LFM3 comparte una pequeña base entre seis modelos, con una vía distinta para las decisiones estructuradas

Un tronco común se divide en seis trabajos distintos

LFM3-1.7B genera texto. LFM3-VL-2B añade imágenes y vídeo como entradas; LFM3-Audio-2B acepta texto o audio y produce texto o voz. LFM3-Omni-2B combina entradas de texto, visión y audio con salida de texto o voz. El diagrama de ramas muestra rutas de entrenamiento separadas desde una misma base, no un único punto de control con seis interfaces intercambiables. La ficha de texto describe por separado MOPD, que destila seis profesores especialistas en un estudiante; esos profesores no son las seis ramas de producto.

Las ramas restantes, d1-2B y d1-omni-2B, derivan respectivamente de VL y Omni y devuelven respuestas estructuradas con probabilidades. La interpretación de AISubHub es elegir primero el contrato de entrada y salida necesario: una conversación por voz y una decisión acotada de derivación de documentos plantean problemas de ingeniería distintos. La expresión «clase de 2B» tampoco significa que cada modelo tenga exactamente dos mil millones de parámetros.

El procesamiento local y el contexto global comparten 24 capas

LiquidAI informa de 13 convoluciones con compuertas, con un núcleo de tamaño siete en lugar del tres de LFM2; cinco capas de atención utilizan una ventana deslizante de 256 tokens y seis atienden globalmente. Las compuertas sigmoid por cabeza, RoPE aplicado solo a la mitad de frecuencias más altas de cada cabeza de atención global, RoPE completo en las capas de ventana deslizante y la normalización de entrada y salida completan el diseño descrito. La búsqueda con hardware en el bucle abarca 14 combinaciones de dispositivos y motores de ejecución; no certifica todos los despliegues en esos dispositivos.

La base se entrenó con 22T tokens, incluida una etapa final de entrenamiento intermedio de 3.5T, y un vocabulario de 128K. La ficha de texto especifica que el contexto de 256K comprende conjuntamente entrada y salida. En la comparación del blog por parámetro con LFM2-1.2B en dispositivos de borde, la velocidad con instrucciones cortas es similar y la inferencia con contexto de 8K es aproximadamente un 25% más rápida; también se indican alrededor de 1 GB a 4 bits. Presupuestaríamos por separado el entorno de ejecución, la caché de contexto y la sobrecarga de las modalidades, sin prometer que una aplicación completa de contexto largo quepa en esa memoria.

Las comparaciones de texto y visión necesitan sus denominadores originales

Para texto, el blog comunica un 35% menos de parámetros que LFM2.5-2.6B y puntuaciones de WebArena-Verified de 38.42 frente a 3.02. Para visión, LFM3-VL-2B se compara con LFM2.5-VL-3B con 1.9B frente a 3.1B parámetros y una media en 62 pruebas que pasa de 57.6 a 71.4, descrita como comparable a Gemma 4 12B. Son comparaciones comunicadas por la fuente, no una clasificación general ni resultados reproducidos aquí.

Según el proveedor, el nuevo codificador visual de 164M utiliza un tercio del cómputo del anterior codificador SigLIP2. Su comparación de precisión, realizada por separado con el codificador de Qwen3.5-2B, utiliza la misma base de lenguaje LFM2.5-230M e informa de aproximadamente 1/2.2 de los FLOPs. Esa comparación controlada entre codificadores no mide la latencia del modelo completo. Combinar cada par de fotogramas muestreados en un único segmento temporal reduce a la mitad la secuencia temporal, sin demostrar que la precisión permanezca igual para todos los vídeos.

Los tiempos de voz describen componentes, no toda la conversación

La rama de audio añade un codificador causal y LiquidCodec. El blog describe traducción entre 18 idiomas y comunica un UTMOSv2 de 3.83 frente a 3.22 de LFM2.5-Audio-1.5B. Afirma que el tiempo hasta el primer token puede ser de tan solo 50 ms, pero no especifica el hardware ni todas las condiciones de medición de esa cifra. El tiempo del primer token no es una demora demostrada desde el micrófono hasta la respuesta.

La cifra separada de unas 87 veces la velocidad de tiempo real corresponde a la decodificación de voz del códec en un único hilo de CPU de un Apple M4 Max. No debe trasladarse a la generación del modelo, al transporte por red ni a todos los dispositivos. Omni combina modalidades y cita comparaciones en Daily-Omni, WorldSense y AV-SpeakerBench con modelos mayores. Esas pruebas concretas no demuestran una superioridad multimodal universal ni constituyen nuestra propia evaluación de la calidad de voz.

d1 responde preguntas definidas en una sola pasada hacia delante

En vez de pedir a un modelo autorregresivo que componga un párrafo, d1 acepta un estado y varias preguntas. El ejemplo clasifica una solicitud de reembolso, deriva un ticket, selecciona temas y puntúa la urgencia. La única pasada hacia delante anunciada se refiere a responder esas preguntas; no elimina el preprocesamiento de imágenes o audio ni convierte toda la aplicación en una sola operación. d1-omni añade entrada de audio a este enfoque de decisiones.

LiquidAI comunica que d1-2B utiliza un tercio menos de parámetros que d1-3B y obtiene mejores resultados en las cuatro baterías de decisión presentadas, incluidos 75.5 frente a 64.0 en ImajevBench. «Calibrado» sigue siendo una caracterización del proveedor: una probabilidad no demuestra que una respuesta individual sea correcta. Nuestra recomendación de despliegue es validar la calibración y los umbrales de derivación con los datos previstos, incluidas las distribuciones cambiantes y los casos que requieran revisión humana.

El ajuste fino aún deja cuestiones de hardware, uso y licencia

Los cuadernos cubren SFT para documentos JSON, DPO para respuestas sustentadas en recuperación o rechazo, GRPO para una aplicación de teléfono con 108 herramientas y CPT para turco, además de tareas de visión y órdenes habladas. El blog afirma que todos los modelos pueden ajustarse con una GPU, sin especificar su memoria, la longitud de secuencia, la duración del entrenamiento ni el coste. Un tutorial no demuestra que la aplicación resultante sea fiable.

La ficha de texto recomienda recuperación o búsqueda para las tareas con mucha dependencia del conocimiento y no recomienda programación mediante agentes ni razonamiento complejo de varios pasos debido al tamaño del modelo. No ejecutamos código ni modelos, no auditamos cuadernos y no vimos el vídeo de robótica enlazado; por tanto, este artículo no afirma que la robótica sea fiable.

Para el punto de control de texto, la ficha especifica LFM Open License v1.0. Su texto define un umbral de ingresos anuales de 10 millones de dólares estadounidenses y restringe el uso comercial por entidades que lo superen, con una excepción no comercial o de investigación para organizaciones sin ánimo de lucro que cumplan los requisitos y obligaciones de redistribución. No es un permiso comercial incondicional; el límite exacto requiere leer todos los términos y no se comprobaron individualmente las licencias de los otros cinco puntos de control.