LFM3-Omni-2B: Mô hình Omni biết nói, và vụ rò rỉ cho rằng nó không thể

LFM3-Omni-2B trả lời bằng giọng nói. Chính câu đó là toàn bộ tin tức, bởi cách đây một tuần, bằng chứng công khai tốt nhất lại nói điều ngược lại. Khi dòng LFM3 xuất hiện qua một pull request SGLang chưa được hợp nhất, các checkpoint chỉ được thiết lập để xuất văn bản, và bài viết của chính chúng tôi về rò rỉ đó đã kết luận, đúng vào thời điểm ấy, rằng "LFM3 biết nói" vẫn chưa được chứng minh. Ngày 27 tháng 10 năm 2026, Liquid AI công bố thông báo về dòng mô hình và model card, và model card đã giải quyết điều đó: đầu ra giọng nói 24 kHz, được tạo qua một thành phần tên là LiquidCodec, phát trực tuyến nhanh hơn thời gian thực. Một mô hình chưa được chứng minh không nên là thành phần then chốt ngay từ ngày đầu. tự động chuyển đổi dự phòng Lưu lượng có thể được định tuyến theo quy tắc, và một tuyến gặp lỗi sẽ chuyển sang dự phòng mà không cần thay đổi mã.

Mọi thứ khác về bản phát hành này đều trầm lắng hơn so với hàm ý của bản đính chính đó. Thông báo của Liquid đề cập đến sáu mô hình, và LFM3-Omni-2B chỉ được ba câu trong đó — không có bảng benchmark, không có độ dài ngữ cảnh, không có số lượng tham số. Hồ sơ định lượng nằm hoàn toàn trong thẻ Hugging Face, nơi mọi con số dưới đây đều bắt nguồn từ đó. Sự tách biệt đó đáng để hiểu trước khi bạn lập kế hoạch dựa trên mô hình: phần định vị là tiếp thị, các con số là một kho lưu trữ, và không có gì trong cả hai đã được kiểm nghiệm độc lập.

Những gì thực sự được phát hành, và khi nào

Kho lưu trữ được tạo vào ngày 21 tháng 10 năm 2026 lúc 16:58 UTC. Thẻ đã được chỉnh sửa lần cuối vào ngày 27 tháng 10 lúc 17:25 UTC, cùng ngày với bài đăng về dòng mô hình. Tại thời điểm viết bài, Hugging Face hiển thị 83 lượt tải xuống và 17 lượt thích — những con số khiêm tốn phù hợp với một checkpoint được công bố như một nhánh của dòng sáu mô hình chứ không phải một bản phát hành chủ lực. Các kho lưu trữ anh em cũng kể câu chuyện tương tự: LFM3-VL-2B được tạo vào ngày 19 tháng 10, LFM3-Audio-2B vào ngày 8 tháng 9, và tất cả đều được cập nhật vào ngày 27 tháng 10.

Vậy đây không phải là một mô hình chưa được công bố theo nghĩa mà bản tóm tắt ngụ ý. Liquid đã công bố dòng mô hình này, đặt tên cho sáu nhánh và mô tả mô hình omni làm được gì. Điều công ty không làm là công bố LFM3-Omni-2B theo cách riêng của mình. Không có bài đăng độc lập, không có bài đánh giá ngày ra mắt, không có trang giá vì không có endpoint được lưu trữ, và không có benchmark độc lập. Bài viết này nằm ở khoảng cách giữa “đã công bố” và “đã được ghi chép đầy đủ”.

Toàn bộ thẻ

Checkpoint là một bản dựng BF16 duy nhất gồm 2.166.928.384 tham số, mà thẻ mô hình làm tròn thành 2,17B. Nó nằm trên thân LFM3-1.7B-Base — cùng xương sống tri-hybrid như phần còn lại của dòng mô hình, với các phép tích chập ngắn có cổng đảm nhận phần lớn các lớp và attention toàn cục chỉ dành cho một số ít lớp. Trên thân đó là bộ mã hóa thị giác, bộ mã hóa âm thanh nhân quả và tokenizer LiquidCodec, thứ chuyển các token được sinh ra trở lại thành dạng sóng.

• Đầu vào — văn bản, hình ảnh ở độ phân giải gốc, video ở 2 khung hình/giây cho 4 đến 384 khung hình và âm thanh 16 kHz. Đầu vào video có thể bao gồm cả âm thanh đi kèm của chính video.

• Đầu ra — văn bản, giọng nói 24 kHz, hoặc cả hai trong cùng một phản hồi.

• Ngữ cảnh — 32.768 token, bao gồm cả đầu vào và đầu ra.

• Ngân sách hình ảnh — tối đa 2.048 token hình ảnh cho mỗi hình ảnh, bất kể độ phân giải.

• Ngôn ngữ — thẻ này liệt kê 16 ngôn ngữ văn bản và 19 ngôn ngữ nói hoặc ngôn ngữ/khu vực; siêu dữ liệu của kho lưu trữ ghi là 23. Hai con số này không khớp nhau trên trang.

• Giấy phép — LFM Open License v1.0, các điều khoản tùy chỉnh mà Liquid đã sử dụng kể từ LFM2, không phải giấy phép OSI.

• Suy luận — không có. Thẻ cho biết chế độ suy nghĩ không được hỗ trợ và không thể dùng enable_thinking=True.

Hai trong số những dòng đó quan trọng hơn phần còn lại. Dòng đầu tiên là ngữ cảnh 32K, một con số nhỏ đối với một mô hình đa phương thức năm 2026 và là hệ quả trực tiếp của mục tiêu chạy trên thiết bị: mỗi token ngữ cảnh đều tốn bộ nhớ trên điện thoại. Dòng thứ hai là giấy phép. LFM Open License v1.0 không phải Apache-2.0, và các điều khoản có một ngưỡng doanh thu quyết định ai có thể dùng trọng số cho mục đích thương mại mà không cần một thỏa thuận riêng. Nếu bạn đang đánh giá mô hình này cho một sản phẩm, hãy đọc giấy phép trước khi đọc các benchmark.

Những con số mà không ai công bố

Bài đăng của Liquid đưa ra một tuyên bố so sánh về LFM3-Omni-2B: rằng nó vượt qua các mô hình có tới 10,7 tỷ tham số, “chẳng hạn như Qwen2.5-Omni-7B,” trên Daily-Omni, WorldSense và AV-SpeakerBench. Không có điểm số nào đi kèm câu đó. Thẻ mô hình cung cấp các điểm số ấy, và chúng do Liquid AI tự đo — một đánh giá từ nhà cung cấp, không phải đánh giá độc lập, và là đánh giá duy nhất hiện có.

Trên ba benchmark mà bài đăng nêu tên, thẻ mô hình báo cáo Daily-Omni 70.09, WorldSense 47.10 và AV-SpeakerBench 46.79. OmniBench đạt 46.32 tổng thể, với 48.25 trên tập con giọng nói. Đối với trả lời câu hỏi thị giác bằng giọng nói — điểm nhấn chính của mô hình, nơi bạn hỏi về một hình ảnh bằng cách nói ra — thẻ liệt kê RealWorldQA 64.68, MMStar 51.79, POPE 83.78, ERQA 39.43 và EmbSpatial 67.59. Các hàng âm thanh là ASR tiếng Anh với tỷ lệ lỗi từ 6.36, ASR đa ngôn ngữ 6.72, tổng hợp giọng nói tiếng Anh 3.80 UTMOSv2, VoiceBench 64.73 và MMAR hiểu âm thanh 51.40. Để đầy đủ, điểm thị giác chỉ văn bản của nó là DocVQA 92.47, OCRBench 806 trên 1.000, MMMU validation 42.44 và MathVista mini 62.50.

Đọc như một tổng thể, các điểm số mô tả một mô hình có năng lực ở mọi thứ nhưng không xuất sắc ở bất cứ điều gì. Điểm 46,79 trên AV-SpeakerBench và 47,10 trên WorldSense không phải là những con số giành được vị trí đầu bảng; chúng là những con số cho thấy một mô hình 2,2B có thể tự đứng vững trong suy luận nghe nhìn mà không bị sụp đổ. Điểm DocVQA là ngoại lệ theo hướng ngược lại và là con số đơn lẻ thú vị nhất trong bảng — 92,47 từ một mô hình omni 2,2B là cao, và đây là hàng duy nhất mà checkpoint này rõ ràng vượt trội so với mô hình thị giác chuyên dụng của chính Liquid, vốn báo cáo 91,1.

Những gì vụ rò rỉ làm đúng, và một điều nó làm sai

Pull request SGLang đã đưa họ mô hình này ra trước công chúng đã chính xác về gần như mọi thứ thuộc cấu trúc. Nó gọi tên bốn checkpoint một cách chính xác, mô tả chính xác backbone dùng chung, và cũng đúng khi nói rằng cửa sổ trượt 256 token là một thiết lập attention chứ không phải giới hạn ngữ cảnh. Việc thận trọng cũng là đúng: pull request chưa được hợp nhất, ba kiểm tra CI đang thất bại, và hai trong số hai mươi hai kiểm tra xác thực omni vẫn thất bại ở các so sánh ROUGE với checkpoint phát triển.

Nơi nó gây hiểu lầm — và nơi chúng tôi lặp lại điều đó — là phương thức đầu ra. Đường runtime mà nó nối vào trả về văn bản. Không có nhánh đầu ra âm thanh nào trong đoạn mã đó, và suy luận hợp lý là dòng mô hình này có thể đã bỏ tổng hợp giọng nói, hoặc bản runtime đầu tiên chỉ có văn bản. Mô hình được phát hành làm được cả hai. Bài học không phải là vụ rò rỉ đó bất cẩn; mà là một tích hợp serving mô tả đường đi mà ai đó đã triển khai, chứ không phải năng lực của checkpoint đằng sau nó. Một PR là bằng chứng về một runtime, và chúng tôi đã coi nó là bằng chứng về một mô hình.

Điều gì vẫn chưa được xác nhận

Ba điều, và chúng chính là ba điều sẽ quyết định việc triển khai lên production.

Đầu tiên, không có bất kỳ đánh giá độc lập nào dưới bất kỳ hình thức nào. Mọi con số ở trên đều do công ty đã xây dựng mô hình tạo ra, trên hệ thống kiểm thử của chính họ, mà không công bố phương pháp luận. Không có mục nào trên Artificial Analysis, không có kết quả LMArena, không có việc tái tạo bởi bên thứ ba. Hãy coi bảng điểm chuẩn là một đặc tả về ý định, không phải một phép đo.

Thứ hai, việc phục vụ giọng nói không được ghi tài liệu bên ngoài lộ trình riêng của nhà cung cấp. Thẻ cho biết hỗ trợ SGLang bao gồm đầu ra văn bản và không ghi tài liệu về cách nhánh giọng nói được phục vụ. Nếu kế hoạch của bạn là “một mô hình, câu trả lời bằng giọng nói, trên phần cứng của chúng ta,” thì thẻ không đưa ra tài liệu tham chiếu nào cho nửa sau của câu đó. Kho lưu trữ không liệt kê nhà cung cấp suy luận nào tại thời điểm viết.

Thứ ba, các con số về ngôn ngữ không khớp với nhau. Mười sáu ngôn ngữ văn bản, mười chín ngôn ngữ nói, hai mươi ba trong siêu dữ liệu. Đó có lẽ là ba định nghĩa khác nhau về cùng một thứ, nhưng chưa ai công bố cái nào là đúng.

Vì sao một mô hình omni 2,2B lại là một canh bạc khác

Cách thông thường để xây dựng một trợ lý giọng nói vào năm 2026 là một pipeline: một mô hình ASR chuyển giọng nói thành văn bản, một mô hình ngôn ngữ suy nghĩ, một mô hình thị giác xử lý camera và một mô hình TTS nói câu trả lời. Mỗi giai đoạn là một checkpoint riêng, một ngân sách độ trễ riêng và một chế độ lỗi riêng. Lời giới thiệu của LFM3-Omni-2B là cả bốn gộp lại thành một tệp BF16 4,3 GB vừa trên một chiếc điện thoại và không bao giờ rời khỏi đó.

Đó là một lập luận kiến trúc thực sự, và đó là lý do điểm benchmark ít quan trọng hơn hình dạng của thứ đó. Một pipeline gồm bốn mô hình chuyên biệt nhỏ thường sẽ đánh bại một mô hình tổng quát duy nhất trên từng tác vụ riêng lẻ. Điều nó không thể làm là chia sẻ biểu diễn: mô hình omni nghe được giọng điệu của một câu hỏi về một hình ảnh, và câu trả lời được điều kiện hóa đồng thời trên cả hai. Liệu điều đó có tạo ra câu trả lời tốt hơn hay không chính là điều mà chưa có đánh giá độc lập nào kiểm chứng.

Cách thực tế để sử dụng một checkpoint như thế này khi nó chưa được chứng minh là giữ nó ra khỏi đường dẫn tới hạn của bạn. OrcaRouter có DSL định tuyến được xây dựng cho mô hình đó — một đường dẫn chuyên biệt và một đường dẫn thử nghiệm phía sau một endpoint, để một mô hình mới có thể nhận lưu lượng theo tỷ lệ với độ tin cậy của nó thay vì nhận tất cả cùng lúc, với chuyển đổi dự phòng tự động khi nó gặp lỗi. LFM3-Omni-2B hiện không có trong danh mục của chúng tôi, vì vậy không có gì ở đây là tuyên bố rằng bạn có thể gọi nó qua chúng tôi. Khi một mô hình như thế này thực sự xuất hiện, đó chính là hình thức triển khai mà nó phù hợp: sẵn có, được đo lường và không gánh tải trọng yếu cho đến khi nó chứng minh được điều đó.

Xem gì

Tín hiệu tiếp theo không phải là một bảng benchmark khác. Mà là liệu có ai bên ngoài Liquid công bố một bảng như vậy hay không. Một mô hình omni 2,2B thực sự giữ được 70.09 trên Daily-Omni là một kết quả đáng chú ý cho công việc trên thiết bị, và một bản tái tạo độc lập — dù chỉ một phần — sẽ có giá trị hơn toàn bộ bảng kết quả đầy đủ của nhà cung cấp. Tín hiệu thứ hai là việc hợp nhất SGLang: khi đường xử lý giọng nói được ghi tài liệu trong một serving stack, mô hình không còn là một kho mã nữa mà bắt đầu trở thành hạ tầng.

Cho đến lúc đó, bản tóm tắt trung thực vẫn hẹp. LFM3-Omni-2B đã tồn tại, nó nhỏ hơn gần như mọi thứ mà nó cạnh tranh cùng, nó nhận vào bốn phương thức và cho ra hai, và đây là mô hình Liquid đầu tiên có thể trả lời thành tiếng. Thông tin rò rỉ nói rằng nó không thể. Tấm thẻ nói rằng nó có thể, và hiện tại tấm thẻ là nhân chứng duy nhất.