Liquid AI lança LFM3: seis modelos multimodais de 2B com contexto de 256K

A Liquid AI lançou o LFM3, uma geração de modelos construída em torno de uma ideia: a inteligência especializada deve ficar junto do aplicativo, e não na nuvem. Os seis modelos da classe 2B cobrem texto, visão, áudio, modo omni e respostas calibradas. Todos partem da mesma base, a LFM3-1.7B-Base, e cada um pode passar por fine-tuning em uma única GPU. O LFM3-1.7B, modelo de texto, supera o antigo LFM2.5-2.6B com 35% menos parâmetros, ocupa cerca de 1 GB com quantização de 4 bits e suporta contexto de 256K tokens.

Três tipos de camada em vez de dois

O LFM2 mostrou que um híbrido de convoluções curtas e atenção roda rápido no dispositivo, sem perda de qualidade. Para o LFM3, a equipe refez a busca de arquitetura com feedback de hardware (hardware-in-the-loop), agora sobre 14 combinações de dispositivos e backends: de celulares e Raspberry Pi 5 a notebooks, CPUs em nuvem, GPUs e NPUs Qualcomm Hexagon. O objetivo era dar mais capacidade aos agentes por parâmetro e garantir inferência rápida em contexto longo.

A LFM3-1.7B-Base tem 24 camadas, organizadas assim:

• 13 convoluções curtas com gate (gated), com kernel 7 em vez de 3, como no LFM2;
• 5 camadas de atenção com janela deslizante de 256 tokens;
• 6 camadas de atenção global;
• gating de atenção por cabeça: uma sigmoide escala a saída de cada cabeça, que pode se desligar quando não tem nada a acrescentar. Isso ajuda a reduzir os outliers de ativação que atrapalham a quantização;
• RoPE parcial nas camadas globais: só a metade de alta frequência de cada cabeça é rotacionada, e a outra metade compara conteúdo independentemente da distância;
• sandwich norm: normalização tanto na entrada quanto na saída do bloco.

O ganho aparece com o aumento do comprimento. Em prompts curtos, o LFM3-1.7B acompanha o LFM2-1.2B nos dispositivos quando a comparação é feita por parâmetro, e com 8K tokens de contexto roda cerca de 25% mais rápido. O pré-treinamento consumiu 22 trilhões de tokens, com vocabulário de 128K, o mesmo do LFM2.5-8B-A1B. Os últimos 3,5 trilhões de tokens foram dedicados ao mid-training com dados selecionados, com maior proporção de traços agênticos e chamadas de ferramentas. Foi nessa etapa que o contexto passou a 256K.

Seis modelos e dois novos encoders

Em vez de um único modelo grande e universal, a Liquid propõe escolher o que se encaixa nos dados de entrada:

• LFM3-1.7B: texto na entrada e na saída, baseado na LFM3-1.7B-Base;
• LFM3-VL-2B: texto, imagens e vídeo na entrada, texto na saída; o primeiro modelo de visão da Liquid com vídeo;
• LFM3-Audio-2B: texto e áudio na entrada, texto e fala na saída; 18 idiomas;
• LFM3-Omni-2B: texto, imagens, vídeo e áudio na entrada, texto e fala na saída; o primeiro modelo omni da empresa;
• d1-2B: baseado no LFM3-VL-2B, entrega respostas calibradas;
• d1-omni-2B: o mesmo, mas baseado no LFM3-Omni-2B, com áudio na entrada.

O encoder de visão, com 164M parâmetros, combina convoluções e atenção e exige um terço da computação do SigLIP2 usado nos modelos VL anteriores. Em precisão, ele se iguala ao encoder do Qwen3.5-2B, mas gasta 2,2 vezes menos FLOPs (medição feita sobre o mesmo backbone de linguagem, o LFM2.5-230M). No vídeo, um par de frames selecionados é condensado em um único corte temporal, e o comprimento da sequência cai pela metade.

O encoder de áudio mistura atenção deslizante e convoluções curtas e é totalmente causal. Por isso, o modelo preenche o prefill enquanto o usuário ainda está falando. O tempo até o primeiro token começa em 50 ms. O novo tokenizador LiquidCodec converte tokens em fala cerca de 87 vezes mais rápido que o tempo real em uma única thread de CPU de um Apple M4 Max e oferece suporte a decodificação em streaming.

Os números que importam para agentes

No WebArena-Verified, o LFM3-1.7B marca 38,42 contra 3,02 do LFM2.5-2.6B. Em tarefas longas no navegador e em aplicativos de negócios, ele supera o Qwen3.5-9B. O modelo foi ajustado para os agent harnesses Hermes Agent, Pi e OpenClaw.

O LFM3-VL-2B (1,9B parâmetros contra 3,1B do LFM2.5-VL-3B) eleva a média de 62 benchmarks de visão de 57,6 para 71,4 e se equipara ao Gemma 4 12B, que é mais de seis vezes maior. O modelo raciocina passo a passo, localiza objetos e avalia sua posição relativa, algo necessário em robótica. O LFM3-Audio-2B melhora a qualidade da síntese de 3,22 para 3,83 no UTMOSv2 em relação ao LFM2.5-Audio-1.5B, além de incluir compreensão de áudio e chamada de ferramentas por comandos de voz. O LFM3-Omni-2B supera, no Daily-Omni, no WorldSense e no AV-SpeakerBench, modelos de até 10,7B, incluindo o Qwen2.5-Omni-7B.

Por onde começar com uma única placa de vídeo

Todos os modelos rodam via transformers: para o de texto, basta a versão mais recente; o VL exige a 5.21.0 ou superior; o Audio e o Omni, a 5.20.2 ou superior, com a flag trust_remote_code. Para agentes locais, há um guia específico, o Agent Harnesses; para llama.cpp e outros engines, as instruções estão nos cards dos modelos.

O sentido prático é econômico. Dá para substituir a cadeia de ASR, VLM, LLM e TTS por um único modelo Omni, o que significa menos serviços, menos latência nas junções e nenhum token enviado à nuvem. Uma equipe com domínio restrito, como terminologia médica, termos de armazém ou interfaces internas, precisa só de uma GPU para fazer o fine-tuning de um modelo 2B e rodá-lo em notebook, celular ou placa de bordo única. A recomendação é começar pelo LFM3-1.7B para chamada de ferramentas e saídas estruturadas e adotar as versões multimodais quando surgir uma câmera ou um microfone na entrada.