Революция в эффективности: LFM3-1.7B против гигантов
Компания Liquid AI представила семейство LFM3, состоящее из 6 моделей класса 2B, построенных на едином бэкбоне. Ключевое достижение — модель LFM3-1.7B (1.73 млрд параметров) демонстрирует выдающиеся результаты в агентных задачах, превосходя значительно более крупную Qwen3.5-9B. При этом LFM3-1.7B требует всего около 1 ГБ оперативной памяти при квантовании до 4 бит, что делает её идеальной для развертывания на мобильных устройствах и ноутбуках.
Тригибридная архитектура и контекст 256K
В основе LFM3 лежит уникальная архитектура, сочетающая три типа операторов в 24 слоях: 13 слоев коротких сверток с затворами, 5 слоев внимания с скользящим окном (SWA, окно 256 токенов) и 6 слоев глобального внимания. Эта конфигурация была найдена методом аппаратно-ориентированного поиска (hardware-in-the-loop) с использованием 14 комбинаций устройств, включая Raspberry Pi 5 и NPU Qualcomm Hexagon. Базовая модель обучалась на 22 триллионах токенов, а последние 3.5 трлн были посвящены агентным задачам, что позволило расширить контекстное окно до 256K токенов.
Сравнение производительности: где LFM3 побеждает
Модель показывает явное лидерство в задачах, требующих взаимодействия с окружением (агентность), но уступает в чистом знании. Ниже приведено сравнение LFM3-1.7B с конкурентами по ключевым бенчмаркам (оценка Liquid AI):
| Бенчмарк | LFM3-1.7B | Qwen3.5-9B | MiniCPM5-2B | Gemma 4 E4B |
|---|---|---|---|---|
| WebArena-Verified (Агенты) | 38.42 | 28.94 | 9.11 | 17.06 |
| BFCL V4 (Вызовы инструментов) | 71.39 | 62.83 | 62.65 | 48.25 |
| AutomationBench | 41.29 | 15.10 | — | — |
| GPQA Diamond (Знания) | 63.37 | 80.40 | 65.15 | 57.88 |
| SWE-bench Verified (Код) | 43.40 | 51.20 | 34.80 | 0.50 |
| Средний балл (29 тестов) | 49.37 | 47.24 | 39.19 | 31.74 |
Мультимодальность и специализированные модели
Семейство LFM3 не ограничивается текстом. Модель LFM3-VL-2B (1.92 млрд параметров) поддерживает ввод видео (сэмплирование 2 кадра/сек) и показывает результаты, сопоставимые с Gemma 4 12B (71.4 против 71.7), особенно в понимании GUI (83.1). Модель LFM3-Audio-2B работает с 18 языками, а LFM3-Omni-2B объединяет зрение, аудио и язык. Отдельно стоит отметить модели принятия решений d1-2B и d1-Omni-2B, которые отвечают на множество вопросов за один проход, улучшив показатель Decision Bench с 83.6 до 85.2.
Деплой и лицензирование
Весы моделей доступны на Hugging Face в форматах GGUF, MLX, ONNX, FP8 и NVFP4. Для локального запуска поддерживаются llama.cpp, Ollama, vLLM и SGLang. На одном GPU NVIDIA B300 с SGLang модель генерирует 3.6 млрд токенов в день при 1024 одновременных запросах. Лицензия LFM Open License v1.0 разрешает коммерческое использование бесплатно для компаний с годовым доходом до $10 млн.
Бенчмарки
| Бенчмарк | LFM3-1.7B | Gemma 4 E4B | MiniCPM5-2B | Qwen3.5-4B |
|---|---|---|---|---|
| BFCL V4 | 71.39% | 48.25% | 62.65% | 55.12% |
| WebArena-Verified | 38.42% | 17.06% | 9.11% | 21.92% |
| SWE-bench Verified | 43.4% | 0.5% | 34.8% | 41.2% |
| GPQA Diamond | 63.37% | 57.88% | 65.15% | 75.76% |
| RULER 128K | 65.56% | 18.82% | 37.96% | 84.63% |
| Liquid 29-benchmark average | 49.37% | 31.74% | 39.19% | 39.27% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗