LFM3-Omni-2B: โมเดล Omni ที่พูดได้ และข้อมูลรั่วไหลที่บอกว่ามันทำไม่ได้

LFM3-Omni-2Bตอบกลับด้วยเสียง ประโยคเดียวนั้นคือข่าว เพราะเมื่อสัปดาห์ก่อน หลักฐานสาธารณะที่ดีที่สุดบอกไว้ตรงกันข้าม เมื่อตระกูล LFM3 ปรากฏผ่าน pull request ของ SGLang ที่ยังไม่ได้ merge เช็กพอยต์ถูกตั้งค่าให้ส่งออกข้อความเท่านั้น และบทความของเราเองเกี่ยวกับการรั่วไหลนั้นได้สรุปไว้ ณ เวลานั้นอย่างถูกต้องว่า “LFM3 พูดได้” ยังไม่ได้รับการพิสูจน์ เมื่อวันที่ 27 ตุลาคม 2026 Liquid AI ได้เผยแพร่ประกาศของตระกูลและโมเดลการ์ด และการ์ดนั้นก็ให้คำตอบที่ชัดเจน: เอาต์พุตเสียงพูด 24 kHz ซึ่งสร้างผ่านคอมโพเนนต์ชื่อ LiquidCodec สตรีมได้เร็วกว่าเวลาจริงโมเดลที่ยังไม่ได้รับการพิสูจน์ไม่ควรเป็นที่พึ่งหลักในวันแรกการสลับไปยังระบบสำรองอัตโนมัติทราฟฟิกสามารถย้ายตามกฎ และเส้นทางที่ล้มเหลวจะสลับไปยังระบบสำรองได้โดยไม่ต้องแก้โค้ด

ทุกอย่างอื่นเกี่ยวกับการเปิดตัวครั้งนี้ดูเงียบกว่าที่การแก้ไขนั้นชี้ให้เห็น ประกาศของ Liquid ครอบคลุมหกโมเดล และ LFM3-Omni-2B ได้พื้นที่เพียงสามประโยคในนั้น — ไม่มีตาราง benchmark ไม่มีความยาว context และไม่มีจำนวนพารามิเตอร์ บันทึกเชิงปริมาณทั้งหมดอยู่ใน Hugging Face card ซึ่งเป็นแหล่งที่มาของตัวเลขทุกตัวด้านล่าง การแยกส่วนนี้ควรค่าแก่การทำความเข้าใจก่อนที่คุณจะวางแผนโดยอิงกับโมเดลนี้: การวางตำแหน่งคือการตลาด ตัวเลขคือรีโพซิทอรี และไม่มีสิ่งใดในทั้งสองส่วนได้รับการทดสอบอย่างเป็นอิสระ

อะไรที่ปล่อยออกมาจริง และเมื่อไหร่

รีโพซิทอรีนี้ถูกสร้างเมื่อวันที่ 21 ตุลาคม 2026 เวลา 16:58 UTC การ์ดถูกแก้ไขล่าสุดเมื่อวันที่ 27 ตุลาคม เวลา 17:25 UTC ซึ่งเป็นวันเดียวกับโพสต์ของตระกูลโมเดล ณ เวลาที่เขียน Hugging Face แสดงยอดดาวน์โหลด 83 ครั้งและยอดถูกใจ 17 ครั้ง — ตัวเลขที่ไม่สูงนัก ซึ่งสอดคล้องกับเช็กพอยต์ที่เผยแพร่เป็นหนึ่งในสาขาของตระกูลโมเดลหกตัว มากกว่าจะเป็นการเปิดตัวที่โดดเด่น รีโพซิทอรีพี่น้องเล่าเรื่องเดียวกัน: LFM3-VL-2B ถูกสร้างเมื่อวันที่ 19 ตุลาคม LFM3-Audio-2B เมื่อวันที่ 8 กันยายน และทั้งหมดถูกแก้ไขเมื่อวันที่ 27 ตุลาคม

ดังนั้น นี่จึงไม่ใช่โมเดลที่ไม่ได้รับการประกาศในความหมายที่บรีฟสื่อไว้ Liquid ประกาศตระกูลนี้ ตั้งชื่อสาขาทั้งหก และอธิบายว่าโมเดล omni ทำอะไรได้ สิ่งที่บริษัทไม่ได้ทำคือประกาศ LFM3-Omni-2B ในฐานะการเปิดตัวของตัวเอง ไม่มีโพสต์แยกต่างหาก ไม่มีบทประเมินในวันเปิดตัว ไม่มีหน้าราคาเพราะไม่มีเอนด์พอยต์แบบโฮสต์ และไม่มีเบนช์มาร์กอิสระ ช่องว่างระหว่าง “การประกาศ” กับ “การมีเอกสารยืนยัน” คือจุดที่บทความนี้ตั้งอยู่

การ์ดแบบเต็ม

จุดตรวจสอบเป็นบิลด์ BF16 เดียวที่มีพารามิเตอร์ 2,166,928,384 ตัว ซึ่งการ์ดปัดเป็น 2.17B โดยวางอยู่บนแกนหลัก LFM3-1.7B-Base — แบ็กโบน tri-hybrid แบบเดียวกับรุ่นอื่น ๆ ในตระกูลเดียวกัน โดยมี gated short convolution รับผิดชอบเลเยอร์ส่วนใหญ่ และ global attention สงวนไว้เพียงไม่กี่เลเยอร์ บนแกนหลักนั้นมี vision encoder, causal audio encoder และ tokenizer LiquidCodec ที่แปลงโทเค็นที่สร้างขึ้นกลับเป็นรูปคลื่นเสียง

• อินพุต — ข้อความ, รูปภาพที่ความละเอียดดั้งเดิม, วิดีโอที่ 2 เฟรมต่อวินาทีสำหรับ 4 ถึง 384 เฟรม และเสียงที่ 16 kHz อินพุตวิดีโอสามารถมีแทร็กเสียงของตัวเองได้

• เอาต์พุต — ข้อความ เสียงพูด 24 kHz หรือทั้งสองอย่างในคำตอบเดียวกัน

• บริบท — 32,768 โทเคน ครอบคลุมทั้งอินพุตและเอาต์พุตรวมกัน

• งบประมาณรูปภาพ — สูงสุด 2,048 โทเค็นภาพต่อรูปภาพ ไม่ว่าความละเอียดจะเป็นเท่าใด

• ภาษา — การ์ดระบุภาษาเขียน 16 ภาษา และภาษาพูดหรือโลแคล 19 รายการ; เมทาดาทาของรีโพซิทอรีอ้างว่ามี 23 ภาษา ตัวเลขทั้งสองไม่สอดคล้องกันบนหน้านี้

• สัญญาอนุญาต — LFM Open License v1.0 ซึ่งเป็นข้อกำหนดเฉพาะที่ Liquid ใช้มาตั้งแต่ LFM2 ไม่ใช่สัญญาอนุญาตของ OSI

• การใช้เหตุผล — ไม่มี การ์ดระบุว่าไม่รองรับโหมดการคิด และไม่สามารถใช้ enable_thinking=True ได้

สองบรรทัดในนั้นสำคัญกว่าบรรทัดที่เหลือ บรรทัดแรกคือบริบท 32K ซึ่งเล็กสำหรับโมเดลมัลติโมดัลในปี 2026 และเป็นผลโดยตรงจากเป้าหมายการทำงานบนอุปกรณ์ เนื่องจากทุกโทเคนของบริบทมีต้นทุนหน่วยความจำบนโทรศัพท์ บรรทัดที่สองคือสัญญาอนุญาต LFM Open License v1.0 ไม่ใช่ Apache-2.0 และข้อกำหนดมีเกณฑ์รายได้ที่กำหนดว่าใครสามารถใช้เวตของโมเดลในเชิงพาณิชย์ได้โดยไม่ต้องมีข้อตกลงแยกต่างหาก หากคุณกำลังประเมินโมเดลนี้สำหรับผลิตภัณฑ์ ให้อ่านสัญญาอนุญาตก่อนอ่านผล Benchmark

ตัวเลขที่ไม่มีใครประกาศ

โพสต์ของ Liquid มีข้อกล่าวอ้างเชิงเปรียบเทียบหนึ่งข้อเกี่ยวกับ LFM3-Omni-2B ว่าเหนือกว่าโมเดลที่มีพารามิเตอร์สูงถึง 10.7B “เช่น Qwen2.5-Omni-7B” บน Daily-Omni, WorldSense และ AV-SpeakerBench ไม่มีคะแนนใด ๆ ประกอบในประโยคนั้น การ์ดให้คะแนนเหล่านั้นมา และเป็นคะแนนที่ Liquid AI วัดเอง — เป็นการประเมินโดยผู้ขาย ไม่ใช่การประเมินอิสระ และเป็นการประเมินเดียวที่มีอยู่

บนสามเบนช์มาร์กที่โพสต์ระบุ การ์ดรายงาน Daily-Omni 70.09, WorldSense 47.10 และ AV-SpeakerBench 46.79 OmniBench อยู่ที่ 46.32 โดยรวม โดยได้ 48.25 ในชุดย่อยด้านเสียงพูด สำหรับการตอบคำถามเชิงภาพด้วยเสียง ซึ่งเป็นฟีเจอร์เด่นของโมเดล ที่คุณถามเกี่ยวกับภาพด้วยการพูดออกเสียง การ์ดระบุ RealWorldQA 64.68, MMStar 51.79, POPE 83.78, ERQA 39.43 และ EmbSpatial 67.59 แถวด้านเสียงคือ ASR ภาษาอังกฤษที่อัตราคำผิด 6.36, ASR หลายภาษา 6.72, การสังเคราะห์เสียงพูดภาษาอังกฤษ 3.80 UTMOSv2, VoiceBench 64.73 และ MMAR สำหรับความเข้าใจเสียง 51.40 คะแนนวิสชันแบบข้อความล้วนของโมเดล เพื่อความครบถ้วน คือ DocVQA 92.47, OCRBench 806 จาก 1,000, MMMU validation 42.44 และ MathVista mini 62.50

เมื่อมองเป็นชุด คะแนนเหล่านี้อธิบายโมเดลที่ทำได้ดีในทุกด้านแต่ไม่โดดเด่นในเรื่องใดเลย คะแนน 46.79 บน AV-SpeakerBench และ 47.10 บน WorldSense ไม่ใช่ตัวเลขที่ชนะลีดเดอร์บอร์ด แต่เป็นตัวเลขที่บ่งชี้ว่าโมเดลขนาด 2.2B สามารถยืนหยัดด้านการให้เหตุผลแบบเสียงและภาพได้โดยไม่พังทลาย คะแนน DocVQA เป็นค่าผิดปกติในทิศทางตรงกันข้าม และเป็นตัวเลขเดี่ยวที่น่าสนใจที่สุดในตาราง — 92.47 จากโมเดล omni ขนาด 2.2B ถือว่าสูง และเป็นแถวเดียวที่เช็กพอยต์นี้เอาชนะโมเดลวิชันเฉพาะทางของ Liquid เองได้อย่างชัดเจน ซึ่งรายงานไว้ที่ 91.1

สิ่งที่ข้อมูลรั่วไหลคาดการณ์ถูกต้อง และสิ่งเดียวที่คาดการณ์ผิด

pull request ของ SGLang ที่ทำให้ตระกูลนี้เป็นที่รู้จักต่อสาธารณะนั้นถูกต้องเกือบทุกอย่างในเชิงโครงสร้าง โดยระบุชื่อเช็กพอยต์ทั้งสี่ได้อย่างถูกต้อง อธิบายโครงหลักที่ใช้ร่วมกันได้อย่างถูกต้อง และถูกต้องที่หน้าต่างเลื่อนขนาด 256 โทเคนเป็นค่าตั้งค่าของ attention ไม่ใช่ขีดจำกัดบริบท อีกทั้งยังถูกต้องที่จะระมัดระวัง เนื่องจาก pull request ยังไม่ถูก merge การตรวจ CI สามรายการล้มเหลว และการตรวจสอบความถูกต้องแบบ omni สองจากยี่สิบสองรายการยังล้มเหลวในการเปรียบเทียบ ROUGE กับเช็กพอยต์สำหรับพัฒนา

จุดที่ทำให้เข้าใจผิด — และจุดที่เราทำซ้ำ — คือ modality ของเอาต์พุต เส้นทาง runtime ที่มันเชื่อมต่อไว้นั้นส่งคืนข้อความ ในโค้ดนั้นไม่มีสาขาสำหรับส่งออกเสียง และข้อสรุปที่สมเหตุสมผลคือ ตระกูลโมเดลนี้อาจตัด speech synthesis ออกไป หรือ runtime รุ่นแรกอาจเป็นข้อความล้วน โมเดลที่เปิดตัวจริงทำได้ทั้งสองอย่าง บทเรียนไม่ใช่ว่าการรั่วไหลนั้นประมาท แต่คือ serving integration อธิบายเส้นทางที่ใครบางคนนำไป implement ไม่ใช่ความสามารถของ checkpoint ที่อยู่เบื้องหลัง PR เป็นหลักฐานเกี่ยวกับ runtime และเราได้ปฏิบัติต่อมันเป็นหลักฐานเกี่ยวกับโมเดล

อะไรที่ยังไม่ได้รับการยืนยัน?

สามสิ่ง และสิ่งเหล่านั้นคือสามสิ่งที่จะเป็นตัวตัดสินการนำขึ้นใช้งานจริงในโปรดักชัน

ประการแรก ไม่มีการประเมินที่เป็นอิสระในรูปแบบใด ๆ เลย ตัวเลขทั้งหมดข้างต้นถูกสร้างโดยบริษัทที่สร้างโมเดลนี้ ผ่านชุดทดสอบของบริษัทเอง โดยไม่มีวิธีการที่เผยแพร่ ไม่มีรายการใน Artificial Analysis ไม่มีผลลัพธ์จาก LMArena และไม่มีการทำซ้ำโดยบุคคลที่สาม ให้ถือว่าตาราง benchmark เป็นข้อกำหนดเชิงเจตนา ไม่ใช่ผลการวัด

ประการที่สอง การให้บริการเสียงไม่มีเอกสารประกอบนอกเส้นทางของผู้ขายเอง การ์ดระบุว่าการรองรับ SGLang ครอบคลุมเอาต์พุตข้อความ และไม่ได้จัดทำเอกสารว่าสาขาเสียงถูกให้บริการอย่างไร หากแผนของคุณคือ “โมเดลเดียว คำตอบแบบเสียง บนฮาร์ดแวร์ของเราเอง” การ์ดนี้ไม่ได้ให้ข้อมูลอ้างอิงใด ๆ สำหรับครึ่งหลังของประโยคนั้น ณ เวลาที่เขียนนี้ รีโพซิทอรีไม่ระบุผู้ให้บริการอินเฟอเรนซ์ใด ๆ

ประการที่สาม ตัวเลขเกี่ยวกับภาษาขัดแย้งกันเอง มีภาษาข้อความ 16 ภาษา โลแคลเสียง 19 แห่ง และ 23 รายการในเมทาดาทา นั่นอาจเป็นนิยามที่แตกต่างกันสามแบบของสิ่งเดียวกัน แต่ยังไม่มีใครเผยแพร่ว่านิยามใดถูกต้อง

ทำไมโมเดลออมนิขนาด 2.2B จึงเป็นการเดิมพันที่แตกต่าง

วิธีปกติในการสร้างผู้ช่วยเสียงในปี 2026 คือไปป์ไลน์: โมเดล ASR เปลี่ยนเสียงพูดเป็นข้อความ โมเดลภาษาเป็นตัวคิด โมเดลวิชันจัดการกล้อง และโมเดล TTS พูดคำตอบ แต่ละขั้นตอนเป็นเช็กพอยต์แยกกัน มีงบเวลาหน่วงแยกกัน และมีโหมดความล้มเหลวแยกกัน จุดขายของ LFM3-Omni-2B คือทั้งสี่ส่วนรวมกันเป็นไฟล์ BF16 ขนาด 4.3 GB ไฟล์เดียวที่ใส่ในโทรศัพท์ได้และไม่เคยออกจากเครื่อง

นั่นเป็นข้อโต้แย้งเชิงสถาปัตยกรรมที่จริงจัง และเป็นเหตุผลว่าทำไมคะแนนเบนช์มาร์กจึงสำคัญน้อยกว่ารูปร่างของสิ่งนั้น ไปป์ไลน์ของโมเดลผู้เชี่ยวชาญขนาดเล็กสี่ตัวมักจะเอาชนะโมเดลทั่วไปตัวเดียวในแต่ละงานได้ แต่สิ่งที่มันทำไม่ได้คือการแชร์การแทนข้อมูล: โมเดลออมนิได้ยินน้ำเสียงของคำถามเกี่ยวกับภาพ และคำตอบถูกกำหนดเงื่อนไขจากทั้งสองอย่างพร้อมกัน ไม่มีการประเมินที่เป็นอิสระใดทดสอบว่าสิ่งนั้นให้คำตอบที่ดีกว่าหรือไม่

วิธีปฏิบัติในการใช้ checkpoint แบบนี้ในขณะที่ยังไม่ผ่านการพิสูจน์ คือการทำให้มันอยู่นอกเส้นทางวิกฤตของคุณ ส่วน OrcaRouter's routing DSL ถูกสร้างมาเพื่อรูปแบบนั้น — เส้นทางเฉพาะทางและเส้นทางทดลองอยู่เบื้องหลังเอนด์พอยต์เดียว เพื่อให้โมเดลใหม่สามารถรับทราฟฟิกได้ตามสัดส่วนความน่าเชื่อถือ แทนที่จะรับทั้งหมดในคราวเดียว พร้อมการสลับสำรองอัตโนมัติเมื่อเกิดข้อผิดพลาด LFM3-Omni-2B ยังไม่อยู่ในแคตตาล็อกของเราในวันนี้ ดังนั้นจึงไม่มีสิ่งใดตรงนี้ที่เป็นการอ้างว่าคุณสามารถเรียกใช้มันผ่านเราได้ เมื่อโมเดลแบบนี้พร้อมใช้งานจริง นั่นคือรูปแบบการปรับใช้ที่เหมาะสม: พร้อมใช้งาน วัดผลได้ และไม่เป็นภาระหลักจนกว่ามันจะพิสูจน์ตัวเองได้

ดูอะไรดี

สัญญาณถัดไปไม่ใช่ตาราง benchmark อีกตารางหนึ่ง แต่คือการที่ใครก็ตามนอก Liquid เผยแพร่ตารางดังกล่าวออกมา โมเดล omni ขนาด 2.2B ที่รักษาคะแนน 70.09 บน Daily-Omni ได้จริงถือเป็นผลลัพธ์ที่น่าสนใจสำหรับงานบนอุปกรณ์ และการทำซ้ำอย่างอิสระ—แม้เพียงบางส่วน—ก็มีคุณค่ามากกว่าตารางผลลัพธ์ฉบับเต็มของผู้พัฒนาเอง สัญญาณที่สองคือการ merge เข้า SGLang: เมื่อเส้นทางการประมวลผลเสียงได้รับการ dokument ใน serving stack โมเดลก็จะเลิกเป็นเพียง repository และเริ่มกลายเป็น infrastructure

จนถึงตอนนั้น สรุปตามจริงก็ยังแคบอยู่ LFM3-Omni-2B มีอยู่จริง มันเล็กกว่าเกือบทุกอย่างที่แข่งขันด้วย มันรับอินพุตสี่รูปแบบและให้เอาต์พุตสองรูปแบบ และเป็นโมเดล Liquid ตัวแรกที่ตอบออกเสียงได้ ข้อมูลรั่วไหลบอกว่ามันทำไม่ได้ การ์ดบอกว่ามันทำได้ และตอนนี้การ์ดคือพยานเพียงรายเดียว