Liquid AI: малая модель LFM3 решила 64% задач агента на Mac, Qwen3.5-2B — 48%
Liquid AI открыла веса LFM3 — семейства из шести моделей по ~2 млрд параметров, которые работают на телефоне и ноутбуке без облака. В тесте MacPaw на 65 повседневных задачах агента в реальной macOS текстовая LFM3-1.7B (1,7 млрд параметров) решила 64% против 48% у Qwen3.5-2B и потратила на 58% меньше токенов. Поэтому для локальных агентов малые модели уже стоит пробовать на своих задачах.
AI-обработка оригинала Hacker News AI; редакция Hamidun News
Агент, который сам разбирает почту, ведёт календарь и ходит по приложениям, обычно требует большой облачной модели и платы за каждый токен. Liquid AI с выходом LFM3 утверждает, что для многих таких задач хватает модели размером около 2 млрд параметров, которая работает прямо на ноутбуке или телефоне. Показательный результат даёт тест MacPaw: на 65 повседневных задачах агента в реальной macOS текстовая LFM3-1.7B (версия на 1,7 млрд параметров) справилась с 64% задач, а Qwen3.5-2B — с 48%. При этом LFM3 потратила на 58% меньше токенов и застревала менее чем в 1% попыток против 15% у соперника.
Что внутри семейства
Первый релиз LFM3 включает шесть моделей, и все они выросли из одной базовой LFM3-1.7B-Base. Четыре принимают разные типы входа: текст, изображения и видео, аудио, а также всё сразу (омни-модель). Ещё две — «модели решений», специализированные версии на основе зрительной и омни-моделей. Веса базовых и дообученных версий открыты.
Идея Liquid в том, чтобы не гонять одну большую универсальную модель, а выбрать подходящую узкую, дообучить её под свою задачу и запустить локально. Для текстовой версии компания говорит о коротком дообучении на одной видеокарте. Поскольку токены на своём устройстве бесплатны, десятки агентов могут работать в фоне круглосуточно. Для демонстрации Liquid запустила более 300 тысяч агентов LFM3-1.7B параллельно, чтобы разобрать архив почты Enron.
Как устроена модель и почему она быстрая
Архитектура гибридная: из 24 слоёв 13 — короткие свёртки (дешёвые и быстрые), 5 — внимание со скользящим окном в 256 токенов и 6 — полное глобальное внимание. Эту схему подбирал автоматический поиск, который измерял скорость на 14 сочетаниях устройств и бэкендов: Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, AMD Ryzen AI, облачные процессоры Arm и x86, видеокарты и NPU Qualcomm Hexagon. У прошлого поколения LFM2 в проверке участвовали процессоры лишь одного телефона и одного ноутбука.
Практический выигрыш виден на длинном контексте. Полный контекст в 128K токенов занимает 1,6 ГБ кэша против 4,3 ГБ у Qwen3.5-4B и 5,6 ГБ у MiniCPM5-2B. В тестах на llama.cpp с квантованием Q4_0 и контекстом 32K модель декодирует в 1,8–2,8 раза быстрее ближайшего конкурента на всех трёх устройствах и расходует меньше всего памяти. На одной NVIDIA B300 с SGLang она выдаёт 3,6 млрд токенов в сутки при 1024 одновременных запросах.
Обучение шло на 22 трлн токенов. Последние 3,5 трлн — этап на отобранных данных с большой долей агентских трасс и вызовов инструментов, он же расширил окно контекста до 256K. После этого модель прошла четыре стадии дообучения, включая дистилляцию шести узких специалистов (код, математика, инструменты, длинный контекст, агентская работа, корпоративные сценарии) в одну модель.
Зрение, звук и честные ограничения
LFM3-VL-2B впервые в линейке принимает видео: можно задавать вопросы к записи лекции или ролику с камеры. На 62 тестах зрения она опережает модели своего размера минимум на 7,4 пункта, сравнялась с Gemma 4 12B (она больше в шесть с лишним раз), обошла Gemini 3.5 Flash Lite и отстаёт от GPT-5.6 Luna менее чем на 2 пункта. Собственный визуальный энкодер на 164 млн параметров требует в 2,2 раза меньше вычислений, чем энкодер Qwen3.5-2B, при том же среднем результате 55,9% на 13 тестах. Он также тратит втрое меньше вычислений, чем SigLIP2 в прежних моделях Liquid. Аудиомодель принимает текст или звук и отвечает текстом, речью или обоими способами; запускается локально на ноутбуках и пограничных устройствах.
Оговорки есть. В агентском программировании и в знаниях большие модели всё ещё выигрывают: здесь размер решает больше всего. Подключение поиска почти удваивает результат на Humanity's Last Exam, но разрыв не закрывает. Большинство сравнений публикует сама Liquid, и независимым выглядит прежде всего тест MacPaw.
Для разработчиков вывод такой. Если нужны локальные агенты, разбор документов или голосовой интерфейс без отправки данных наружу, класс 2B уже стал рабочим вариантом. Веса открыты, дообучение дёшево, а поддержку заявили AMD, Qualcomm и Ambarella. Стоит прогнать модель на своих задачах и посмотреть, какие из них действительно требуют большой облачной модели.
- 21 нояб. 2026 г.Капитан пловцов отдала ChatGPT три задачи по расписанию и сократила рутину в разы
- 21 нояб. 2026 г.Нейросеть MIRA рисует Rocket League в 20 кадрах в секунду, но пинг доходит до 460 мс
- 21 нояб. 2026 г.Google построила закрытую копию интернета с фейковыми банками, чтобы учить ИИ-агентов Chrome
- 21 нояб. 2026 г.В тесте MLPerf впервые участвуют Nvidia Rubin и TPU Ironwood: 153 системы
Вопросы и ответы по материалу
Что известно по теме: что внутри семейства?
Первый релиз LFM3 включает шесть моделей, и все они выросли из одной базовой LFM3-1.7B-Base. Четыре принимают разные типы входа: текст, изображения и видео, аудио, а также всё сразу (омни-модель). Ещё две — «модели решений», специализированные версии на основе зрительной и омни-моделей. Веса базовых и дообученных версий открыты. Идея Liquid в том, чтобы не гонять одну большую универсальную модель, а выбрать подходящую узкую, дообучить её под свою задачу и запустить локально.
Что известно по теме: как устроена модель и почему она быстрая?
Архитектура гибридная: из 24 слоёв 13 — короткие свёртки (дешёвые и быстрые), 5 — внимание со скользящим окном в 256 токенов и 6 — полное глобальное внимание. Эту схему подбирал автоматический поиск, который измерял скорость на 14 сочетаниях устройств и бэкендов: Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, Apple M4 Max, AMD Ryzen AI, облачные процессоры Arm и x86, видеокарты и NPU Qualcomm Hexagon. У прошлого поколения LFM2 в проверке участвовали процессоры лишь одного телефона и одного ноутбука.
Что известно по теме: зрение, звук и честные ограничения?
LFM3-VL-2B впервые в линейке принимает видео: можно задавать вопросы к записи лекции или ролику с камеры. На 62 тестах зрения она опережает модели своего размера минимум на 7,4 пункта, сравнялась с Gemma 4 12B (она больше в шесть с лишним раз), обошла Gemini 3.5 Flash Lite и отстаёт от GPT-5.6 Luna менее чем на 2 пункта. Собственный визуальный энкодер на 164 млн параметров требует в 2,2 раза меньше вычислений, чем энкодер Qwen3.5-2B, при том же среднем результате 55,9% на 13 тестах.
Протестируйте новые LLM и мультимодальные модели в одном окне
Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.