LFM3-Omni-2B: Omnmodellen som talar, och läckan som sade att den inte kunde

LFM3-Omni-2B svarar med röst. Den enda meningen är nyheten, för för en vecka sedan sa det bästa offentliga beviset motsatsen. När LFM3-familjen dök upp via en icke sammanslagen SGLang-pull request var checkpoints endast kopplade för textutdata, och vår egen genomgång av den läckan drog slutsatsen, korrekt vid den tiden, att "LFM3 talar" var obevisat. Den 27 oktober 2026 publicerade Liquid AI familjemeddelandet och modellkortet, och kortet avgör saken: 24 kHz talutdata, genererat via en komponent som heter LiquidCodec, strömmat snabbare än realtid. En obevisad modell bör inte vara bärande från dag ett. automatisk failover Trafik kan flyttas enligt regel, och en felande väg växlar över utan kodändring.

Allt annat kring den här lanseringen är tystare än vad den korrigeringen antyder. Liquids tillkännagivande omfattar sex modeller, och LFM3-Omni-2B får tre meningar i det – ingen benchmarktabell, ingen kontextlängd, inget parameterantal. Det kvantitativa underlaget finns helt och hållet i Hugging Face-kortet, och det är därifrån alla siffror nedan kommer. Den uppdelningen är värd att förstå innan du planerar utifrån modellen: positioneringen är marknadsföring, siffrorna är ett repository, och inget i någon av dem har testats oberoende.

Vad som faktiskt levererades, och när

Repositoriet skapades den 21 oktober 2026 kl. 16:58 UTC. Kortet ändrades senast den 27 oktober kl. 17:25 UTC, samma dag som inlägget om familjen. Vid tidpunkten för skrivandet visade Hugging Face 83 nedladdningar och 17 gillningar – blygsamma siffror som passar en checkpoint som publicerats som en gren av en familj med sex modeller snarare än som en lanseringsnyhet. Syskonrepositorierna berättar samma historia: LFM3-VL-2B skapades den 19 oktober, LFM3-Audio-2B den 8 september, och alla ändrades den 27 oktober.

Så det här är inte en oannonserad modell i den betydelse briefen antyder. Liquid annonserade familjen, namngav de sex grenarna och beskrev vad omnimodellen gör. Vad företaget inte gjorde var att annonsera LFM3-Omni-2B i egen rätt. Det finns inget fristående inlägg, ingen utvärdering publicerad på lanseringsdagen, ingen prissida eftersom det inte finns någon hostad endpoint, och ingen oberoende benchmark. Det är i glappet mellan "annonserad" och "dokumenterad" som den här artikeln befinner sig.

Kortet i sin helhet

Checkpointen är en enda BF16-build med 2 166 928 384 parametrar, vilket kortet avrundar till 2,17B. Den vilar på LFM3-1.7B-Base-stommen – samma trihybrida ryggrad som resten av familjen, där gated kortkonvolutioner bär merparten av lagren och global uppmärksamhet är reserverad för en handfull. Ovanpå den stommen sitter en visionskodare, en kausal ljudkodare och LiquidCodec-tokenizern som omvandlar genererade tokens tillbaka till vågform.

• Indata — text, bilder i ursprunglig upplösning, video med 2 bildrutor per sekund i 4 till 384 bildrutor och 16 kHz-ljud. Videoindata kan innehålla sitt eget ljudspår.

• Utdata — text, 24 kHz-tal eller båda i samma svar.

• Kontext — 32 768 token som omfattar både indata och utdata.

• Bildbudget — högst 2 048 visuella tokens per bild, oavsett upplösning.

• Språk — kortet listar 16 textspråk och 19 talspråk eller språkvarianter; metadata för arkivet uppger 23. De två siffrorna stämmer inte överens på sidan.

• Licens — LFM Open License v1.0, de anpassade villkor som Liquid har använt sedan LFM2, inte en OSI-licens.

• Resonemang — inget. Kortet anger att tankeläge inte stöds och att enable_thinking=True inte kan användas.

Två av dessa rader är viktigare än resten. Den första är 32K-kontexten, som är liten för en multimodal modell från 2026 och en direkt följd av målet att köra på enheten: varje kontexttoken kostar minne på en telefon. Den andra är licensen. LFM Open License v1.0 är inte Apache-2.0, och villkoren innehåller en intäktsgräns som avgör vem som kan använda vikterna kommersiellt utan ett separat avtal. Om du utvärderar den här modellen för en produkt bör du läsa licensen innan du läser benchmarkresultaten.

Siffrorna som ingen meddelade

Liquids inlägg framför ett jämförande påstående om LFM3-Omni-2B: att den överträffar modeller på upp till 10,7B parametrar, "såsom Qwen2.5-Omni-7B", på Daily-Omni, WorldSense och AV-SpeakerBench. Inga poäng åtföljer den meningen. Modellkortet tillhandahåller dem, och de är självmätta av Liquid AI – en leverantörsutvärdering, inte en oberoende sådan, och den enda utvärdering som finns.

På de tre benchmarks som inlägget nämner rapporterar kortet Daily-Omni 70,09, WorldSense 47,10 och AV-SpeakerBench 46,79. OmniBench landar på 46,32 totalt, med 48,25 på delmängden för tal. För talad visuell frågebesvarning – modellens främsta trick, där man ställer frågor om en bild högt – listar kortet RealWorldQA 64,68, MMStar 51,79, POPE 83,78, ERQA 39,43 och EmbSpatial 67,59. Ljudraderna är engelsk ASR med 6,36 i ordfelsfrekvens, flerspråkig ASR med 6,72, engelsk talsyntes med 3,80 UTMOSv2, VoiceBench 64,73 och ljudförståelse-MMAR 51,40. Dess visuella poäng för enbart text är, för fullständighetens skull, DocVQA 92,47, OCRBench 806 av 1 000, MMMU validation 42,44 och MathVista mini 62,50.

Läst som en helhet beskriver poängen en modell som är kompetent på allt och utmärkt på inget. En 46,79 på AV-SpeakerBench och en 47,10 på WorldSense är inte siffror som vinner en leaderboard; de är siffror som antyder att en 2,2B-modell kan hävda sig i audiovisuellt resonemang utan att falla sönder. DocVQA-poängen är avvikaren i andra riktningen och den mest intressanta enskilda siffran i tabellen – 92,47 från en 2,2B omni-modell är högt, och det är den enda raden där denna checkpoint tydligt överträffar Liquids egen dedikerade visionmodell, som rapporterar 91,1.

Det som läckan hade rätt i – och det enda den hade fel om

SGLang-pull requesten som gjorde att den här familjen blev offentligt känd var korrekt om nästan allt som rörde strukturen. Den angav de fyra checkpointarna korrekt, beskrev den delade ryggraden korrekt och hade rätt i att det glidande fönstret på 256 token är en attention-inställning snarare än kontextgränsen. Den hade också rätt att vara försiktig: pull requesten hade inte mergats, tre CI-kontroller misslyckades och två av tjugotvå omni-valideringskontroller misslyckades fortfarande vid ROUGE-jämförelser mot utvecklingscheckpoints.

Där det vilseledde – och där vi upprepade det – var utdatamodalitet. Den runtime-väg den kopplade upp returnerade text. Det fanns ingen gren för ljudutmatning i den koden, och den rimliga slutsatsen var att familjen kanske hade tagit bort talsyntes, eller att den första runtime-versionen var textbaserad. Den levererade modellen gör båda. Lärdomen är inte att läckan var slarvig; den är att en serving-integration beskriver den väg någon implementerade, inte kapaciteten hos checkpointen bakom den. En PR är bevis om en runtime, och vi behandlade den som bevis om en modell.

Vad är fortfarande inte bekräftat

Tre saker, och det är just de tre som skulle avgöra en produktionsdriftsättning.

För det första finns det ingen oberoende utvärdering av något slag. Varje siffra ovan producerades av företaget som byggde modellen, i dess eget testramverk, utan publicerad metodik. Det finns ingen Artificial Analysis-post, inget LMArena-resultat, ingen tredjepartsreproduktion. Betrakta benchmarktabellen som en avsiktsförklaring, inte som en mätning.

För det andra är talbetjäningen odokumenterad utanför leverantörens egen lösning. Kortet säger att SGLang-stödet omfattar textutdata och dokumenterar inte hur talgrenen serveras. Om din plan är ”en modell, talade svar, på vår egen hårdvara” ger kortet dig ingen referens för den andra halvan av den meningen. Repositoriet anger ingen inferensleverantör vid tidpunkten för skrivandet.

För det tredje går språksiffrorna isär. Sexton textspråk, nitton tallokaler, tjugotre i metadata. Det är förmodligen tre olika definitioner av samma sak, men ingen har publicerat vilken som är rätt.

Varför en omnimodell på 2,2 miljarder är en annan satsning

Det vanliga sättet att bygga en röstassistent 2026 är en pipeline: en ASR-modell omvandlar tal till text, en språkmodell tänker, en synmodell hanterar kameran och en TTS-modell säger svaret. Varje steg är en separat checkpoint, en separat latensbudget och ett separat felmod. LFM3-Omni-2B:s pitch är att alla fyra kollapsar till en enda 4,3 GB BF16-fil som får plats på en telefon och aldrig lämnar den.

Det är ett verkligt arkitektoniskt argument, och det är anledningen till att benchmarkresultaten betyder mindre än hur saken är uppbyggd. En pipeline av fyra små specialistmodeller slår vanligtvis en enda generalistmodell på varje enskild uppgift. Det den inte kan göra är att dela representationer: omnimodellen uppfattar tonen i en fråga om en bild, och svaret betingas av båda samtidigt. Huruvida det ger bättre svar är precis vad ingen oberoende utvärdering har testat.

Ett praktiskt sätt att använda en checkpoint som den här medan den är obeprövad är att hålla den borta från din kritiska väg. OrcaRouters routing-DSL byggdes för det mönstret – en specialistväg och en experimentell väg bakom en och samma slutpunkt, så att en ny modell kan ta trafik i proportion till sin tillförlitlighet i stället för allt på en gång, med automatisk redundansväxling när det uppstår fel. LFM3-Omni-2B finns inte i vår katalog i dag, så inget här gör anspråk på att du kan anropa den via oss. När en modell som den här väl blir tillgänglig är det den typ av driftsättning den lämpar sig för: tillgänglig, uppmätt och inte bärande förrän den har förtjänat det.

Vad du ska titta på

Nästa signal är inte ännu en benchmarktabell. Det är huruvida någon utanför Liquid publicerar en. En 2,2B omni-modell som verkligen håller 70,09 på Daily-Omni är ett anmärkningsvärt resultat för arbete på enheten, och en oberoende reproduktion – även en partiell sådan – skulle vara värd mer än leverantörens fullständiga resultatblad. Den andra signalen är SGLang-sammanslagningen: när talvägen dokumenteras i en serving-stack slutar modellen vara ett repository och börjar bli infrastruktur.

Fram till dess är den ärliga sammanfattningen snäv. LFM3-Omni-2B finns, den är mindre än nästan allt den konkurrerar med, den tar in fyra modaliteter och ger ut två, och det är den första Liquid-modellen som kan svara högt. Läckan sa att den inte kunde. Kortet säger att den kan, och än så länge är kortet det enda vittnet.