2026-10-27 · ← News
Liquid AI packt sechs Modelle in 2 Milliarden Parameter, doch große Firmen dürfen sie nicht kommerziell einsetzen
Die LFM3-Familie von Liquid AI stellt Text-, Bild-, Audio- und Entscheidungsmodelle auf eine gemeinsame Basis, das Textmodell braucht bei 4-Bit-Präzision rund 1 GB. Die Gewichte sind frei herunterladbar, die Lizenz erlaubt kommerzielle Nutzung aber nur Firmen mit weniger als 10 Millionen Dollar Jahresumsatz.
Das Bild konnte nicht geladen werden.
Liquid AI hat am 27. Oktober die LFM3-Familie veröffentlicht: sechs Modelle mit rund 2 Milliarden Parametern, die alle auf einer Basis, LFM3-1.7B-Base, aufbauen. Bei 4-Bit-Präzision passt das Textmodell in etwa 1 GB Speicher und schlägt laut Hersteller bei agentischen Aufgaben den Vorgänger LFM2.5-2.6B, obwohl es 35 % weniger Parameter hat.
Eine Basis, sechs Spezialisten und ein Textmodell in 1 GB
Aus LFM3-1.7B-Base gehen das Textmodell LFM3-1.7B, das Bildmodell LFM3-VL-2B, das Audiomodell LFM3-Audio-2B, LFM3-Omni-2B für Bild und Ton zugleich sowie die beiden Entscheidungsmodelle d1-2B und d1-omni-2B hervor. Die Basis wurde mit 22 Billionen Tokens trainiert. Die letzten 3,5 Billionen enthielten mehr Agenten-Traces und Tool-Aufrufe, was das Kontextfenster zugleich auf 256.000 Tokens erweiterte.
Die Architektur hat das Unternehmen gesucht, indem es sie direkt auf 14 Kombinationen aus Geräten und Backends gemessen hat, vom Smartphone und Raspberry Pi 5 bis zur Qualcomm-Hexagon-NPU. Das Ergebnis hat 24 Schichten: 13 kurze Faltungen, 5 Schichten mit Sliding-Window-Attention und 6 mit globaler Attention. Pro Parameter gerechnet ist es laut Liquid AI bei 8.000 Tokens im Kontext etwa 25 % schneller als LFM2-1.2B.
Das Unternehmen nennt auch konkrete Zahlen. LFM3-1.7B erreicht auf WebArena-Verified 38,42 Punkte, der Vorgänger LFM2.5-2.6B nur 3,02. LFM3-VL-2B mit 1,9 Milliarden Parametern hebt den Durchschnitt über 62 Bild-Benchmarks von 57,6 auf 71,4 und liegt damit laut Hersteller gleichauf mit Gemma 4 12B. Das Audiomodell spricht 18 Sprachen und kann das erste Token schon nach 50 ms liefern. Das Entscheidungsmodell d1-2B ersetzt d1-3B und kommt auf der hauseigenen ImajevBench auf 75,5 statt 64,0 Punkte.
Teams mit eigener Hardware bringen mehr Modelle in denselben Speicher
Liquid AI setzt auf das Gegenteil dessen, was die großen Labore tun. Statt eines Universalmodells, das alles kann und in der Cloud läuft, gibt es kleine Spezialisten: Ein Team wählt sie nach Eingabetyp aus, passt sie auf einer einzigen GPU an und betreibt sie dort, wo die Anwendung läuft. Für Gerätehersteller, Robotik-Teams oder Firmen, die keine Daten nach außen geben dürfen, heißt das: ein Baukasten für Sprachsteuerung, Belegerkennung und die Einordnung von Support-Tickets.
Das Textmodell ist zudem ausdrücklich für Agenten-Harnesses wie Hermes Agent, Pi und OpenClaw trainiert. Liquid zielt damit auf Entwickler, die einen lokalen Agenten auf dem Laptop wollen, ohne Konto bei einem API-Anbieter. Dazu kommen zehn fertige Notebooks für Fine-Tuning, von Kassenbons zu JSON bis zur Wahl des richtigen Werkzeugs aus 108 Optionen.
Anders als bei d1-3B, über das wir vor drei Wochen berichtet haben, liefert Liquid diesmal auch für die Entscheidungsmodelle Zahlen. Sie stammen aber weiterhin aus vier eigenen Testsuiten, nicht aus einem öffentlichen Vergleich.
Die Lizenz für offene Gewichte endet bei 10 Millionen Dollar Umsatz
Auf Hugging Face tragen die Modelle das Etikett open-weight, die LFM Open License v1.0 knüpft die kommerzielle Nutzung aber daran, dass ein Unternehmen unter 10 Millionen Dollar Jahresumsatz bleibt. Eine größere Firma darf die Gewichte herunterladen und testen, für den kommerziellen Einsatz reicht ihr diese Lizenz jedoch nicht. Ausgenommen sind nur gemeinnützige Organisationen bei nicht kommerzieller Nutzung und Forschung.
Die zweite Grenze sind die Zahlen. Fast alle Vergleiche stammen von Liquid AI und wurden unter dessen Bedingungen gemessen. Der Gleichstand mit Gemma 4 12B ist ein Durchschnitt über 62 Benchmarks, keine Garantie, dass das kleine Modell im Betrieb dieselben Aufgaben schafft. Der Sprung auf WebArena-Verified von 3,02 auf 38,42 zeigt vor allem, wie schwach der Vorgänger bei agentischer Arbeit war.
Unabhängige Tests und erste angepasste Einsätze zeigen, was davon trägt
Das erste Signal werden unabhängige Benchmarks und die Community rund um lokale Agenten liefern. Hält LFM3-1.7B auch in fremden Harnesses mit und nicht nur im Notebook des Herstellers, ist das ein stärkeres Argument als jede Tabelle im Blog.
Das zweite Signal ist die Robotik, die Liquid als Paradebeispiel zeigt. Das Unternehmen meldet 96,2 % Erfolg auf den LIBERO-Suiten und Aktionen in unter 50 ms auf einem Jetson AGX Orin. Erst Einsätze außerhalb des Labors zeigen, ob ein kleiner Spezialist die Arbeit stemmt, die heute ein großes Universalmodell in der Cloud erledigt.
Liliths Urteil
Liquid AI verteilt sechs kleine Spezialisten für die Hosentasche, der für Text passt in ein einziges Gigabyte. Wer über 10 Millionen Dollar Umsatz wächst, merkt, dass er nur eine Gratisprobe aus der Drogerie bekommen hat und die volle Packung an der Kasse wartet.