LFM3 compartilha uma base pequena entre seis modelos, com uma rota distinta para decisões estruturadas

Uma base comum se ramifica em seis trabalhos diferentes

O LFM3-1.7B gera texto. O LFM3-VL-2B acrescenta imagens e vídeo como entradas; o LFM3-Audio-2B aceita texto ou áudio e produz texto ou fala. O LFM3-Omni-2B combina entradas de texto, visão e áudio com saída de texto ou fala. O diagrama de ramificações mostra caminhos de treinamento separados a partir de uma mesma base, em vez de um único checkpoint com seis interfaces intercambiáveis. A ficha de texto descreve separadamente o MOPD, que destila seis professores especialistas em um aluno; esses professores não são as seis ramificações de produto.

As ramificações restantes, d1-2B e d1-omni-2B, derivam respectivamente de VL e Omni e retornam respostas estruturadas com probabilidades. A interpretação do AISubHub é escolher primeiro o contrato necessário de entrada e saída: uma conversa por voz e uma decisão delimitada de encaminhamento de documentos apresentam problemas de engenharia distintos. A expressão “classe de 2B” também não significa que cada modelo tenha exatamente dois bilhões de parâmetros.

Processamento local e contexto global compartilham 24 camadas

A LiquidAI informa 13 convoluções com portas, com kernel de tamanho sete em vez dos três do LFM2; cinco camadas de atenção usam uma janela deslizante de 256 tokens e seis atendem globalmente. Portas sigmoid por cabeça, RoPE aplicado apenas à metade de frequências mais altas de cada cabeça de atenção global, RoPE completo nas camadas de janela deslizante e normalização de entrada e saída completam o projeto descrito. A busca com hardware no circuito abrange 14 combinações de dispositivos e backends; isso não certifica toda implantação nesses dispositivos.

A base foi treinada com 22T tokens, incluindo uma etapa final de treinamento intermediário de 3.5T, e um vocabulário de 128K. A ficha de texto especifica contexto de 256K para entrada e saída juntas. Na comparação do blog por parâmetro com o LFM2-1.2B em dispositivos de borda, a velocidade com prompts curtos é equivalente e a inferência com contexto de 8K é cerca de 25% mais rápida; também são informados aproximadamente 1 GB em 4 bits. Nós orçaríamos separadamente o ambiente de execução, o cache de contexto e a sobrecarga das modalidades, sem prometer que uma aplicação completa de contexto longo caiba nessa memória.

Comparações de texto e visão precisam dos denominadores originais

Para texto, o blog informa 35% menos parâmetros que o LFM2.5-2.6B e pontuações no WebArena-Verified de 38.42 contra 3.02. Para visão, o LFM3-VL-2B é comparado ao LFM2.5-VL-3B com 1.9B contra 3.1B parâmetros e uma média em 62 testes que sobe de 57.6 para 71.4, descrita como comparável ao Gemma 4 12B. Essas são comparações divulgadas pela fonte, não uma classificação geral nem resultados reproduzidos aqui.

Segundo o fornecedor, o novo codificador visual de 164M usa um terço do processamento do antigo codificador SigLIP2. Sua comparação separada de precisão com o codificador do Qwen3.5-2B usa a mesma base de linguagem LFM2.5-230M e relata aproximadamente 1/2.2 dos FLOPs. Essa comparação controlada entre codificadores não representa a latência do modelo inteiro. Combinar cada par de quadros amostrados em uma fatia temporal reduz a sequência temporal à metade, sem estabelecer que a precisão se mantém em todos os vídeos.

Os tempos de fala descrevem componentes, não a conversa inteira

A ramificação de áudio acrescenta um codificador causal e o LiquidCodec. O blog descreve tradução entre 18 idiomas e informa UTMOSv2 de 3.83 contra 3.22 do LFM2.5-Audio-1.5B. Afirma que o tempo até o primeiro token pode chegar a apenas 50 ms, mas não especifica o hardware dessa cifra nem todas as condições de medição. O tempo do primeiro token não é um atraso demonstrado do microfone até a resposta.

A cifra separada de aproximadamente 87 vezes a velocidade de tempo real se aplica à decodificação de fala pelo codec em uma única thread de CPU de um Apple M4 Max. Ela não deve ser transferida à geração do modelo, ao transporte de rede nem a todos os dispositivos. O Omni combina modalidades e cita comparações no Daily-Omni, WorldSense e AV-SpeakerBench com modelos maiores. Esses testes nomeados não estabelecem superioridade multimodal universal nem uma avaliação nossa da qualidade da fala.

d1 responde a perguntas definidas em uma única passagem direta

Em vez de pedir a um modelo autorregressivo que componha um parágrafo, o d1 aceita um estado e várias perguntas. O exemplo classifica uma solicitação de reembolso, encaminha um chamado, seleciona assuntos e pontua a urgência. A única passagem direta anunciada diz respeito a responder a essas perguntas; ela não elimina o pré-processamento de imagem ou áudio nem transforma a aplicação inteira em uma única operação. O d1-omni acrescenta entrada de áudio a essa abordagem de decisão.

A LiquidAI informa que o d1-2B usa um terço menos parâmetros que o d1-3B e obtém pontuações maiores nas quatro baterias de decisão apresentadas, incluindo 75.5 contra 64.0 no ImajevBench. “Calibrado” continua sendo uma caracterização do fornecedor: uma probabilidade não prova que uma resposta individual esteja correta. Nossa recomendação de implantação é validar a calibração e os limiares de encaminhamento nos dados pretendidos, incluindo mudanças de distribuição e casos que precisem de revisão humana.

O ajuste fino ainda deixa questões de hardware, uso e licença

Os notebooks cobrem SFT para documentos JSON, DPO para respostas fundamentadas em recuperação ou recusa, GRPO para uma aplicação de telefone com 108 ferramentas e CPT para turco, além de tarefas de visão e comandos falados. O blog diz que todos os modelos podem receber ajuste fino em uma GPU, sem especificar a memória da GPU, o comprimento da sequência, a duração do treinamento ou o custo. Um tutorial não demonstra que a aplicação resultante seja confiável.

A ficha de texto recomenda recuperação ou busca para tarefas intensivas em conhecimento e não recomenda programação por agentes nem raciocínio complexo de várias etapas por causa do tamanho do modelo. Não executamos código nem modelos, não auditamos notebooks e não assistimos ao vídeo de robótica vinculado; portanto, este artigo não faz afirmações sobre a confiabilidade da robótica.

Para o checkpoint de texto, a ficha especifica a LFM Open License v1.0. Seu texto define um limite de receita anual de 10 milhões de dólares americanos e restringe o uso comercial por entidades que o ultrapassem, com uma exceção de uso não comercial ou de pesquisa para organizações sem fins lucrativos que cumpram os requisitos, além de obrigações de redistribuição. Isso não é uma permissão comercial incondicional; o limite exato exige os termos completos, e as licenças dos outros cinco checkpoints não foram verificadas individualmente.