Liquid AI zmieściło sześć modeli w 2 miliardach parametrów, ale duże firmy nie mogą ich komercyjnie wdrożyć

Liquid AI wypuściło 27 października rodzinę LFM3: sześć modeli o rozmiarze około 2 miliardów parametrów, które wyrastają z jednej bazy LFM3-1.7B-Base. Model tekstowy w 4-bitowej precyzji mieści się w około 1 GB pamięci, a według firmy w zadaniach agentowych bije poprzedni LFM2.5-2.6B, choć ma o 35 % mniej parametrów.

Jedna baza, sześciu specjalistów i model tekstowy w 1 GB

Z LFM3-1.7B-Base wychodzą tekstowy LFM3-1.7B, wizyjny LFM3-VL-2B, dźwiękowy LFM3-Audio-2B, LFM3-Omni-2B, który obsługuje obraz i dźwięk naraz, oraz dwa modele decyzyjne: d1-2B i d1-omni-2B. Bazę wytrenowano na 22 bilionach tokenów. Ostatnie 3,5 biliona to dane z większym udziałem zapisów pracy agentów i wywołań narzędzi, co przy okazji wydłużyło okno kontekstu do 256 tysięcy tokenów.

Architekturę firma dobierała, mierząc ją od razu na 14 kombinacjach urządzeń i backendów, od telefonów i Raspberry Pi 5 po NPU Qualcomm Hexagon. Efekt ma 24 warstwy: 13 krótkich konwolucji, 5 warstw uwagi z przesuwnym oknem i 6 warstw uwagi globalnej. W przeliczeniu na parametr jest według Liquid AI przy 8 tysiącach tokenów w kontekście o około 25 % szybszy od LFM2-1.2B.

Firma podaje też konkretne liczby. LFM3-1.7B zdobywa na WebArena-Verified 38,42 punktu, podczas gdy poprzedni LFM2.5-2.6B tylko 3,02. LFM3-VL-2B z 1,9 miliarda parametrów podnosi średnią z 62 benchmarków wizyjnych z 57,6 do 71,4 i według firmy dorównuje tym samym Gemmie 4 12B. Model dźwiękowy mówi w 18 językach i potrafi zwrócić pierwszy token już po 50 ms. Decyzyjny d1-2B zastępuje d1-3B i na firmowym ImajevBench ma 75,5 punktu wobec 64,0.

Zespoły z własnym sprzętem zmieszczą w pamięci więcej modeli

Liquid AI stawia na odwrotność tego, co robią duże laboratoria. Zamiast jednego ogólnego modelu, który umie wszystko i działa w chmurze, oferuje małych specjalistów: zespół wybiera ich według typu danych, dostraja na jednym GPU i uruchamia tam, gdzie działa aplikacja. Dla producentów urządzeń, robotyki albo firm, które nie mogą wysyłać danych na zewnątrz, to jeden zestaw narzędzi do sterowania głosem, odczytu paragonów i decyzji o zgłoszeniu do supportu.

Model tekstowy jest przy tym wprost trenowany pod środowiska agentowe takie jak Hermes Agent, Pi czy OpenClaw. Liquid celuje w programistów, którzy chcą lokalnego agenta na laptopie bez konta u dostawcy API. Do tego dochodzi dziesięć gotowych notatników do fine-tuningu, od zamiany paragonów na JSON po wybór właściwego narzędzia spośród 108.

W porównaniu z d1-3B, o którym pisaliśmy trzy tygodnie temu, Liquid tym razem podaje liczby także dla modeli decyzyjnych. Wciąż pochodzą jednak z czterech własnych zestawów testów, a nie z publicznego porównania.

Licencja otwartych wag kończy się na 10 milionach dolarów przychodu

Na Hugging Face modele mają etykietę open-weight, ale licencja LFM Open License v1.0 uzależnia użycie komercyjne od tego, czy firma nie przekracza 10 milionów dolarów rocznego przychodu. Większa spółka może wagi pobrać i przetestować, ale ta licencja nie obejmuje jej komercyjnego wdrożenia. Wyjątek dotyczy tylko organizacji non-profit w zastosowaniach niekomercyjnych i badawczych.

Drugim ograniczeniem są liczby. Niemal wszystkie porównania pochodzą od Liquid AI i zmierzono je na jej warunkach. Zrównanie z Gemmą 4 12B to średnia z 62 benchmarków, a nie gwarancja, że mały model poradzi sobie z tymi samymi zadaniami na produkcji. Skok na WebArena-Verified z 3,02 do 38,42 pokazuje głównie, jak słaby w pracy agentowej był poprzednik.

Niezależne testy i pierwsze dostrojone wdrożenia pokażą, ile z tego się broni

Pierwszy sygnał przyniosą niezależne benchmarki i społeczność lokalnych agentów. Jeśli LFM3-1.7B sprawdzi się w cudzych harnessach, a nie tylko w notatniku producenta, będzie to mocniejszy argument niż jakakolwiek tabelka z bloga.

Drugim sygnałem będzie robotyka, którą Liquid pokazuje jako główny przykład. Firma podaje 96,2 % skuteczności na zestawach LIBERO i generowanie akcji w mniej niż 50 ms na Jetsonie AGX Orin. Dopiero wdrożenia poza laboratorium pokażą, czy mały specjalista udźwignie pracę, którą dziś wykonuje duży ogólny model w chmurze.

Werdykt Lilith

Liquid AI rozdaje sześciu małych specjalistów, którzy mieszczą się w kieszeni, a tekstowy w jednym gigabajcie. Kto przekroczy 10 milionów dolarów przychodu, odkryje, że dostał darmową próbkę z drogerii, a pełne opakowanie czeka przy kasie.