The Pulse
Liquid AI presenta sei modelli basati su un’unica architettura per modelli di piccole dimensioni
Liquid AI ha presentato LFM3, una famiglia di sei piccoli modelli per testo, immagini, video, audio e decisioni strutturate. I modelli condividono un’architettura di base e sono proposti come adattabili a diversi dati e contesti di impiego.
AI.info Team · Scritto con l’IA · verificato ·
«La famiglia LFM3 di Liquid AI combina solide capacità multimodali con dimensioni contenute, che la rendono adatta alle esperienze di IA direttamente sui dispositivi».
Josh Hort, direttore senior e responsabile dell’abilitazione degli ISV presso AMD
Liquid AI ha pubblicato LFM3 il 27 ottobre, presentando sei piccoli modelli per testo, immagini, video, audio e decisioni strutturate. I modelli condividono un’architettura di base, offrendo agli sviluppatori un punto di partenza comune per scegliere una modalità, adattare il modello ai propri dati ed eseguirlo nell’ambiente in cui opera la loro applicazione. Liquid AI afferma che i modelli a pesi aperti sono disponibili su Hugging Face.
La famiglia comprende LFM3-1.7B per il testo; LFM3-VL-2B per la visione; LFM3-Audio-2B; LFM3-Omni-2B; e due modelli decisionali, d1-2B e d1-omni-2B. Il modello per la visione accetta video oltre alle immagini, mentre Omni combina input testuali, visivi, video e audio con output testuali e vocali. Le varianti decisionali rispondono a domande strutturate su un input anziché generare una risposta convenzionale in forma libera.
Una base, sei modelli specializzati
Liquid AI afferma che tutti e sei i modelli sono addestrati a partire da LFM3-1.7B-Base, con l’aggiunta, dove necessario, di encoder, decoder o fasi di post-addestramento specifici per ciascuna modalità. Questa base condivisa è pensata per consentire ai team di passare tra applicazioni correlate senza dover partire da architetture di modello diverse. L’azienda propone il fine-tuning come modo per adattare un modello a un particolare dataset, vocabolario o contesto di impiego.
Il modello di base usa 24 layer che combinano tre approcci: convoluzioni brevi con gating, attenzione a finestra mobile e attenzione globale. Liquid AI descrive questa combinazione come un’architettura tri-ibrida sviluppata attraverso ricerche che hanno incluso l’hardware nel processo di ottimizzazione, condotte su 14 combinazioni di dispositivi e backend software, tra cui telefoni, un Raspberry Pi 5, laptop, processori cloud e la NPU Hexagon di Qualcomm. L’azienda afferma di aver progettato le modifiche per migliorare le capacità per parametro e l’inferenza su contesti lunghi.
Secondo il comunicato, LFM3-1.7B usa anche una finestra di contesto da 256.000 token. Liquid AI afferma che una versione a quattro bit del modello testuale occupa circa 1 GB, una dimensione pensata per l’uso locale su dispositivi con memoria limitata. L’azienda afferma che il modello può essere sottoposto a fine-tuning su una sola GPU, anche se il post non indica un requisito minimo di memoria né una specifica configurazione hardware a sostegno di questa affermazione.
I miglioramenti dichiarati da Liquid AI variano a seconda del compito
Liquid AI afferma che LFM3-1.7B supera il suo predecessore LFM2.5-2.6B pur usando il 35% di parametri in meno. Su WebArena-Verified, l’azienda riporta un punteggio di 38,42 per LFM3-1.7B contro 3,02 per LFM2.5-2.6B. Sono risultati pubblicati dall’azienda; il comunicato non presenta una valutazione indipendente.
Per la visione, Liquid AI riporta un punteggio medio di 71,4 su 62 benchmark per LFM3-VL-2B, contro 57,6 per il precedente LFM2.5-VL-3B. Il post afferma che il nuovo modello per la visione ha 1,9 miliardi di parametri, rispetto ai 3,1 miliardi del predecessore. La possibilità di ricevere video in input è una novità per la linea di modelli LFM per la visione di Liquid AI.
Il comunicato descrive anche nuovi encoder per la visione e l’audio sviluppati internamente. Liquid AI afferma che il suo encoder per la visione richiede una potenza di calcolo tre volte inferiore a quella dell’encoder SigLIP2 usato nei precedenti modelli LFM per visione e linguaggio. Per la generazione audio, l’azienda afferma che il suo sistema LiquidCodec può produrre parlato più velocemente del tempo reale; il suo modello audio supporta il riconoscimento vocale, la sintesi vocale, la traduzione tra 18 lingue e le chiamate a strumenti.
Omni e i modelli decisionali sono rivolti a flussi di lavoro diversi
LFM3-Omni-2B combina la comprensione di audio, immagini e video e può rispondere con testo o parlato. Liquid AI afferma che può rispondere a domande pronunciate a voce sulle immagini, elaborare insieme audio e video e trasformare input multimodali in chiamate a strumenti. L’azienda riporta inoltre che Omni supera modelli fino a 10,7 miliardi di parametri su tre benchmark audiovisivi per i video: Daily-Omni, WorldSense e AV-SpeakerBench.
I modelli d1 seguono un approccio diverso: restituiscono risposte strutturate, come classificazioni, scelte o punteggi, con probabilità calibrate. Liquid AI afferma che d1-2B ottiene 75,5 su ImajevBench, contro 64,0 del precedente d1-3B, e che d1-omni-2B, capace di elaborare l’audio, conserva quasi tutta l’accuratezza di d1-2B quando le domande arrivano a voce. Il post non fornisce una tabella completa dei risultati nel riepilogo principale, quindi queste affermazioni vanno lette insieme ai dettagli delle valutazioni specifiche per ciascun modello.
Tutti e sei i modelli sono disponibili tramite Hugging Face e Liquid AI fornisce link a notebook per il fine-tuning delle versioni per testo, visione, audio e Omni. La proposta concreta del comunicato è un modello di partenza condiviso, non un unico sistema adatto a ogni scopo: gli sviluppatori scelgono una variante specializzata, la adattano e la distribuiscono sul proprio hardware o sulla propria infrastruttura.