Liquid AI: النموذج الصغير LFM3 أنجز 64% من مهام الوكيل على Mac، مقابل 48% لـ Qwen3.5-2B
فتحت Liquid AI أوزان LFM3، وهي عائلة من ست نماذج بنحو 2 مليار معامل لكل منها، تعمل على الهاتف والحاسوب المحمول دون سحابة. وفي اختبار MacPaw الذي شمل 65 مهمة يومية للوكيل داخل نظام macOS حقيقي، أنجز النموذج النصي LFM3-1.7B (1.7 مليار معامل) 64% من المهام مقابل 48% لـ Qwen3.5-2B، واستهلك رموزًا أقل بنسبة 58%. لذلك يستحق الأمر تجربة النماذج الصغيرة في الوكلاء المحليين على مهامك الخاصة.
معالج بواسطة الذكاء الاصطناعي من Hacker News AI؛ بتحرير Hamidun News
الوكيل الذي يفرز البريد ويدير التقويم وينتقل بين التطبيقات بنفسه يحتاج عادةً إلى نموذج سحابي كبير ورسوم عن كل رمز. أما Liquid AI فتقول، مع إطلاق LFM3، إن نموذجًا بحجم نحو 2 مليار معامل يعمل مباشرةً على الحاسوب المحمول أو الهاتف يكفي لكثير من هذه المهام. وتقدم نتائج اختبار MacPaw دليلًا واضحًا: في 65 مهمة يومية للوكيل داخل نظام macOS حقيقي، أنجز النموذج النصي LFM3-1.7B (نسخة 1.7 مليار معامل) 64% من المهام، بينما أنجز Qwen3.5-2B نسبة 48%. كما استهلك LFM3 رموزًا أقل بنسبة 58%، وعلق في أقل من 1% من المحاولات مقابل 15% لمنافسه.
ما الذي تضمه العائلة
يضم الإصدار الأول من LFM3 ستة نماذج، تفرعت جميعها من نموذج أساسي واحد هو LFM3-1.7B-Base. أربعة منها تقبل أنواعًا مختلفة من المدخلات: النص، والصور والفيديو، والصوت، وكل ذلك معًا (النموذج الشامل omni). أما النموذجان الآخران فهما «نماذج القرار»، أي نسختان متخصصتان مبنيتان على النموذجين البصري والشامل. أوزان النسخ الأساسية والمدربة لاحقًا مفتوحة.
فكرة Liquid ألا يُشغَّل نموذج واحد كبير شامل، بل يُختار نموذج ضيق مناسب، ويُدرَّب لاحقًا على المهمة المطلوبة، ثم يُشغَّل محليًا. وبالنسبة للنسخة النصية، تتحدث الشركة عن تدريب لاحق قصير على بطاقة رسوميات واحدة. وبما أن الرموز على الجهاز نفسه مجانية، يمكن لعشرات الوكلاء العمل في الخلفية على مدار الساعة. وللتدليل على ذلك، شغّلت Liquid أكثر من 300 ألف وكيل LFM3-1.7B بالتوازي لفرز أرشيف بريد Enron.
كيف بُني النموذج ولماذا هو سريع
البنية هجينة: من أصل 24 طبقة، 13 طبقة التفافات قصيرة (رخيصة وسريعة)، و5 طبقات انتباه بنافذة منزلقة طولها 256 رمزًا، و6 طبقات انتباه عام كامل. اختار هذا التصميم بحثٌ آلي قاس السرعة على 14 تركيبة من الأجهزة والواجهات الخلفية: Samsung Galaxy S26 Ultra وOnePlus 15 وRaspberry Pi 5 وApple M4 Max وAMD Ryzen AI ومعالجات Arm وx86 السحابية وبطاقات الرسوميات ووحدات NPU من Qualcomm Hexagon. أما في الجيل السابق LFM2 فقد شمل الفحص معالجَي هاتف واحد وحاسوب محمول واحد فقط.
ويظهر المكسب العملي في السياق الطويل. فالسياق الكامل البالغ 128K رمز يشغل 1.6 غيغابايت من الذاكرة المؤقتة مقابل 4.3 غيغابايت لـ Qwen3.5-4B و5.6 غيغابايت لـ MiniCPM5-2B. وفي اختبارات llama.cpp بتكميم Q4_0 وسياق 32K، يفك النموذج الترميز أسرع بمقدار 1.8–2.8 مرة من أقرب منافس على الأجهزة الثلاثة كلها، ويستهلك أقل قدر من الذاكرة. وعلى بطاقة NVIDIA B300 واحدة مع SGLang، ينتج 3.6 مليار رمز يوميًا عند 1024 طلبًا متزامنًا.
جرى التدريب على 22 تريليون رمز. وكانت آخر 3.5 تريليون رمز مرحلة على بيانات منتقاة تضم حصة كبيرة من مسارات الوكلاء واستدعاءات الأدوات، وهي المرحلة نفسها التي وسّعت نافذة السياق إلى 256K. بعد ذلك مرّ النموذج بأربع مراحل من التدريب اللاحق، شملت تقطير ستة متخصصين ضيقين (البرمجة، والرياضيات، والأدوات، والسياق الطويل، وعمل الوكلاء، وسيناريوهات المؤسسات) في نموذج واحد.
الرؤية والصوت والقيود الصريحة
يقبل LFM3-VL-2B الفيديو لأول مرة في هذه السلسلة، فيمكن طرح أسئلة عن تسجيل محاضرة أو مقطع من كاميرا. وفي 62 اختبارًا للرؤية، يتفوق على النماذج بحجمه بما لا يقل عن 7.4 نقطة، ويتعادل مع Gemma 4 12B (التي تكبره بأكثر من ست مرات)، ويتجاوز Gemini 3.5 Flash Lite، ويتأخر عن GPT-5.6 Luna بأقل من نقطتين. ويتطلب مشفّره البصري الخاص البالغ 164 مليون معامل حوسبة أقل بمقدار 2.2 مرة من مشفّر Qwen3.5-2B، مع النتيجة المتوسطة نفسها البالغة 55.9% في 13 اختبارًا. كما يستهلك حوسبة أقل بثلاث مرات من SigLIP2 في نماذج Liquid السابقة. ويقبل نموذج الصوت نصًا أو صوتًا ويرد نصًا أو كلامًا أو بالاثنين معًا، ويعمل محليًا على الحواسيب المحمولة والأجهزة الطرفية.
وثمة تحفظات. ففي البرمجة بالوكلاء وفي المعرفة، لا تزال النماذج الكبيرة تتفوق: فالحجم هنا هو العامل الأهم. وربط البحث يضاعف تقريبًا النتيجة على Humanity's Last Exam، لكنه لا يسد الفجوة. وتنشر Liquid نفسها معظم المقارنات، ويبدو اختبار MacPaw أبرز اختبار مستقل.
أما الخلاصة للمطورين فهي التالية: إذا كنتم تحتاجون إلى وكلاء محليين أو تحليل مستندات أو واجهة صوتية دون إرسال البيانات إلى الخارج، فقد أصبحت فئة 2B خيارًا عمليًا. فالأوزان مفتوحة، والتدريب اللاحق رخيص، وأعلنت AMD وQualcomm وAmbarella دعمها. ويستحق الأمر تشغيل النموذج على مهامكم الخاصة ومعرفة أيٌّ منها يتطلب فعلًا نموذجًا سحابيًا كبيرًا.
- 21 نوفمبر 2026كاليفورنيا تقاضي OpenAI بسبب وكلاء ذكاء اصطناعي اخترقوا Hugging Face: غرامة 2500 دولار عن كل مخالفة
- 21 نوفمبر 2026Anthropic تدخل البورصة بتقييم 1.4 تريليون دولار، والمؤسسون السبعة يحتفظون بـ50.1% من الأصوات
- 21 نوفمبر 2026ذكاء اصطناعي طبي غاني بلا ضوابط حماية صمّم 1 020 بروتينًا و5 000 جزيء سام
- 21 نوفمبر 2026Apple تعدّ نظارات ذكية بلا شاشة: مساعد قائم على Siri يرى عبر الكاميرا، والإطلاق في 2027
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي تضمه العائلة؟
يضم الإصدار الأول من LFM3 ستة نماذج، تفرعت جميعها من نموذج أساسي واحد هو LFM3-1.7B-Base. أربعة منها تقبل أنواعًا مختلفة من المدخلات: النص، والصور والفيديو، والصوت، وكل ذلك معًا (النموذج الشامل omni). أما النموذجان الآخران فهما «نماذج القرار»، أي نسختان متخصصتان مبنيتان على النموذجين البصري والشامل. أوزان النسخ الأساسية والمدربة لاحقًا مفتوحة. فكرة Liquid ألا يُشغَّل نموذج واحد كبير شامل، بل يُختار نموذج ضيق مناسب، ويُدرَّب لاحقًا على المهمة المطلوبة، ثم يُشغَّل محليًا.
ما أبرز التفاصيل حول كيف بُني النموذج ولماذا هو سريع؟
البنية هجينة: من أصل 24 طبقة، 13 طبقة التفافات قصيرة (رخيصة وسريعة)، و5 طبقات انتباه بنافذة منزلقة طولها 256 رمزًا، و6 طبقات انتباه عام كامل. اختار هذا التصميم بحثٌ آلي قاس السرعة على 14 تركيبة من الأجهزة والواجهات الخلفية: Samsung Galaxy S26 Ultra وOnePlus 15 وRaspberry Pi 5 وApple M4 Max وAMD Ryzen AI ومعالجات Arm وx86 السحابية وبطاقات الرسوميات ووحدات NPU من Qualcomm Hexagon. أما في الجيل السابق LFM2 فقد شمل الفحص معالجَي هاتف واحد وحاسوب محمول واحد فقط. ويظهر المكسب العملي في السياق الطويل.
ما أبرز التفاصيل حول الرؤية والصوت والقيود الصريحة؟
يقبل LFM3-VL-2B الفيديو لأول مرة في هذه السلسلة، فيمكن طرح أسئلة عن تسجيل محاضرة أو مقطع من كاميرا. وفي 62 اختبارًا للرؤية، يتفوق على النماذج بحجمه بما لا يقل عن 7.4 نقطة، ويتعادل مع Gemma 4 12B (التي تكبره بأكثر من ست مرات)، ويتجاوز Gemini 3.5 Flash Lite، ويتأخر عن GPT-5.6 Luna بأقل من نقطتين. ويتطلب مشفّره البصري الخاص البالغ 164 مليون معامل حوسبة أقل بمقدار 2.2 مرة من مشفّر Qwen3.5-2B، مع النتيجة المتوسطة نفسها البالغة 55.9% في 13 اختبارًا. كما يستهلك حوسبة أقل بثلاث مرات من SigLIP2 في نماذج Liquid السابقة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.