Liquid AI выпустила LFM3: шесть открытых мультимодальных моделей на базе 1.7B параметров

Когда компания размером с крупный стартап выкатывает шесть моделей за один день - это либо маркетинговый ход, либо что-то по-настоящему интересное. В случае с Liquid AI, судя по цифрам, ближе ко второму.
Что за зверь этот LFM3
Liquid AI - это спин-офф MIT, который с 2023 года строит модели на основе так называемых жидких нейронных сетей. LFM3 - их третье поколение, и на этот раз компания сделала ставку на открытые веса: все шесть вариантов можно скачать и запустить самостоятельно.
Основа у всех шести одна - 1.7 миллиарда параметров с трехгибридной архитектурой (tri-hybrid backbone). Специализированные версии дотягиваются примерно до 2B. В линейке есть модели для текста, зрения, аудио, омни-формата и принятия решений. По сути, Liquid закрывает весь периметр мультимодальности одним релизом.
Текстовая LFM3-1.7B поддерживает контекстное окно 256K токенов в локальном развертывании. В hosted-версии через API окно урезано до 128K - это различие критично для тех, кто планирует гонять длинные документы.
Где модель рвет конкурентов, а где проигрывает
Цифры из собственных тестов Liquid выглядят впечатляюще в нескольких нишах. На WebArena-Verified - это бенчмарк по управлению браузером - LFM3-1.7B набирает 38.42, тогда как Qwen3.5-9B дает 28.94, а предыдущий LFM2.5-2.6B едва дотягивает до 3.02. На AutomationBench разрыв еще резче: 41.29 против 15.10 у Qwen и 0.94 у предшественника.
По вызовам функций (BFCL V4) - 71.39 против 62.83 у Qwen. Для агентных пайплайнов, где модель должна выбирать инструменты и передавать параметры, это реально важная цифра.
Но картина неоднородная. На MCP-Atlas LFM3-1.7B берет 32.57, а Qwen3.5-9B - 42.67. SWE-bench Verified: 43.40 против 51.20. GPQA Diamond: 63.37 против 80.40. RULER на 128K-контексте: 65.56 против 87.11. То есть на задачах с длинным контекстом, глубоком рассуждении и сложном коде Qwen пока держит преимущество.
Сама Liquid это не скрывает. В ответе VentureBeat компания написала прямо: "Крупные модели все равно выигрывают там, где размер имеет значение - агентное кодирование и насыщенные знанием задачи". В документации еще жестче: модель "не рекомендована для агентного кодирования или сложного многошагового рассуждения из-за малого размера".
Эта честность - редкость для AI-компаний на релизе.
Для кого это реально полезно
Liquid целится в корпоративный сегмент с повторяемыми рабочими процессами: маршрутизация запросов, извлечение данных из документов, инспекция изображений, управление бизнес-приложениями. Mercedes-Benz и Shopify названы партнерами, которые тестировали модели до релиза.
Для таких сценариев компактная модель, работающая локально на корпоративном сервере без отправки данных в облако - серьезный аргумент. Особенно для европейских компаний под GDPR или для тех, кто работает с чувствительными данными.
Liquid обучила текстовую модель работать внутри агентных фреймворков OpenClaw, Hermes Agent и Pi - это организация почты, планирование встреч, веб-исследования. Кастомизировать под свои нужды можно с одной GPU, что снижает порог входа для пилотного внедрения.
Цены и доступность
Для тех, кто предпочитает hosted-вариант: $0.08 за миллион входящих токенов и $0.20 за миллион исходящих. Кешированный ввод - $0.02. Для доступа к API нужно зарегистрироваться в консоли Liquid и получить учетные данные там же.
Открытые веса доступны для самостоятельного развертывания - условия использования и лицензионные ограничения стоит проверить в документации перед внедрением.
Что это значит на фоне рынка
Контекст такой: в нише до 3B параметров сейчас толпятся Qwen3.5-2B, Gemma 3 2B, Phi-3.5-mini и SmolLM2. Каждый из них оптимизирован под что-то свое. Liquid выбрала ставку на агентные задачи и браузерную автоматизацию - и по этим метрикам действительно обходит Qwen3.5-9B, модель в пять раз крупнее. Это нетривиальный результат.
Трехгибридная архитектура, по описанию Liquid, сочетает gated short convolutions, sliding-window attention и global attention. Как именно это сочетание влияет на поведение модели на длинных последовательностях - покажут независимые тесты.
Главный вопрос, который пока открыт: насколько цифры Liquid воспроизводимы в независимых тестах. Компания честно указала, что VentureBeat не проводил собственного тестирования. Сообщество уже начнет прогонять модели через стандартные бенчи - и через несколько недель будет видно, держатся ли заявленные показатели.
Пока же LFM3 выглядит как хорошо продуманный инструмент для конкретного класса задач, а не попытка сделать "GPT-4 в кармане". Это разумная позиция.
Похожие новости
OpenAI выпустила GPT-6.2 Astra и Sol: входные и выходные токены Astra в API на 20% дешевле, чем у GPT-6 Astra
OpenAI представила две модели: флагманскую GPT-6.2 Astra и экономичную GPT-6.2 Sol. Они доступны в ChatGPT Work, Codex и API и тратят меньше выходных токенов. В API Astra дешевле GPT-6 Astra: входные и выходные токены на 20% ниже, на кэшированные входные скидка 60%.
OpenAI показала агентов GPT-6 для клиник: Luna выполняет задачу за 8,5 цента
OpenAI предложила больницам и страховщикам GPT-6 Astra и Luna: агенты сами кликают по программам клиник и порталам страховых. Среди партнеров компании - CVS Health и Cigna Healthcare.
NVIDIA Vera Rubin NVL72 в MLPerf Endpoints: более 10x токенов на киловатт к GB300
В предварительных результатах MLPerf Endpoints v1.0 система Vera Rubin NVL72 выдала более чем в 10 раз больше токенов на киловатт, чем GB300 NVL72. Результаты еще не верифицированы MLCommons.