Liquid AI lanza LFM3: seis modelos multimodales de 2B con contexto de 256K

Liquid AI ha lanzado LFM3, una generación de modelos construida en torno a una idea: la inteligencia especializada debe vivir junto a la aplicación, no en la nube. Seis modelos de la clase 2B cubren texto, visión, sonido, modo omni y respuestas calibradas. Todos derivan de una misma base, LFM3-1.7B-Base, y cada uno puede ajustarse con una sola GPU. El modelo de texto LFM3-1.7B supera a la anterior LFM2.5-2.6B con un 35% menos de parámetros, ocupa en torno a 1 GB con cuantización de 4 bits y admite un contexto de 256K tokens.

Tres tipos de capas en lugar de dos

LFM2 demostró que un híbrido de convoluciones cortas y atención funciona rápido en el dispositivo sin perder calidad. Para LFM3, el equipo volvió a ejecutar una búsqueda de arquitectura con retroalimentación de hardware (hardware-in-the-loop), esta vez sobre 14 combinaciones de dispositivos y backends: desde teléfonos y Raspberry Pi 5 hasta portátiles, CPU en la nube, GPU y NPU Qualcomm Hexagon. El objetivo era dar más capacidades a los agentes por parámetro y una inferencia rápida con contexto largo.

LFM3-1.7B-Base tiene 24 capas, organizadas así:

• 13 convoluciones cortas con compuertas (gated) y kernel de 7, frente a 3 en LFM2;
• 5 capas de atención con ventana deslizante de 256 tokens;
• 6 capas de atención global;
• compuertas de atención por cabeza: una sigmoide escala la salida de cada cabeza, y la cabeza puede desactivarse cuando no tiene nada que aportar. Esto ayuda a amortiguar los valores atípicos de activación que dificultan la cuantización;
• RoPE parcial en las capas globales: solo rota la mitad de alta frecuencia de cada cabeza, mientras que la otra mitad compara contenido sin depender de la distancia;
• sandwich norm: normalización tanto a la entrada como a la salida del bloque.

La ventaja se nota con secuencias largas. Con prompts cortos, LFM3-1.7B equivale en los dispositivos a LFM2-1.2B por parámetro, y con 8K tokens de contexto funciona aproximadamente un 25% más rápido. El preentrenamiento consumió 22T tokens con un vocabulario de 128K, el mismo que LFM2.5-8B-A1B. Los últimos 3,5T tokens se dedicaron a mid-training con datos seleccionados, con mayor proporción de trazas de agentes y llamadas a herramientas. En esa fase también se amplió el contexto hasta 256K.

Seis modelos y dos nuevos codificadores

En lugar de un único modelo grande y universal, Liquid propone elegir el que encaje con los datos de entrada:

• LFM3-1.7B: texto de entrada y salida, basado en LFM3-1.7B-Base;
• LFM3-VL-2B: texto, imágenes y vídeo de entrada, texto de salida; el primer modelo de visión de Liquid con vídeo;
• LFM3-Audio-2B: texto y sonido de entrada, texto y voz de salida; 18 idiomas;
• LFM3-Omni-2B: texto, imágenes, vídeo y sonido de entrada, texto y voz de salida; el primer modelo omni de la compañía;
• d1-2B: basado en LFM3-VL-2B, ofrece respuestas calibradas;
• d1-omni-2B: lo mismo, pero basado en LFM3-Omni-2B y con audio de entrada.

El codificador de visión, de 164M de parámetros, combina convoluciones y atención y requiere tres veces menos cálculo que SigLIP2 en los modelos VL anteriores. Iguala en precisión al codificador de Qwen3.5-2B, pero gasta 2,2 veces menos FLOPs (medido sobre el mismo backbone de lenguaje, LFM2.5-230M). En vídeo, un par de fotogramas seleccionados se colapsa en un único corte temporal, de modo que la longitud de la secuencia se reduce a la mitad.

El codificador de audio mezcla atención deslizante y convoluciones cortas y es totalmente causal, así que el modelo rellena el prefill mientras el usuario aún está hablando. El tiempo hasta el primer token parte de 50 ms. El nuevo tokenizador LiquidCodec convierte los tokens en voz aproximadamente 87 veces más rápido que en tiempo real con un solo hilo de CPU de un Apple M4 Max, y admite decodificación en streaming.

Las cifras que importan para los agentes

En WebArena-Verified, LFM3-1.7B obtiene 38,42 frente a 3,02 de LFM2.5-2.6B. En tareas largas en el navegador y en aplicaciones empresariales, supera a Qwen3.5-9B. El modelo está ajustado para los entornos de agentes Hermes Agent, Pi y OpenClaw.

LFM3-VL-2B (1,9B de parámetros frente a 3,1B de LFM2.5-VL-3B) sube la media en 62 benchmarks de visión de 57,6 a 71,4 y se equipara a Gemma 4 12B, que es más de seis veces mayor. El modelo razona paso a paso, localiza objetos y estima su posición relativa, algo necesario en robótica. LFM3-Audio-2B mejora la calidad de síntesis de 3,22 a 3,83 en UTMOSv2 respecto a LFM2.5-Audio-1.5B, y añade comprensión de audio y llamadas a herramientas a partir de peticiones de voz. En Daily-Omni, WorldSense y AV-SpeakerBench, LFM3-Omni-2B supera a modelos de hasta 10,7B, incluido Qwen2.5-Omni-7B.

Por dónde empezar con una sola tarjeta gráfica

Todos los modelos se ejecutan con transformers: para el de texto basta con la última versión; para VL hace falta la 5.21.0 o posterior; para Audio y Omni, la 5.20.2 o superior, con el flag trust_remote_code. Para agentes locales hay una guía específica, Agent Harnesses; para llama.cpp y otros motores, las instrucciones están en las fichas de los modelos.

El interés práctico es económico. Una cadena de ASR, VLM, LLM y TTS puede sustituirse por un solo modelo Omni, lo que supone menos servicios, menos latencia en las uniones y cero tokens enviados a la nube. Un equipo con un dominio muy específico (terminología médica, términos de almacén, interfaces internas) tiene suficiente con una GPU para ajustar un modelo de 2B y desplegarlo en un portátil, un teléfono o una placa de un solo chip. Conviene empezar con LFM3-1.7B para llamadas a herramientas y salidas estructuradas, y añadir las versiones multimodales cuando aparezcan una cámara o un micrófono como entrada.