машиной может быть телефон.

Где OrcaRouter подходит — а где нет

LFM3 отсутствует в каталоге OrcaRouter, и мы не собираемся делать вид, что это не так. Это программное обеспечение с открытыми весами, которое вы запускаете самостоятельно или вызываете через собственный API Liquid. Чем хорош роутер — так это слоем вокруг него. Специализированная модель с 1,7 млрд параметров редко бывает единственной моделью в конвейере: она выполняет вызов инструмента, классификацию или извлечение данных, а что-то более крупное обрабатывает ход, где требуется суждение. OrcaRouter открывает доступ к этим моделям, размещённым у провайдеров, через один ключ с наценкой 0% — цена из прайс-листа провайдера передаётся напрямую — поэтому путь эскалации от LFM3 к передовой модели становится правилом маршрутизации, а не вторым контрактом. Его автоматическое переключение при сбое особенно важно именно для той рабочей нагрузки, на которую нацелена LFM3, где одна небольшая модель — единственное, что отделяет запрос от ошибки.

DSL маршрутизации — более интересный вариант применения. Комбинирование специалиста с универсалом в одном вызове — работа в духе LFM3 направляется в небольшую модель, а всё остальное передаётся в хостинговую — это тот паттерн развёртывания, для которого создавалось это семейство. Весь аргумент Liquid в том, что модель на 2B превосходит фронтирную модель на узкой задаче при доле стоимости. Роутер — это способ получить такую экономию, не ставя на неё весь пайплайн.

Что посмотреть

Открытый вопрос не в том, хорош ли LFM3 в том, что он заявляет. Вопрос в том, выдержат ли эти заявления тестовый стенд, который писала не Liquid. Семейные агентные показатели стоит перепроверить в первую очередь, потому что WebArena-Verified с 38,42 и AutomationBench с 41,29 находятся намного выше того, что модель на 1,7 млрд параметров исторически показывала, а агентные бенчмарки наиболее чувствительны к промпт-скаффолдингу и политике повторных попыток. Независимый прогон, который окажется в пределах нескольких пунктов от таблицы Liquid, сделает LFM3 выбором по умолчанию для вызова инструментов на устройстве. Прогон, который окажется на десять пунктов ниже, сделает её хорошей моделью следования инструкциям с преувеличенной агентной историей.

Пока такого прогона не существует, честная сводка такова: LFM3 — это хорошо спроектированное, необычно откровенное семейство малых моделей с по-настоящему новым сочетанием слоёв, реальным преимуществом в памяти, опубликованными весами при приемлемом пороге лицензии и отсутствием независимой проверки хотя бы одного из ключевых заявленных бенчмарков. Окно в 256 токенов в таблице архитектуры — это не длина контекста. Всё остальное в анонсе стоит принимать как есть, пока кто-нибудь не докажет обратное, — и стоит измерить самостоятельно, прежде чем показывать это пользователям.