Liquid AI altı küçük LFM3 modelini yayınladı

Liquid AI, 27 Ekim 2026’da LFM3 adını verdiği yeni model ailesini duyurdu. Altı modelin tamamı aynı temel gövdeden, LFM3-1.7B-Base’den türetiliyor. Şirketin hedefi, metin, görüntü, video ve sesi aynı mimaride işleyip telefon, dizüstü ve tek kart bilgisayar gibi cihazlarda çalıştırmak.

Modeller açık ağırlıklı ve LFM Open License v1.0 lisansıyla Hugging Face, Liquid AI Playground ve şirketin API’si üzerinden erişilebiliyor.

Tek gövde, altı farklı model

Ailenin dağılımı işlev odaklı. LFM3-1.7B metin alıp metin döndürüyor. LFM3-VL-2B metin, görüntü ve video kabul ediyor. LFM3-Audio-2B metin veya ses alıp metin ya da konuşma üretiyor. LFM3-Omni-2B ise şirketin ilk çok kipli (omni) modeli: metin, görüntü, video ve sesi birlikte işleyip metin ve konuşma çıktısı veriyor.

Geriye iki karar modeli kalıyor. d1-2B ve d1-omni-2B, üretilen metin yerine kalibre edilmiş olasılıklarla yanıt veriyor. Bu modeller bir belgedeki değeri okumak, nesne işaret etmek, sayıyı aralıkla tahmin etmek veya geçerli seçeneklerin tamamını işaretlemek gibi görevler için tasarlanmış.

Üçlü hibrit mimari

LFM3-1.7B-Base 24 katmandan oluşuyor: 13 kapılı kısa evrişim katmanı, 256 token pencereli beş kayan pencere dikkat katmanı ve altı küresel dikkat katmanı. Evrişimlerde çekirdek boyutu LFM2’deki 3’ten 7’ye çıkarılmış.

Mimarinin üç ayırt edici özelliği var. Kafa bazlı kapılı dikkat, her dikkat kafasının çıktısını sigmoid kapıyla ölçekleyip niceleme kalitesini bozan uç değerleri bastırabiliyor. Kısmi RoPE’ta küresel dikkat katmanları her kafanın yalnızca yüksek frekanslı yarısını döndürüyor, kayan pencere katmanları tam RoPE kullanmaya devam ediyor. Sandviç normalizasyon ise her bloğun girişini ve çıkışını ayrı ayrı normalize ediyor.

Bu tasarım, donanım döngüsü içinde yapılan mimari aramayla çıkarılmış. Liquid AI, LFM3 için aramayı 14 cihaz ve arka uç kombinasyonuna genişletti: Samsung Galaxy S26 Ultra ve OnePlus 15 gibi telefonlar, Raspberry Pi 5, Apple M4 Max ve AMD Ryzen AI dizüstüler, Arm ve x86 bulut işlemcileri, GPU’lar ve Qualcomm Hexagon NPU.

Eğitim ve açıklanan başarımlar

Temel model 22 trilyon token üzerinde ön eğitimden geçti. Son 3,5 trilyon token, ajan izleri ve araç çağrılarının ağırlık kazandığı bir ara eğitim aşaması olarak kullanıldı; bağlam penceresi de bu aşamada 256 bin tokene çıkarıldı. Sonrasında gözetimli ince ayar, karışık pekiştirmeli öğrenme, altı uzman öğretmenden çok alanlı damıtma ve gerçek ajan ortamlarında pekiştirmeli öğrenme aşamaları izledi.

Şirketin ölçümlerine göre metin modeli 1,73 milyar parametreyle, 2,6 milyar parametreli LFM2.5’ten daha iyi sonuç veriyor; parametre sayısı yüzde 35 daha az. 8 bin token bağlamda önceki modele göre yaklaşık yüzde 25 daha hızlı çalışıyor ve 4 bit nicelemede yaklaşık 1 GB bellek kaplıyor. Model kartında 16 dil desteği belirtiliyor.

WebArena-Verified testinde LFM3-1.7B 38,42 puan alırken eski model 3,02’de kalıyor. Ancak model kartı, küçük boyutu nedeniyle modelin ajan tabanlı kodlama ve karmaşık çok adımlı akıl yürütme için önerilmediğini açıkça yazıyor. Görüntü modeli LFM3-VL-2B ise 62 görüntü testinin ortalamasını 57,6’dan 71,4’e çıkarıyor ve kendisinden altı kat büyük Gemma 4 12B ile aynı seviyeye geldiği iddia ediliyor. Ses modelinde konuşma kalitesi ölçütü UTMOSv2 skoru 3,83’e yükseliyor.

Uçta çalıştırma ve ekosistem

Ailenin pratik tarafı, tek GPU üzerinde ince ayar yapılabilmesi. Liquid AI; gözetimli ince ayar, DPO, GRPO ve ek ön eğitim için not defterleri yayınladı. Şirketin verdiği örnekte görüntü modeli, yaklaşık 3 bin rüzgar türbini fotoğrafıyla tek A100 üzerinde birkaç saat eğitilerek kusur tespitinde belirgin iyileşme sağladı.

Modeller llama.cpp, MLX ve vLLM ile yerel olarak destekleniyor; BF16, FP8, NVFP4, GGUF, MLX ve ONNX gibi farklı checkpoint biçimleri var. Lansman ortakları arasında AMD, Arm, Intel, NVIDIA, Qualcomm, Ambarella, OpenRouter ve Vercel bulunuyor. Mercedes-Benz ile Shopify ise yayın öncesi test sürecine katılmış.

Liquid AI’nın çizgisi net: devasa modellerle yarışmak yerine, sınırlı donanımda çalışan ve belirli işleri iyi yapan küçük modeller üretmek. Bu yaklaşım özellikle verinin cihazdan çıkmadığı senaryolarda ve bulut maliyetinin sorun olduğu uygulamalarda anlamlı. Ancak tüm performans rakamları şirketin kendi ölçümlerine dayanıyor; bağımsız kıyaslamalar modelin gerçek yerini gösterecek.

Kaynak: Unite.AI