KI SpotlightNewsLiquid AI veröffentlicht LFM3: sechs Modelle der 2B-Klasse auf einem gemeinsamen Backbone
Das Textmodell mit 1,7 Milliarden Parametern soll lokale Agenten antreiben und laut Hersteller das größere LFM2.5-2.6B übertreffen. Unabhängige Prüfungen fehlen bislang.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Liquid AI stellt LFM3 vor, eine neue Generation seiner Liquid Foundation Models im 2B-Bereich.
- Sechs Modelle der 2B-Klasse, trainiert ausgehend von LFM3-1.7B-Base, darunter das erste Omni-Modell.
- Laut Liquid AI übertrifft LFM3-1.7B das Modell LFM2.5-2.6B mit 35 % weniger Parametern.
- Das Textmodell benötigt bei 4-Bit-Präzision etwa 1 GB Speicher und hat ein 256K-Kontextfenster.
- Alle Modelle lassen sich laut Liquid AI auf einer einzelnen GPU feintunen; Gewichte sind auf Hugging Face verfügbar.
Sechs Modelle der 2B-Klasse auf einem 1,7-Milliarden-Backbone
Am 27. Oktober 2026 hat Liquid AI LFM3 veröffentlicht, die neue Generation seiner Liquid Foundation Models. Nach Angaben des Unternehmens umfasst die Familie sechs Modelle der 2B-Klasse für Text, Vision, Audio, Omni und Entscheidungsaufgaben (Decision). Alle gehen aus dem gemeinsamen Backbone LFM3-1.7B-Base hervor. Gegenüber der Vorgängerfamilie LFM2 nennt Liquid AI zwei Neuerungen: das erste Omni-Modell und Videoeingabe beim Vision-Modell. Jedes Modell lässt sich laut Hersteller auf einer einzelnen GPU feintunen, sodass Anwender es an eigene Daten und Einsatzumgebungen anpassen können.
Die Architektur nennt Liquid AI Tri-Hybrid. Demnach kombiniert sie gated Short Convolutions, Sliding-Window-Attention und Global Attention über 24 Layer. Diese Details stammen bislang nur aus einer Zweitquelle. Modellkarten und technischer Bericht könnten sie bestätigen. Auch die übrigen Neuerungen gegenüber LFM2 sind Herstellerangaben.
Lokale Agenten statt Coding: Was das 1,7-B-Textmodell leisten soll
Das Textmodell LFM3-1.7B richtet sich laut Liquid AI an lokale Agenten und spezialisierte Anwendungen. Bei 4-Bit-Präzision soll es rund 1 GB Speicher benötigen. Damit soll es auf Telefonen und Laptops laufen. Das Kontextfenster umfasst 256K Token. Vorgesehen sind Tool Calling, strukturierte Ausgaben und domänenspezifisches Fine-Tuning. Für Agentenharnesses wie Hermes Agent, Pi und OpenClaw wurde das Modell nach Herstellerangaben nachtrainiert.
Liquid AI setzt dem Modell selbst Grenzen. Wegen der geringen Größe rät das Unternehmen davon ab, es für agentisches Coding oder komplexes mehrstufiges Reasoning einzusetzen. Bei wissensintensiven Aufgaben empfiehlt es Retrieval oder Suche, statt sich allein auf das Parameterwissen des Modells zu verlassen.
Die Gewichte liegen auf Hugging Face. Wer sie mit Transformers lädt, muss trust_remote_code=True setzen und damit ausdrücklich das Ausführen von Code aus dem Modell-Repository erlauben. Für verschiedene Aufgaben sind unterschiedliche Sampling-Parameter dokumentiert.
35 Prozent weniger Parameter: Leistungsaussagen sind bislang Herstellerangaben
Im Mittelpunkt steht die Behauptung, LFM3-1.7B übertreffe LFM2.5-2.6B bei 35 Prozent weniger Parametern. Die Differenz stimmt rechnerisch: 1,7 gegenüber 2,6 Milliarden Parametern. Die Leistungsaussage beruht dagegen auf eigenen Benchmarks von Liquid AI. Welche Tests und Setups dahinterstehen, nennt das vorliegende Material nicht.
Gleiches gilt für weitere Zahlen. Laut Zweitquelle erreicht LFM3-VL-2B den Durchschnitt von Gemma 4 12B über 62 Benchmarks, und der Vision-Encoder benötige dreimal weniger Rechenaufwand als SigLIP2. Beide Angaben stammen aus dieser Zweitquelle, nicht aus dem Herstellermaterial. In WebArena-Verified kommt LFM3-1.7B auf 38,42 Punkte, Qwen3.5-9B auf 28,94. Die Quelle selbst vermerkt, dass eine unabhängige Bestätigung fehlt.
Zum Start gab es Community-Unterstützung: llama.cpp mit GGUF für LFM3-Omni-2B, eine Ollama-Seite und eine WebGPU-Demo, die Videos im Browser beschriftet. Offen sind weiterhin die Lizenz, die kommerzielle Nutzung und unabhängige Nachmessungen.
