เปิดตัว LFM3: โมเดล 2B หกตัว แบ็กโบนเดียว และหน้าต่าง 256 โทเคนที่ไม่ใช่บริบท

ตระกูล LFM3 ของ Liquid AI เปิดตัวเมื่อวันที่ 27 ตุลาคม 2026 ในฐานะเช็กพอยต์ระดับ 2B จำนวนหกตัว แทนที่จะเป็นเรือธงเพียงรุ่นเดียว: LFM3-1.7B สำหรับข้อความ, LFM3-VL-2B สำหรับวิชัน, LFM3-Audio-2B สำหรับเสียงพูด, LFM3-Omni-2B สำหรับทุกอย่างพร้อมกัน พร้อมด้วยโมเดลสำหรับการตัดสินใจอีกสองตัว คือ d1-2B และ d1-omni-2B ทั้งหกตัวแยกสาขามาจาก backbone ที่ผ่านการฝึกมาก่อนเพียงตัวเดียว คือ LFM3-1.7B-Base ซึ่ง Liquid ก็เปิดตัวเช่นกัน กรอบการนำเสนอของบริษัทคือ "ความฉลาดเฉพาะทาง" — การจงใจปฏิเสธที่จะปล่อยโมเดลอเนกประสงค์ขนาดเล็กออกมาและแข่งขันในแกนที่ผิด

ภายในหนึ่งวันหลังการประกาศ ตัวเลขหนึ่งจากเอกสารทางเทคนิคก็ถูกตีความผิดไปแล้ว สถาปัตยกรรมของ LFM3 ระบุเลเยอร์ sliding-window attention ที่มีหน้าต่าง 256 โทเคน นั่นคือเรขาคณิตของ attention ต่อเลเยอร์ ไม่ใช่ความยาวบริบทของโมเดล โมเดลข้อความรับบริบทได้ 256K โทเคน ผู้อ่านที่กวาดตาดูตารางเลเยอร์แล้วสรุปว่า Liquid ได้เปิดตัวโมเดลปี 2026 ที่มีความจำ 256 โทเคน กำลังมีโมเดลผิดอยู่ในหัว และควรค่าแก่การแก้ไขก่อนที่สิ่งอื่นใดในบทความนี้จะสมเหตุสมผล

สถาปัตยกรรมแบบไตรไฮบริดแท้จริงแล้วคืออะไร

LFM3 แทนที่การผสมแบบสองทางของ LFM2 ด้วยเลเยอร์สามประเภทที่ซ้อนกันในตัวแบบ 24 ชั้น โดย 13 ชั้นเป็นคอนโวลูชันสั้นแบบมีเกต ห้าชั้นเป็นแอตเทนชันแบบหน้าต่างเลื่อนที่มีหน้าต่าง 256 โทเคน และหกชั้นเป็นแอตเทนชันโกลบอลแบบเต็ม เคอร์เนลคอนโวลูชันขยายจาก 3 เป็น 7 มีการเปลี่ยนแปลงเล็ก ๆ สามอย่างมาพร้อมกัน ได้แก่ เกตซิกมอยด์ที่ปรับสเกลเอาต์พุตของแต่ละแอตเทนชันเฮดอย่างอิสระ โรตารีเอ็มเบดดิงแบบบางส่วนในชั้นโกลบอลที่หมุนเฉพาะครึ่งความถี่สูงสุดของแต่ละเฮด และนอร์มัลไลเซชันแบบแซนด์วิชที่ปรับสภาพทั้งอินพุตและเอาต์พุตของทุกบล็อก

สมมติฐานคือการคอนโวลูชันแบบสั้นแบกรับโครงสร้างเฉพาะที่ส่วนใหญ่ไว้ได้ในต้นทุนต่ำ, sparse attention จัดการระยะกลาง, และ global attention เพียงเสี้ยวบาง ๆ เชื่อมหน้าต่าง 256K ทั้งหมดเข้าด้วยกัน นั่นคือเหตุผลที่ KV cache ยังเล็กพอที่จะมีความสำคัญ — Liquid รายงานว่าแคชแบบเต็ม 128K โทเคนใช้ 1.6 GB เทียบกับ 4.3 GB สำหรับ Qwen3.5-4B และ 5.6 GB สำหรับ MiniCPM5-2B ในการวัดเดียวกัน ตัวโมเดลข้อความเองมีขนาดประมาณ 1 GB ที่ precision 4-bit

การฝึกอบรมดำเนินไปในสี่ระยะ: โทเค็นก่อนการฝึก 22 ล้านล้านโทเค็น, ระยะการฝึกช่วงกลางขนาด 3.5 ล้านล้านโทเค็นที่เน้นร่องรอยแบบเอเจนต์และการเรียกใช้เครื่องมือ ซึ่งยังขยายบริบทเป็น 256K, การปรับแต่งแบบมีผู้สอนบน 1.75 ล้านล้านโทเค็น, จากนั้นเป็นการเรียนรู้แบบเสริมกำลังแบบผสมผสานร่วมกับการกลั่นแบบออนโพลิซีหลายโดเมนจากครูผู้เชี่ยวชาญหกคน คำศัพท์มีขนาด 128K โทเค็น ใช้ร่วมกับ LFM2.5-8B-A1B และสร้างขึ้นเพื่อแบ่งโทเค็นสคริปต์ที่ไม่ใช่ละตินได้อย่างมีประสิทธิภาพมากกว่ารุ่นก่อน

โมเดลทั้งหก และบริบทของแต่ละโมเดลอยู่ที่ไหน

Liquid ระบุชัดเจนว่าสิ่งเหล่านี้เป็นรุ่นพี่น้องกัน ไม่ใช่รุ่นที่แบ่งระดับกัน แต่ละรุ่นใช้แบ็กโบนเดียวกันและได้รับการฝึกเพิ่มเติมหลังการฝึก (post-trained) สำหรับรูปร่างเอาต์พุตที่แตกต่างกัน

• LFM3-1.7B — โมเดลข้อความและเอเจนต์แบบเดนส์ มีจำนวนพารามิเตอร์ 1.73B รองรับคอนเท็กซ์ 256K การเรียกใช้เครื่องมือแบบเนทีฟ และเอาต์พุตแบบมีโครงสร้าง

• LFM3-VL-2B — วิชัน-ภาษา (vision-language) ขนาด 1.9B พารามิเตอร์ พร้อมตัวเข้ารหัสภาพที่พัฒนาขึ้นเอง ซึ่ง Liquid กล่าวว่าต้องใช้พลังประมวลผลประมาณหนึ่งในสามของ SigLIP2

• LFM3-Audio-2B — ASR, TTS, การแปลเสียงพูด และความเข้าใจเสียง โดยใช้เอนโคเดอร์ที่พัฒนาขึ้นเองร่วมกับ LiquidCodec

• LFM3-Omni-2B — โมเดล omni ตัวแรกของ Liquid: รับข้อความ รูปภาพ วิดีโอ และเสียงเข้า ให้ผลลัพธ์เป็นข้อความหรือเสียงพูด

• d1-2B — โมเดลการตัดสินใจที่สร้างขึ้นจากสาขาวิชัน ซึ่งตอบคำถามแบบมีโครงสร้างในการประมวลผลไปข้างหน้าครั้งเดียวด้วยความน่าจะเป็นที่ปรับเทียบแล้ว แทนที่จะเป็นข้อความร้อยแก้วแบบอิสระ

• d1-omni-2B — อินเทอร์เฟซการตัดสินใจแบบเดียวกันบนสาขา omni

หน้าต่างบริบทไม่เท่ากันทุกโมเดล และนี่คือรายละเอียดที่การรายงานข่าวการเปิดตัวส่วนใหญ่มองข้ามไป Liquid เปิดเผยหน้าต่างบริบทสำหรับโมเดลข้อความและโมเดลฐาน — 256K โดยนับอินพุตและเอาต์พุตรวมกัน — แต่ไม่เปิดเผยสำหรับอีกสี่โมเดลที่เหลือเลย ทั้งประกาศและเอกสารของโมเดลต่างก็ไม่ระบุความยาวบริบทสำหรับ LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B หรือโมเดลตัดสินใจทั้งสองโมเดล ข้อเขียนจากบุคคลที่สามมีการเผยแพร่ตัวเลข 128K สำหรับโมเดลวิชัน และ 32K สำหรับโมเดลออมนี และตัวเลขเหล่านี้อาจถูกต้องก็เป็นได้ แต่ ณ วันที่ 28 ตุลาคม ตัวเลขเหล่านี้ไม่อยู่บนหน้าเว็บของ Liquid เอง หากคุณกำลังวางแผนสร้างเอเจนต์ที่อ่านเอกสารยาว ๆ และดูภาพหน้าจอด้วย ตอนนี้คุณไม่สามารถประเมินขนาดบริบทของโมเดลออมนีจากเอกสารจากเจ้าของโมเดลโดยตรงได้เลย นี่คือช่องว่างที่ควรระบุให้ชัด มากกว่าจะเติมให้เต็มด้วยข้อมูลจากบล็อกซึ่งไปเติมข้อมูลนั้นมาจากที่อื่นอีกทอดหนึ่ง

ตารางผลทดสอบมาตรฐาน เมื่ออ่านกันอย่างตรงไปตรงมา

ตัวเลขประสิทธิภาพทุกตัวด้านล่างนี้เป็นของ Liquid เอง ทั้งหมดวัดบนฮาร์เนสของ Liquid เอง และยังไม่มีการทำซ้ำโดยอิสระแม้แต่ตัวเดียว ณ วันที่ 28 ตุลาคม 2026 ยังไม่มีข้อมูล LFM3 ใน Artificial Analysis — ไม่มีทั้ง Intelligence Index และไม่มีการวัดความเร็วหรือความหน่วงจากฝ่ายที่เป็นกลาง เรื่องนี้สำคัญกว่าปกติในกรณีนี้ เพราะการเปรียบเทียบที่งานเปิดตัวใช้อ้างอิงเป็นหลักคือการเปรียบเทียบบนฮาร์เนสเดียวกัน ซึ่งย่อมทำให้โมเดลที่ฮาร์เนสถูกปรับจูนมาเพื่อมันดูดีเกินจริง

LFM3-1.7B ได้คะแนน 49.37 จากค่าเฉลี่ย 27 benchmark ของ Liquid ส่วน LFM2.5-2.6B ของบริษัทเองได้ 31.55 ในชุดเดียวกัน ซึ่งเป็นที่มาของคำกล่าวอ้าง "พารามิเตอร์น้อยลง 35%" แถวที่น่าสนใจไม่ใช่ค่าเฉลี่ย:

• การใช้เครื่องมือ — BFCL V4 71.39, ToolSandbox 80.36, τ³-bench 68.01, MCP-Atlas 32.57

• เว็บแบบเอเจนติก — WebArena-Verified 38.42, AutomationBench 41.29, BrowseComp-Plus 37.00, LiveClaw 45.60

• การเขียนโค้ดด้วยเอเจนต์ — SWE-bench Verified 43.40, SWE-bench Multilingual 23.00, Terminal-Bench 2.1 ที่ 12.92

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

• ความรู้ — GPQA Diamond 63.37, HLE 7.17 โดยไม่ใช้เครื่องมือ และ 13.90 เมื่อใช้เครื่องมือ

• บริบทขนาดยาว — RULER 128K 65.56, AA-LCR 52.83

เมื่อมองเป็นรูปทรงของคะแนนมากกว่ายอดรวม โปรไฟล์นี้ก็สอดคล้องกันดี: การยึดตามคำสั่งที่แข็งแกร่งมาก การเรียกใช้เครื่องมือในเทิร์นเดียวที่อยู่ในเกณฑ์น่าพอใจ และการดิ่งลงอย่างรวดเร็วเมื่อภารกิจต้องใช้หลายขั้นตอนต่อเนื่องกัน Terminal-Bench 2.1 ที่ 12.92 และ SWE-bench Multilingual ที่ 23.00 ไม่ใช่ตัวเลขที่คุณจะใช้สร้างเอเจนต์เขียนโค้ดอัตโนมัติ Liquid ไม่ได้ปิดบังเรื่องนี้ — การ์ดโมเดลชี้นำผู้ใช้ให้เลี่ยงการให้เหตุผลซับซ้อนและการเขียนโค้ดหลายขั้นตอน ซึ่งเป็นการวางตำแหน่งที่ตรงไปตรงมาอย่างผิดปกติจากผู้จำหน่ายในวันเปิดตัว

คำกล่าวอ้างเรื่องประสิทธิภาพเป็นอีกครึ่งหนึ่งของการนำเสนอขาย ที่ Q4_0 และบริบท 32K Liquid ระบุว่า LFM3-1.7B เป็นโมเดลที่เร็วที่สุดในอุปกรณ์ทดสอบทั้งสามเครื่อง เร็วกว่าคู่แข่งอันดับถัดไป 1.8 ถึง 2.8 เท่า พร้อมขนาดหน่วยความจำที่ต่ำที่สุด บน NVIDIA B300 เครื่องเดียวที่ใช้ SGLang ใน BF16 โมเดลนี้ให้บริการ 3.6 พันล้านโทเค็นต่อวัน ณ 1,024 คำขอพร้อมกัน บริษัทยังรันเอเจนต์ LFM3-1.7B มากกว่า 300,000 ตัวแบบขนานบนคลังอีเมล Enron เพื่อสาธิตการรับภาระหนักอีกด้วย นั่นเป็นตัวเลขจากผู้ขายที่ยังไม่ได้ตรวจสอบ แต่เป็นตัวเลขประเภทที่ยากจะพองขึ้นอย่างเงียบ ๆ

ใบอนุญาตและค่าใช้จ่ายในการดำเนินการ

เวตของโมเดลอยู่บน Hugging Face ในบิลด์ BF16, FP8, NVFP4, GGUF, MLX และ ONNX พร้อมการรองรับตั้งแต่วันแรกใน vLLM, SGLang, Transformers, llama.cpp, MLX, ONNX Runtime, Ollama และ LM Studio สัญญาอนุญาตคือ LFM Open License v1.0: ใช้เชิงพาณิชย์ได้โดยไม่ต้องจ่ายค่าลิขสิทธิ์เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ และต้องมีข้อตกลงแยกต่างหากเมื่อสูงกว่านั้น เกณฑ์นั้น ไม่ใช่จำนวนพารามิเตอร์ คือเส้นแบ่งที่กำหนดว่า LFM3 ฟรีสำหรับบริษัทใดบริษัทหนึ่งหรือไม่

Liquid ยังให้บริการ API แบบโฮสต์ด้วย และในส่วนนั้นข้อมูลสาธารณะมีน้อยกว่าที่การเปิดตัวชี้ให้เห็น เอกสารระบุ ID ของโมเดลและขีดจำกัดอินพุตรวมเอาต์พุตที่ 256K แต่ไม่มีตารางราคา รายงานจากบุคคลที่สามระบุว่าอัตราค่าบริการแบบโฮสต์สำหรับ LFM3-1.7B อยู่ที่ประมาณ $0.08 ต่ออินพุตหนึ่งล้านโทเคน และ $0.20 ต่อเอาต์พุตหนึ่งล้านโทเคน โดยรุ่น vision, audio, omni และ decision มีราคาสูงกว่า Liquid ยังไม่ได้เผยแพร่ตัวเลขเหล่านั้นบนหน้าเว็บของตัวเอง จึงควรถือเป็นข้อมูลที่มีการรายงาน而非ยืนยันแล้ว ในทางกลับกัน การโฮสต์เองไม่มีราคาต่อโทเคนเลย ค่าใช้จ่ายคือตัวเครื่อง และที่ 4 บิต เครื่องนั้นอาจเป็นโทรศัพท์ได้

OrcaRouter เหมาะกับจุดไหน — และไม่เหมาะกับจุดไหน

LFM3 ไม่ได้อยู่ในแคตาล็อกของ OrcaRouter และเราไม่คิดจะแสร้งทำเป็นว่าเป็นเช่นนั้น มันเป็นซอฟต์แวร์แบบเปิดน้ำหนักที่คุณรันเองหรือเรียกผ่าน API ของ Liquid เอง สิ่งที่เราเตอร์นี้ทำได้ดีคือชั้นที่อยู่รอบ ๆ มัน ผู้เชี่ยวชาญขนาด 1.7B แทบไม่เคยเป็นโมเดลเดียวในไปป์ไลน์: มันจัดการการเรียกเครื่องมือ การจำแนกประเภท หรือการสกัดข้อมูล และมีบางสิ่งที่ใหญ่กว่าจัดการเทิร์นที่ต้องใช้วิจารณญาณ OrcaRouter นำโมเดลที่โฮสต์เหล่านั้นมาไว้เบื้องหลัง คีย์เดียวโดยไม่คิดมาร์กอัป 0% — ราคาตามรายการของผู้ให้บริการส่งต่อมาโดยตรง — ดังนั้นเส้นทางการยกระดับจาก LFM3 ไปยังโมเดลระดับแนวหน้าจึงเป็นกฎการกำหนดเส้นทางมากกว่าสัญญาฉบับที่สอง การสลับไปใช้ระบบสำรองอัตโนมัติของมันสำคัญที่สุดสำหรับงานประเภทที่ LFM3 มุ่งเป้าโดยเฉพาะ ซึ่งโมเดลเล็กเพียงตัวเดียวคือสิ่งเดียวที่กั้นระหว่างคำขอกับข้อผิดพลาด

DSL สำหรับการจัดเส้นทางเป็นตัวเลือกที่เข้ากันได้น่าสนใจกว่า การประกอบผู้เชี่ยวชาญเฉพาะทางเข้ากับโมเดลอเนกประสงค์ในการเรียกครั้งเดียว — งานรูปทรง LFM3 ที่จัดเส้นทางไปยังโมเดลขนาดเล็ก ส่วนงานอื่น ๆ ตกไปที่โมเดลที่โฮสต์ไว้ — คือรูปแบบการดีพลอยที่ตระกูลนี้ถูกสร้างขึ้นมาเพื่อรองรับ ข้อโต้แย้งทั้งหมดของ Liquid คือโมเดล 2B เอาชนะโมเดลระดับแนวหน้าได้ในงาน narrowly defined ด้วยต้นทุนเพียงเศษเสี้ยว และเราเตอร์คือวิธีที่คุณเก็บเกี่ยวการประหยัดนั้นโดยไม่ต้องเดิมพันทั้งไปป์ไลน์ไว้กับมัน

ดูอะไรดี

คำถามที่ยังไม่มีคำตอบไม่ใช่เรื่องที่ว่า LFM3 เก่งในสิ่งที่มันอ้างหรือไม่ แต่เป็นเรื่องที่ว่าข้ออ้างเหล่านั้นจะผ่านฮาร์เนสที่ Liquid ไม่ได้เขียนขึ้นมาหรือไม่ ตัวเลขเชิงเอเจนต์ของตระกูลนี้คือสิ่งที่ต้องทดสอบซ้ำก่อน เพราะ WebArena-Verified ที่ 38.42 และ AutomationBench ที่ 41.29 อยู่สูงกว่าที่โมเดลขนาด 1.7B เคยทำได้ในอดีตมาก และ benchmark เชิงเอเจนต์มีความอ่อนไหวต่อ prompt scaffolding และนโยบายการลองซ้ำมากที่สุด การรันอิสระที่ได้ผลต่างจากตารางของ Liquid เพียงไม่กี่จุดจะทำให้ LFM3 เป็นตัวเลือกเริ่มต้นสำหรับการเรียกใช้เครื่องมือบนอุปกรณ์ การรันที่ได้ต่ำกว่าสิบจุดจะทำให้มันเป็นโมเดลที่ทำตามคำสั่งได้ดี แต่มีเรื่องราวด้านเอเจนต์ที่พูดเกินจริง

จนกว่าการรันนั้นจะมีอยู่จริง สรุปอย่างตรงไปตรงมาคือ: LFM3 เป็นตระกูลโมเดลขนาดเล็กที่ถูกออกแบบมาอย่างดีและตรงไปตรงมาอย่างผิดปกติ มีการผสมชั้นเลเยอร์ที่ใหม่จริง ๆ มีข้อได้เปรียบด้านหน่วยความจำจริง มีการเผยแพร่เวตที่เกณฑ์สัญญาอนุญาตซึ่งใช้งานได้ และยังไม่มีการตรวจสอบอย่างอิสระต่อ benchmark หลักใด ๆ หน้าต่าง 256 โทเคนในตารางสถาปัตยกรรมไม่ใช่ความยาวคอนเท็กซ์ ทุกอย่างอื่นในการเปิดตัวนี้ควรค่าแก่การรับตามที่ประกาศไว้จนกว่าจะมีใครพิสูจน์เป็นอย่างอื่น และควรค่าแก่การวัดด้วยตัวเองก่อนนำไปให้ผู้ใช้เห็น