Un unico backbone per cinque famiglie di modelli
Liquid AI ha presentato LFM3, nuova generazione dei suoi Liquid Foundation Models, descritta sul blog ospitato da Hugging Face come base per quella che l'azienda chiama intelligenza specializzata. L'elemento centrale è un backbone condiviso da modelli di testo, visione, audio, omni e decisione, tutti nell'ordine dei 2 miliardi di parametri. Questo permette, secondo la fonte, di scegliere il modello adatto alla modalità di input, adattarlo con un fine-tuning su una singola GPU e distribuirlo dove gira l'applicazione.
La novità rispetto a LFM2 non è solo l'aggiunta delle modalità: Liquid AI sostiene di aver riprogettato l'architettura ibrida, che combina convoluzioni brevi e attenzione, attraverso una ricerca hardware-in-the-loop per casi d'uso agentici. La ricerca ora copre quattordici combinazioni di dispositivi e backend, dai telefoni a Raspberry Pi 5, laptop, CPU cloud, GPU e NPU Qualcomm Hexagon. È una dichiarazione dell'azienda, non un dato verificato in modo indipendente.
Testo e visione: i numeri dichiarati
Il modello di punta per il testo è LFM3-1.7B: secondo la fonte è post-addestrato per funzionare in ambienti agentici e supererebbe il predecessore LFM2.5-2.6B con il 35% in meno di parametri, con i guadagni maggiori sui compiti agentici. Su WebArena-Verified, LFM3-1.7B otterrebbe 38,42 contro 3,02 del predecessore, e batterebbe Qwen3.5-9B su compiti lunghi in browser e applicazioni aziendali. Si tratta di risultati riportati da Liquid AI nelle proprie schede tecniche.
Sul fronte visivo, LFM3-VL-2B è il primo modello di visione dell'azienda che accetta video in input e ragiona passo dopo passo prima di rispondere. Con 1,9 miliardi di parametri, contro 3,1 del predecessore, la media su 62 benchmark di visione salirebbe da 57,6 a 71,4. La fonte lo descrive come primo passo per la robotica, con tre modelli derivati per orchestrazione, navigazione e manipolazione; i risultati su LIBERO e RoboCasa-GR1 sono però presentati dall'azienda.
Audio, omni e decisioni
LFM3-Audio-2B punta su conversazione vocale, riconoscimento, sintesi e traduzione in 18 lingue su laptop e dispositivi edge. Rispetto a LFM2.5-Audio-1.5B introduce un encoder audio e un codec vocali sviluppati internamente, con una qualità dichiarata superiore (UTMOSv2 3,83 contro 3,22) e nuove capacità di comprensione audio e chiamata di strumenti. LFM3-Omni-2B è invece il primo modello omni dell'azienda, con input testo, visione e audio e output testo e voce, attraverso il codec LiquidCodec che genererebbe parlato più velocemente del tempo reale.
La famiglia d1-2B e d1-omni-2B è pensata per decisioni strutturate: riceve una situazione e una lista di domande e risponde in un solo passaggio, con probabilità calibrate. I modelli sono open-weight e disponibili su Hugging Face. Resta da verificare in modo indipendente l'effettiva equivalenza delle prestazioni dichiarate rispetto ai modelli citati, soprattutto perché i confronti provengono dalla documentazione della stessa azienda.
