LFM3 के छोटे साझा आधार से छह मॉडल बनते हैं, जबकि संरचित निर्णयों के लिए अलग रास्ता है

एक आधार से छह अलग कामों की शाखाएँ बनती हैं

LFM3-1.7B टेक्स्ट बनाता है। LFM3-VL-2B में चित्र और वीडियो इनपुट जुड़ते हैं; LFM3-Audio-2B टेक्स्ट या ऑडियो लेकर टेक्स्ट या आवाज़ देता है। LFM3-Omni-2B टेक्स्ट, दृश्य और ऑडियो इनपुट मिलाकर टेक्स्ट या आवाज़ लौटाता है। शाखा-चित्र एक आधार से निकले अलग प्रशिक्षण रास्ते दिखाता है, न कि एक ही चेकपॉइंट के छह परस्पर बदलने योग्य इंटरफ़ेस। टेक्स्ट कार्ड अलग से बताता है कि MOPD छह विशेषज्ञ शिक्षकों को एक विद्यार्थी में डिस्टिल करता है; ये शिक्षक उत्पाद की छह शाखाएँ नहीं हैं।

बाकी d1-2B और d1-omni-2B क्रमशः VL और Omni से बनते हैं और प्रायिकताओं सहित संरचित उत्तर लौटाते हैं। AISubHub की व्याख्या है कि पहले आवश्यक इनपुट और आउटपुट का स्वरूप चुनें: आवाज़ में बातचीत और सीमित फ़ील्ड वाले दस्तावेज़ का रूटिंग निर्णय अलग इंजीनियरिंग समस्याएँ हैं। “2B-श्रेणी” का अर्थ भी यह नहीं कि हर मॉडल में ठीक दो अरब पैरामीटर हैं।

24 परतों में स्थानीय प्रसंस्करण और वैश्विक संदर्भ साथ हैं

LiquidAI के अनुसार 13 गेटयुक्त कन्वोल्यूशन का कर्नेल आकार LFM2 के तीन से बढ़कर सात है। पाँच अटेंशन परतें 256-टोकन विंडो इस्तेमाल करती हैं और छह पूरे संदर्भ को देखती हैं। हर हेड के sigmoid गेट, ग्लोबल-अटेंशन हेड के केवल उच्च-आवृत्ति वाले आधे भाग पर RoPE, विंडो परतों में पूरा RoPE और इनपुट-आउटपुट नॉर्मलाइज़ेशन इस डिज़ाइन को पूरा करते हैं। हार्डवेयर को शामिल करने वाली खोज 14 डिवाइस/बैकएंड संयोजन कवर करती है; यह उन डिवाइसों पर हर तैनाती का प्रमाणन नहीं है।

आधार को कुल 22T टोकन पर प्रशिक्षित किया गया, जिसमें अंतिम 3.5T का मध्य-प्रशिक्षण चरण शामिल है; शब्दावली 128K है। टेक्स्ट कार्ड का 256K इनपुट और आउटपुट का जोड़ है। ब्लॉग में LFM2-1.2B के साथ प्रति-पैरामीटर एज तुलना में छोटे प्रॉम्प्ट की गति समान और 8K संदर्भ में अनुमान लगभग 25% तेज़ बताया गया है। 4-bit पर लगभग 1GB भी रिपोर्ट किया गया है। हमारा सुझाव रनटाइम, संदर्भ-कैश और विभिन्न माध्यमों का अतिरिक्त भार अलग गिनना है, न कि पूरे लंबे-संदर्भ अनुप्रयोग के इस मेमोरी में समाने का वादा करना।

टेक्स्ट और विज़न के अंकों में मूल तुलना का आधार बनाए रखें

टेक्स्ट के लिए ब्लॉग LFM2.5-2.6B से 35% कम पैरामीटर और WebArena-Verified पर 38.42 बनाम 3.02 बताता है। विज़न में LFM3-VL-2B की LFM2.5-VL-3B से तुलना 1.9B बनाम 3.1B पैरामीटर पर है। 62 बेंचमार्क का औसत 57.6 से 71.4 हुआ, जिसे Gemma 4 12B के तुलनीय कहा गया है। ये स्रोत द्वारा बताई गई सशर्त तुलनाएँ हैं, समग्र रैंकिंग या यहाँ पुनरुत्पादित परिणाम नहीं।

नए 164M विज़न एन्कोडर के लिए पुराने SigLIP2 एन्कोडर की लगभग एक-तिहाई गणना बताई गई है। Qwen3.5-2B के एन्कोडर से अलग सटीकता तुलना में दोनों के साथ वही LFM2.5-230M भाषा आधार है और आवश्यक FLOPs लगभग 1/2.2 बताए गए हैं। यह नियंत्रित एन्कोडर तुलना पूरे मॉडल का विलंब नहीं है। नमूना लिए गए हर दो फ़्रेम को एक समय-स्लाइस में मिलाने से समय-क्रम की लंबाई आधी होती है, पर इससे हर वीडियो की सटीकता अपरिवर्तित सिद्ध नहीं होती।

आवाज़ के समय पूरे संवाद के नहीं, घटकों के हैं

ऑडियो शाखा में कॉज़ल एन्कोडर और LiquidCodec जुड़ते हैं। ब्लॉग 18 भाषाओं में अनुवाद समझाता है और UTMOSv2 पर 3.83 बनाम LFM2.5-Audio-1.5B के 3.22 की रिपोर्ट करता है। पहला टोकन आने का समय न्यूनतम 50ms तक बताया गया है, लेकिन उस संख्या का हार्डवेयर और पूरी मापन परिस्थितियाँ स्पष्ट नहीं हैं। पहले टोकन का समय माइक्रोफ़ोन से जवाब तक का प्रमाणित विलंब नहीं है।

रीयल-टाइम से लगभग 87 गुना तेज़ डिकोडिंग की अलग संख्या Apple M4 Max के एक CPU थ्रेड पर कोडेक द्वारा आवाज़ डिकोड करने पर लागू होती है। उसे मॉडल जनरेशन, नेटवर्क ट्रांसपोर्ट या हर डिवाइस की गति न मानें। Omni माध्यमों को जोड़कर Daily-Omni, WorldSense और AV-SpeakerBench पर बड़े मॉडलों से तुलना देता है। ये निर्दिष्ट परीक्षण सार्वभौमिक मल्टीमोडल श्रेष्ठता स्थापित नहीं करते, न ही ये हमारी आवाज़ की गुणवत्ता की समीक्षा हैं।

d1 नामित प्रश्नों को एक फ़ॉरवर्ड पास में उत्तर देता है

ऑटोरेग्रेसिव मॉडल से अनुच्छेद लिखवाने की जगह d1 एक स्थिति और कई प्रश्न लेता है। उदाहरण में रिफ़ंड अनुरोध का वर्गीकरण, टिकट की टीम तय करना, विषय चुनना और तात्कालिकता का स्कोर देना शामिल है। एक फ़ॉरवर्ड पास का दावा इन प्रश्नों के उत्तर से संबंधित है; वह चित्र/ऑडियो की पूर्व-प्रक्रिया खत्म नहीं करता और पूरे अनुप्रयोग को एक ही ऑपरेशन नहीं बनाता। d1-omni इसी निर्णय पद्धति में ऑडियो इनपुट जोड़ता है।

LiquidAI कहता है कि d1-2B में d1-3B से एक-तिहाई कम पैरामीटर हैं और प्रस्तुत चार निर्णय मूल्यांकन समूहों में अधिक अंक हैं, जिनमें ImajevBench पर 75.5 बनाम 64.0 शामिल है। “कैलिब्रेटेड” अब भी विक्रेता का वर्णन है: कोई प्रायिकता किसी एक उत्तर के सही होने का प्रमाण नहीं। हमारी तैनाती संबंधी सिफ़ारिश है कि इच्छित डेटा पर कैलिब्रेशन और रूटिंग थ्रेशोल्ड जाँचें, बदले वितरण और मानवीय समीक्षा की ज़रूरत वाले मामलों सहित।

फ़ाइन-ट्यूनिंग के बाद भी हार्डवेयर, उपयोग और लाइसेंस के प्रश्न रहते हैं

नोटबुक में दस्तावेज़ JSON के लिए SFT, पुनर्प्राप्त दस्तावेज़ों पर आधारित जवाब या इनकार के लिए DPO, 108-टूल फ़ोन ऐप के लिए GRPO और तुर्की भाषा के लिए CPT हैं; साथ में विज़न और बोले गए आदेशों के कार्य भी हैं। ब्लॉग कहता है कि हर मॉडल एक GPU पर फ़ाइन-ट्यून हो सकता है, लेकिन GPU मेमोरी, सीक्वेंस लंबाई, प्रशिक्षण अवधि और लागत नहीं बताता। ट्यूटोरियल किसी परिणामी अनुप्रयोग की विश्वसनीयता का प्रमाण नहीं।

टेक्स्ट कार्ड ज्ञान-प्रधान कामों के लिए retrieval/search सुझाता है और छोटे आकार के कारण एजेंट-आधारित कोडिंग या जटिल बहु-चरण तर्क की सिफ़ारिश नहीं करता। हमने कोई कोड या मॉडल नहीं चलाया, नोटबुक का ऑडिट नहीं किया और लिंक किया गया रोबोटिक्स वीडियो नहीं देखा। इसलिए यह लेख रोबोटिक्स की विश्वसनीयता का दावा नहीं करता।

टेक्स्ट चेकपॉइंट के लिए कार्ड LFM Open License v1.0 बताता है। उसके पाठ में US$10 million वार्षिक राजस्व का थ्रेशोल्ड है और उसे पार करने वाली इकाइयों के व्यावसायिक उपयोग पर सीमा है; पात्र गैरलाभकारी संस्थाओं के गैरव्यावसायिक/शोध उपयोग का अपवाद और पुनर्वितरण की ज़िम्मेदारियाँ भी हैं। यह बिना शर्त व्यावसायिक अनुमति नहीं; सटीक सीमा के लिए पूरी शर्तें पढ़नी होंगी। अन्य पाँच चेकपॉइंट के लाइसेंस अलग-अलग नहीं जाँचे गए।