LFM3-Omni-2B: Омни-модель, которая говорит, и утечка, которая утверждала, что не может

LFM3-Omni-2B отвечает голосом. Это единственное предложение и есть новость, потому что неделю назад самые убедительные публичные свидетельства говорили об обратном. Когда семейство LFM3 появилось через незамерженный pull request в SGLang, контрольные точки были настроены только на текстовый вывод, и наша собственная публикация об этой утечке пришла — на тот момент верно — к выводу, что «LFM3 говорит» не доказано. 27 октября 2026 года Liquid AI опубликовала анонс семейства и карточку модели, и карточка расставляет всё по местам: речевой вывод на 24 кГц, генерируемый через компонент под названием LiquidCodec, передаётся потоком быстрее реального времени. Непроверенная модель не должна быть несущей опорой в первый же день. автоматическое переключение при сбое Трафик может переключаться по правилу, а отказавший путь переключается на резерв без изменения кода.

Всё остальное в этом релизе звучит тише, чем можно предположить по этой поправке. В анонсе Liquid охвачены шесть моделей, и LFM3-Omni-2B посвящено в нём три предложения — без таблицы бенчмарков, без длины контекста, без числа параметров. Вся количественная информация содержится исключительно в карточке на Hugging Face, откуда взяты все приведённые ниже цифры. Эту разделённость стоит понять, прежде чем строить планы вокруг модели: позиционирование — это маркетинг, цифры — это репозиторий, и ни то, ни другое не прошло независимого тестирования.

Что именно было выпущено, и когда

Репозиторий был создан 21 октября 2026 года в 16:58 UTC. Карточка последний раз изменялась 27 октября в 17:25 UTC — в тот же день, что и публикация о семействе. На момент написания Hugging Face показывал 83 скачивания и 17 лайков — скромные цифры, которые соответствуют чекпойнту, опубликованному как одна из ветвей семейства из шести моделей, а не как главный релиз. Родственные репозитории рассказывают ту же историю: LFM3-VL-2B был создан 19 октября, LFM3-Audio-2B — 8 сентября, и все они были затронуты 27 октября.

Так что это не необъявленная модель в том смысле, который подразумевает бриф. Liquid анонсировала семейство, назвала шесть ветвей и описала, что делает omni-модель. А вот чего компания не сделала — она не анонсировала LFM3-Omni-2B отдельно, как самостоятельный продукт. Нет отдельного поста, нет публикации с оценками в день запуска, нет страницы с ценами, потому что нет хостируемого эндпоинта, и нет независимого бенчмарка. Эта статья живёт в разрыве между «анонсирована» и «задокументирована».

Карточка полностью

Чекпоинт представляет собой единую BF16-сборку на 2 166 928 384 параметра, которую карточка округляет до 2,17 млрд. Он основан на стволе LFM3-1.7B-Base — той же три-гибридной магистрали, что и у остальных представителей семейства, где на стробируемые короткие свертки приходится большинство слоев, а глобальное внимание отведено лишь нескольким. Поверх этого ствола находятся кодировщик изображений, причинный аудиокодировщик и токенизатор LiquidCodec, который превращает сгенерированные токены обратно в форму волны.

• Входные данные — текст, изображения в исходном разрешении, видео с частотой 2 кадра в секунду, от 4 до 384 кадров, а также аудио с частотой 16 кГц. Видеовход может содержать собственную звуковую дорожку.

• Выходные данные — текст, речь 24 кГц или и то и другое в одном ответе.

• Контекст — 32 768 токенов суммарно для ввода и вывода.

• Бюджет изображения — максимум 2 048 визуальных токенов на изображение, независимо от разрешения.

• Языки — карточка перечисляет 16 текстовых языков и 19 языков или локалей для речи; метаданные репозитория утверждают 23. Эти два числа не согласуются на странице.

• Лицензия — LFM Open License v1.0: это не лицензия OSI, а собственные условия Liquid, которые компания использует начиная с LFM2.

• Рассуждение — нет. В карточке указано, что режим мышления не поддерживается и что enable_thinking=True нельзя использовать.

Две из этих строк важнее остальных. Первая — контекст 32K, который мал для мультимодальной модели 2026 года и является прямым следствием ориентации на работу на устройстве: каждый токен контекста расходует память на телефоне. Вторая — лицензия. LFM Open License v1.0 — это не Apache-2.0, и её условия содержат порог выручки, определяющий, кто может использовать веса коммерчески без отдельного соглашения. Если вы оцениваете эту модель для продукта, прочитайте лицензию прежде, чем бенчмарки.

Цифры, которые никто не озвучил

В публикации Liquid содержится одно сравнительное утверждение о LFM3-Omni-2B: что она превосходит модели с числом параметров до 10,7 млрд, «такие как Qwen2.5-Omni-7B», на Daily-Omni, WorldSense и AV-SpeakerBench. К этому предложению не прилагаются оценки. Карточка их приводит, и они получены самими Liquid AI — это оценка производителя, а не независимая, и единственная существующая оценка.

По трём бенчмаркам, названным в посте, в карточке указаны Daily-Omni 70.09, WorldSense 47.10 и AV-SpeakerBench 46.79. OmniBench показывает 46.32 в целом и 48.25 на речевом подмножестве. Для визуального ответа на вопросы, задаваемые голосом, — главной фишки модели, когда вопрос об изображении задаётся вслух, — карточка приводит RealWorldQA 64.68, MMStar 51.79, POPE 83.78, ERQA 39.43 и EmbSpatial 67.59. Аудиопоказатели: английский ASR — WER 6.36, многоязычный ASR — 6.72, английский синтез речи — 3.80 UTMOSv2, VoiceBench — 64.73 и MMAR для понимания аудио — 51.40. Его результаты по визуальным задачам только с текстом, для полноты, таковы: DocVQA 92.47, OCRBench 806 из 1 000, MMMU validation 42.44 и MathVista mini 62.50.

Если рассматривать оценки как набор, они описывают модель, которая хороша во всём и ни в чём не превосходна. 46,79 на AV-SpeakerBench и 47,10 на WorldSense — это не цифры, которые выигрывают лидерборд; это цифры, которые говорят о том, что модель на 2,2 млрд параметров может достойно держаться в аудиовизуальном рассуждении, не разваливаясь. Оценка DocVQA — выброс в другую сторону и самая интересная отдельная цифра в таблице: 92,47 у omni-модели на 2,2 млрд — это высоко, и это единственная строка, где данный чекпоинт явно превосходит собственную специализированную визуальную модель Liquid, у которой указано 91,1.

В чём утечка оказалась права — и одна вещь, в которой она ошиблась

Пул-реквест SGLang, благодаря которому это семейство стало публично известно, был точен почти во всём, что касается структуры. В нём правильно названы четыре контрольные точки, правильно описана общая магистраль, и он верно указывал, что скользящее окно в 256 токенов — это настройка внимания, а не ограничение контекста. Он также справедливо проявлял осторожность: пул-реквест не был слит, три проверки CI завершались неудачей, а две из двадцати двух проверок омни-валидации по-прежнему не проходили по сравнениям ROUGE с контрольными точками разработки.

Вводило в заблуждение — и мы это повторяли — то, что касалось модальности вывода. Подключённый им путь выполнения возвращал текст. В этом коде не было ветви аудиовывода, и разумным выводом было то, что семейство могло отказаться от синтеза речи или что первый вариант среды выполнения был только текстовым. Выпущенная модель умеет и то, и другое. Урок не в том, что утечка была небрежной; он в том, что интеграция обслуживания описывает путь, который кто-то реализовал, а не возможности чекпоинта за ним. PR — это свидетельство о среде выполнения, а мы отнеслись к нему как к свидетельству о модели.

Что до сих пор не подтверждено

Три вещи — и это ровно те три, которые решили бы судьбу развёртывания в продакшене.

Во-первых, независимой оценки как таковой не существует. Все приведённые выше цифры получены компанией, создавшей модель, на её собственном стенде, без опубликованной методологии. Нет ни записи в Artificial Analysis, ни результата в LMArena, ни воспроизведения третьей стороной. Рассматривайте таблицу бенчмарков как спецификацию намерений, а не как измерение.

Во-вторых, обслуживание речи не документировано за пределами собственного пути вендора. В карточке указано, что поддержка SGLang охватывает текстовый вывод, и не описано, как обслуживается речевая ветка. Если ваш план — «одна модель, голосовые ответы, на нашем собственном оборудовании», карточка не даёт никаких ориентиров для второй половины этого предложения. На момент написания в репозитории не указан ни один провайдер инференса.

В-третьих, языковые показатели расходятся между собой. Шестнадцать текстовых языков, девятнадцать речевых локалей, двадцать три в метаданных. Вероятно, это три разных определения одного и того же, но никто не опубликовал, какое из них верно.

Почему omni-модель на 2,2 млрд параметров — это другая ставка

Обычный способ создать голосового помощника в 2026 году — это конвейер: модель ASR превращает речь в текст, языковая модель думает, модель компьютерного зрения обрабатывает изображение с камеры, а модель TTS озвучивает ответ. Каждый этап — это отдельный чекпоинт, отдельный бюджет задержки и отдельный режим отказа. LFM3-Omni-2B обещает, что все четыре этапа объединяются в один файл BF16 размером 4,3 ГБ, который помещается на телефон и никогда его не покидает.

Это настоящий архитектурный аргумент, и именно поэтому оценки в бенчмарках значат меньше, чем форма этой штуки. Конвейер из четырёх небольших узкоспециализированных моделей обычно будет превосходить одну универсальную модель в каждой отдельной задаче. Чего он не может — так это разделять представления: омни-модель слышит тон вопроса об изображении, и ответ обусловлен обоими сразу. Именно то, даёт ли это лучшие ответы, и не проверяла ни одна независимая оценка.

Практичный способ использовать такую контрольную точку, пока она не проверена, — держать её вне своего критического пути. DSL маршрутизации OrcaRouter создавался именно для такого сценария — специализированный путь и экспериментальный путь за одной конечной точкой, так что новая модель может получать трафик пропорционально своей надёжности, а не сразу весь, с автоматическим переключением при сбоях. LFM3-Omni-2B сегодня отсутствует в нашем каталоге, так что здесь нет утверждения, будто вы можете вызвать её через нас. Когда такая модель действительно появится, ей подойдёт именно такая схема развёртывания: доступная, измеряемая и не несущая нагрузки, пока она её не заслужит.

Что посмотреть

Следующий сигнал — это не очередная таблица бенчмарков. Это вопрос, публикует ли её кто-то за пределами Liquid. Омнимодель на 2,2 млрд параметров, которая действительно держит 70,09 на Daily-Omni, — заметный результат для работы на устройстве, и независимое воспроизведение — даже частичное — стоило бы больше, чем полная таблица от производителя. Второй сигнал — слияние с SGLang: когда речевой тракт задокументирован в стеке обслуживания, модель перестаёт быть репозиторием и становится инфраструктурой.

Пока что честный вывод остаётся узким. LFM3-Omni-2B существует, он меньше почти всего, с чем конкурирует, принимает четыре модальности на вход и выдаёт две на выход, и это первая модель Liquid, способная отвечать вслух. В утечке говорилось, что она не может. В карточке говорится, что может, и пока что карточка — единственный свидетель.