LFM3 nutzt einen kleinen gemeinsamen Backbone für sechs Modelle mit einem separaten Pfad für strukturierte Entscheidungen

Ein gemeinsamer Stamm verzweigt sich in sechs unterschiedliche Aufgaben

LFM3-1.7B erzeugt Text. LFM3-VL-2B ergänzt Bilder und Videos als Eingaben; LFM3-Audio-2B akzeptiert Text oder Audio und erzeugt Text oder Sprache. LFM3-Omni-2B verbindet Text-, Bild- und Audioeingaben mit Text- oder Sprachausgabe. Das Verzweigungsdiagramm zeigt getrennte Trainingspfade ausgehend von einer gemeinsamen Basis, keinen einzelnen Checkpoint mit sechs austauschbaren Schnittstellen. Die Textmodellkarte beschreibt separat MOPD, das sechs spezialisierte Lehrermodelle in ein Schülermodell destilliert; diese Lehrer sind nicht die sechs Produktzweige.

Die übrigen Zweige d1-2B und d1-omni-2B leiten sich jeweils von VL und Omni ab und liefern strukturierte Antworten mit Wahrscheinlichkeiten. AISubHub interpretiert dies so, dass zuerst der benötigte Ein- und Ausgabevertrag festgelegt werden sollte: Ein Sprachgespräch und eine begrenzte Entscheidung zur Dokumentenweiterleitung stellen unterschiedliche technische Aufgaben dar. „2B-Klasse“ bedeutet außerdem nicht, dass jedes Modell genau zwei Milliarden Parameter besitzt.

Lokale Verarbeitung und globaler Kontext teilen sich 24 Schichten

LiquidAI nennt 13 Faltungen mit Gates und einer Kernelgröße von sieben statt drei bei LFM2; fünf Attention-Schichten verwenden ein gleitendes Fenster von 256 Tokens, sechs berücksichtigen den Kontext global. Kopfweise Sigmoid-Gates, RoPE nur in der höherfrequenten Hälfte jedes globalen Attention-Kopfes, vollständiges RoPE in den Sliding-Window-Schichten sowie Ein- und Ausgabenormalisierung vervollständigen den beschriebenen Aufbau. Die Hardware-in-the-Loop-Suche umfasst 14 Geräte-Backend-Kombinationen; sie zertifiziert nicht jede Bereitstellung auf diesen Geräten.

Die Basis wurde mit 22T Tokens trainiert, einschließlich einer abschließenden Mid-Training-Phase mit 3.5T, und verwendet ein Vokabular von 128K. Die Textmodellkarte gibt 256K Kontext für Ein- und Ausgabe zusammen an. Im parameterbezogenen Edge-Vergleich des Blogs mit LFM2-1.2B entspricht die Geschwindigkeit bei kurzen Prompts der Vergleichsbasis, während die Inferenz mit 8K Kontext etwa 25% schneller ist; außerdem werden ungefähr 1 GB bei 4 Bit angegeben. Wir würden Laufzeitumgebung, Kontext-Cache und Modalitätsaufwand gesondert einplanen und nicht versprechen, dass eine vollständige Langkontextanwendung in diesen Speicherbedarf passt.

Text- und Bildvergleiche brauchen ihre ursprünglichen Bezugsgrößen

Für Text berichtet der Blog von 35% weniger Parametern als bei LFM2.5-2.6B und WebArena-Verified-Werten von 38.42 gegenüber 3.02. Im Bildbereich wird LFM3-VL-2B mit LFM2.5-VL-3B bei 1.9B gegenüber 3.1B Parametern verglichen; der Durchschnitt über 62 Benchmarks steigt von 57.6 auf 71.4 und wird als vergleichbar mit Gemma 4 12B beschrieben. Dies sind von der Quelle berichtete Vergleiche, keine allgemeine Rangliste und keine hier reproduzierten Ergebnisse.

Der neue Bildencoder mit 164M Parametern benötigt laut Hersteller ein Drittel des Rechenaufwands des vorherigen SigLIP2-Encoders. Sein separater Genauigkeitsvergleich mit dem Encoder von Qwen3.5-2B nutzt denselben LFM2.5-230M-Sprachbackbone und nennt ungefähr 1/2.2 der FLOPs. Dieser kontrollierte Encodervergleich beschreibt nicht die Latenz des gesamten Modells. Je zwei abgetastete Videoframes zu einem zeitlichen Abschnitt zusammenzufassen halbiert die zeitliche Sequenz, ohne für jedes Video eine unveränderte Genauigkeit nachzuweisen.

Sprachlaufzeiten beschreiben Komponenten und nicht das gesamte Gespräch

Der Audiozweig ergänzt einen kausalen Encoder und LiquidCodec. Der Blog beschreibt Übersetzung zwischen 18 Sprachen und nennt einen UTMOSv2-Wert von 3.83 gegenüber 3.22 bei LFM2.5-Audio-1.5B. Die Zeit bis zum ersten Token könne lediglich 50 ms betragen; Hardware und vollständige Messbedingungen dieser Zahl werden jedoch nicht angegeben. Die Zeit bis zum ersten Token ist keine nachgewiesene Verzögerung vom Mikrofon bis zur Antwort.

Die separat genannte ungefähr 87-fache Echtzeitgeschwindigkeit bezieht sich auf die Sprachdecodierung des Codecs in einem einzigen CPU-Thread eines Apple M4 Max. Sie darf nicht auf Modellerzeugung, Netzwerkübertragung oder alle Geräte übertragen werden. Omni kombiniert Modalitäten und nennt Vergleiche mit größeren Modellen auf Daily-Omni, WorldSense und AV-SpeakerBench. Diese benannten Tests belegen weder eine universelle multimodale Überlegenheit noch eine eigene Beurteilung der Sprachqualität durch uns.

d1 beantwortet vorgegebene Fragen in einem einzigen Vorwärtsdurchlauf

Statt ein autoregressives Modell einen Absatz verfassen zu lassen, nimmt d1 einen Zustand und mehrere Fragen entgegen. Das Beispiel klassifiziert einen Erstattungsantrag, leitet ein Ticket weiter, wählt Themen aus und bewertet die Dringlichkeit. Der angegebene einzelne Vorwärtsdurchlauf betrifft die Beantwortung dieser Fragen; er beseitigt weder die Bild- oder Audiovorverarbeitung noch macht er die gesamte Anwendung zu einer einzigen Operation. d1-omni ergänzt diesen Entscheidungsansatz um Audioeingaben.

LiquidAI berichtet, dass d1-2B ein Drittel weniger Parameter als d1-3B nutzt und in den vier vorgestellten Entscheidungstestsammlungen höhere Werte erreicht, darunter 75.5 gegenüber 64.0 auf ImajevBench. „Kalibriert“ bleibt eine Beschreibung des Herstellers: Eine Wahrscheinlichkeit beweist nicht, dass eine einzelne Antwort richtig ist. Für die Bereitstellung empfehlen wir, Kalibrierung und Weiterleitungsschwellen anhand der vorgesehenen Daten zu prüfen, einschließlich veränderter Verteilungen und Fällen, die eine menschliche Prüfung benötigen.

Auch beim Fine-Tuning bleiben Fragen zu Hardware, Einsatz und Lizenz

Die Notebooks behandeln SFT für Dokumenten-JSON, DPO für abrufgestützte Antworten oder Ablehnung, GRPO für eine Telefonanwendung mit 108 Werkzeugen und CPT für Türkisch sowie Bildaufgaben und gesprochene Befehle. Laut Blog lässt sich jedes Modell auf einer GPU feinabstimmen, ohne Angaben zu GPU-Speicher, Sequenzlänge, Trainingsdauer oder Kosten. Ein Tutorial belegt nicht die Zuverlässigkeit einer daraus entstandenen Anwendung.

Die Textmodellkarte empfiehlt für wissensintensive Aufgaben Retrieval oder Suche und rät wegen der Modellgröße von agentischer Programmierung und komplexem mehrstufigem Schlussfolgern ab. Wir haben weder Code noch Modelle ausgeführt, keine Notebooks geprüft und das verlinkte Robotikvideo nicht angesehen; dieser Artikel trifft daher keine Aussage über die Zuverlässigkeit von Robotik.

Für den Text-Checkpoint nennt die Modellkarte LFM Open License v1.0. Der Lizenztext legt eine Jahresumsatzgrenze von 10 Millionen US-Dollar fest und beschränkt die kommerzielle Nutzung durch Unternehmen beziehungsweise Organisationen, die diese Grenze überschreiten; hinzu kommen eine Ausnahme für nichtkommerzielle Nutzung oder Forschung durch qualifizierte gemeinnützige Organisationen und Pflichten bei der Weiterverbreitung. Dies ist keine bedingungslose Erlaubnis zur kommerziellen Nutzung; die genaue Grenze erfordert die vollständigen Bedingungen, und die Lizenzen der fünf anderen Checkpoints wurden nicht einzeln geprüft.