Liquid AI تطلق LFM3: ست نماذج متعددة الوسائط بحجم 2B وسياق 256K

أطلقت Liquid AI نماذج LFM3، وهو جيل بُني حول فكرة واحدة: يجب أن يعمل الذكاء المتخصص بجوار التطبيق لا في السحابة. تغطي ستة نماذج من فئة 2B النص والرؤية والصوت ونمط omni والإجابات المعايرة. تتفرع جميعها من قاعدة واحدة هي LFM3-1.7B-Base، ويمكن ضبط كل منها بدقة على وحدة GPU واحدة. يتفوق النموذج النصي LFM3-1.7B على سلفه LFM2.5-2.6B بعدد معاملات أقل بنسبة 35%، ويشغل نحو 1 غيغابايت عند التكميم إلى 4 بتات، ويدعم سياقًا بطول 256K رمز.

ثلاثة أنواع من الطبقات بدلًا من نوعين

أظهر LFM2 أن الجمع بين الالتفافات القصيرة والانتباه يعمل بسرعة على الجهاز دون خسارة في الجودة. وفي LFM3 أعاد الفريق البحث عن المعمارية بتغذية راجعة من العتاد (hardware-in-the-loop)، هذه المرة عبر 14 توليفة من الأجهزة والواجهات الخلفية: من الهواتف وRaspberry Pi 5 إلى الحواسيب المحمولة ومعالجات CPU السحابية ووحدات GPU ووحدات NPU من Qualcomm Hexagon. كان الهدف منح الوكلاء (agents) قدرات أكبر لكل معامل، وإتاحة استدلال سريع على السياقات الطويلة.

يضم LFM3-1.7B-Base ‏24 طبقة، موزعة على النحو التالي:

• 13 التفافًا قصيرًا مُتحكَّمًا به (gated) بنواة 7 بدلًا من 3 في LFM2؛
• 5 طبقات انتباه بنافذة منزلقة طولها 256 رمزًا؛
• 6 طبقات انتباه عام؛
• بوابات على مستوى رؤوس الانتباه: تقوم دالة سيجمويد بتحجيم مخرجات كل رأس، ويمكن للرأس أن يتعطل حين لا يكون لديه ما يضيفه. يساعد ذلك على كبح القيم الشاذة في التنشيطات، وهي قيم تعيق التكميم؛
• RoPE جزئي في الطبقات العامة: لا يدور إلا النصف عالي التردد من كل رأس، بينما يطابق النصف الآخر المحتوى بصرف النظر عن المسافة؛
• sandwich norm: تطبيع عند مدخل الكتلة وعند مخرجها معًا.

يظهر المكسب مع زيادة الطول. على المطالبات القصيرة يعادل LFM3-1.7B على الأجهزة نموذج LFM2-1.2B محسوبًا لكل معامل، ويعمل عند سياق 8K رمز أسرع بنحو 25%. استغرق التدريب المسبق 22 تريليون رمز بمفردات حجمها 128K، كما في LFM2.5-8B-A1B. وخُصص آخر 3.5 تريليون رمز للتدريب المتوسط (mid-training) على بيانات منتقاة بنسبة أعلى من مسارات الوكلاء واستدعاءات الأدوات، وجرى في المرحلة نفسها توسيع السياق إلى 256K.

ستة نماذج ومشفّران جديدان

بدلًا من نموذج شامل كبير واحد، تقترح Liquid اختيار النموذج الذي يناسب بيانات الإدخال:

• LFM3-1.7B — نص في المدخل والمخرج، وقاعدته LFM3-1.7B-Base؛
• LFM3-VL-2B — نص وصور وفيديو في المدخل ونص في المخرج؛ وهو أول نموذج رؤية من Liquid يدعم الفيديو؛
• LFM3-Audio-2B — نص وصوت في المدخل، ونص وكلام في المخرج؛ يدعم 18 لغة؛
• LFM3-Omni-2B — نص وصور وفيديو وصوت في المدخل، ونص وكلام في المخرج؛ وهو أول نموذج omni لدى الشركة؛
• d1-2B — مبني على LFM3-VL-2B، ويقدم إجابات معايرة؛
• d1-omni-2B — الشيء نفسه لكن على أساس LFM3-Omni-2B، مع مدخل صوتي.

يجمع مشفّر الرؤية البالغ 164M معامل بين الالتفافات والانتباه، ويحتاج إلى حوسبة أقل بثلاث مرات من SigLIP2 المستخدم في نماذج VL السابقة. وهو يعادل مشفّر Qwen3.5-2B في الدقة، لكنه يستهلك FLOPs أقل بمقدار 2.2 مرة (القياس على الهيكل اللغوي الأساسي نفسه LFM2.5-230M). وفي الفيديو يُدمج زوج من الإطارات المنتقاة في شريحة زمنية واحدة، فينخفض طول التسلسل إلى النصف.

يمزج مشفّر الصوت بين الانتباه المنزلق والالتفافات القصيرة، وهو سببي (causal) بالكامل، ولذلك ينفّذ النموذج مرحلة prefill أثناء حديث المستخدم. ويبدأ زمن الوصول إلى أول رمز من 50 ميلي ثانية. أما المُرمِّز الجديد LiquidCodec فيحوّل الرموز إلى كلام أسرع بنحو 87 مرة من الزمن الحقيقي على خيط CPU واحد من Apple M4 Max، ويدعم فك الترميز المتدفق.

أرقام تهم الوكلاء

على WebArena-Verified يسجل LFM3-1.7B ‏38.42 مقابل 3.02 لـLFM2.5-2.6B. وفي المهام الطويلة داخل المتصفح وتطبيقات الأعمال يتفوق على Qwen3.5-9B. وقد خضع النموذج لضبط دقيق ليعمل مع أغلفة الوكلاء Hermes Agent وPi وOpenClaw.

يرفع LFM3-VL-2B (‏1.9B معامل مقابل 3.1B في LFM2.5-VL-3B) المتوسط عبر 62 اختبار أداء بصريًا من 57.6 إلى 71.4، ويضاهي Gemma 4 12B الأكبر منه بأكثر من ست مرات. ويستدل النموذج خطوة بخطوة، ويحدد الأجسام ويقدّر موقع بعضها من بعض، وهو ما تحتاجه الروبوتات. ويحسّن LFM3-Audio-2B جودة التوليد الصوتي من 3.22 إلى 3.83 على UTMOSv2 مقارنةً بـLFM2.5-Audio-1.5B، ويضيف فهم الصوت واستدعاء الأدوات عبر الطلبات الصوتية. ويتفوق LFM3-Omni-2B على Daily-Omni وWorldSense وAV-SpeakerBench على نماذج يصل حجمها إلى 10.7B، ومنها Qwen2.5-Omni-7B.

من أين تبدأ على بطاقة رسوميات واحدة

تعمل جميع النماذج عبر transformers: يكفي للنموذج النصي أحدث إصدار، ويحتاج VL إلى الإصدار 5.21.0 أو أحدث، أما Audio وOmni فيحتاجان إلى 5.20.2 أو أعلى، مع الراية trust_remote_code. وللوكلاء المحليين يوجد دليل منفصل بعنوان Agent Harnesses، أما llama.cpp والمحركات الأخرى فتوجد تعليماتها في بطاقات النماذج.

المعنى العملي هنا اقتصادي. يمكن استبدال سلسلة ASR وVLM وLLM وTTS بنموذج Omni واحد، وهذا يعني خدمات أقل وتأخيرًا أقل عند نقاط الربط، ولا رمز واحد يُرسل إلى السحابة. وفي فريق ذي مجال متخصص ضيق، مثل المصطلحات الطبية أو مصطلحات المستودعات أو الواجهات الداخلية، تكفي وحدة GPU واحدة لضبط نموذج 2B بدقة ونشره على حاسوب محمول أو هاتف أو لوحة مفردة. ويُستحسن البدء بـLFM3-1.7B لاستدعاء الأدوات والمخرجات المنظمة، ثم إضافة النسخ متعددة الوسائط حين تظهر كاميرا أو ميكروفون في المدخل.