Liquid AI hat mit LFM3 sechs kleine multimodale Modelle vorgestellt, die alle aus einem gemeinsamen Grundmodell hervorgehen. Sie sollen direkt auf Telefonen, Laptops und kleinen Rechnern laufen, nicht in der Cloud.
Was Liquid AI mit LFM3 vorstellt
Am 26. und 27. Oktober hat Liquid AI die nächste Generation seiner Liquid Foundation Models vorgestellt, kurz LFM3. Das Unternehmen ordnet die Reihe unter dem Begriff specialized intelligence ein. Gemeint sind Modelle, die für einen klaren Zweck gebaut sind, statt möglichst viele Aufgaben auf einmal abzudecken.
Der Unterschied zur Vorgängergeneration LFM2 steckt im Aufbau. LFM3 ist von Grund auf multimodal. Text, Bild und Ton liegen nicht in getrennten Modellen, sondern teilen sich eine gemeinsame Basis. Die erste Ausbaustufe deckt die 2-Milliarden-Parameter-Klasse ab, also Modelle, die klein genug für ein Telefon oder einen Laptop sind.
Sechs Modelle gehören zu dieser ersten Stufe. Alle zweigen von einem einzigen Grundmodell ab, das LFM3-1.7B-Base heißt. Die Idee dahinter: Wer eine Aufgabe lösen will, nimmt nicht ein großes Allzweckmodell, sondern ein passendes kleines, passt es an und lässt es auf dem Gerät laufen.
Sechs Modelle aus einem Ursprung
Vier der sechs Modelle decken die Eingaben ab. Es gibt je eine Variante für Text, für Bild, für Ton und eine omni genannte, die mehrere Eingaben zusammen verarbeitet. Die übrigen zwei sind Entscheidungsmodelle. Sie werden nicht von null trainiert, sondern aus dem Bildmodell und dem omni-Modell abgeleitet.
Modell | Eingabe oder Aufgabe |
|---|---|
LFM3 Text | geschriebener Text |
LFM3 Vision | Bilder und Szenen |
LFM3 Audio | Ton und Sprache |
LFM3 Omni | Text, Bild und Ton zusammen |
LFM3 Decision (Vision) | Entscheidungen auf Basis von Bildern |
LFM3 Decision (Omni) | Entscheidungen auf Basis mehrerer Eingaben |
Der Aufbau folgt einem Muster. Statt ein Modell für alle Fälle zu trainieren, setzt Liquid AI auf mehrere spezialisierte Varianten mit derselben Herkunft. Wer eine Kamera-App baut, greift zum Bildmodell. Wer einen Sprachassistenten baut, zum Tonmodell. Und wer auf einem kleinen Gerät nur eine Entscheidung treffen lassen will, nimmt eines der beiden Decision-Modelle.
Bemerkenswert ist, dass alle sechs zusammen entwickelt wurden. Die gemeinsame Basis soll dafür sorgen, dass sich eine Anpassung auf ein Modell auch auf die Geschwister übertragen lässt. Ob das in der Praxis so glatt klappt, muss sich zeigen.
Die neue Architektur: drei Schichtarten in einem Modell
Im Inneren hat Liquid AI umgebaut. Jedes der sechs Modelle besteht aus 24 Schichten, die sich auf drei Arten verteilen. 13 Schichten sind sogenannte gated short convolutions. Das sind kurze Faltungen, die lokale Muster erkennen. Der Faltungskern wächst von 3 auf 7, verglichen mit LFM2, sodass das Modell etwas weiter in die Nachbarschaft eines Wortes oder Bildpunkts schaut.
Fünf Schichten arbeiten mit sliding window attention. Diese Aufmerksamkeit blickt nur auf ein Fenster von 256 Token zurück. Das spart Rechenzeit, weil nicht bei jedem Schritt die gesamte bisherige Eingabe neu gewichtet wird. Die letzten sechs Schichten nutzen globale Aufmerksamkeit, die den ganzen bisherigen Kontext einbezieht.
Dazu kommen weitere Bausteine: eine kopfweise gesteuerte Aufmerksamkeit, ein teilweises RoPE-Verfahren zur Positionsbestimmung und eine Normalisierung vor und nach den Blöcken. Auch das Vokabular hat Liquid AI übernommen. Die 128.000 Einträge stammen aus dem größeren LFM2.5-8B-A1B und sind auf nichtlateinische Schriften zugeschnitten, etwa auf Chinesisch oder Arabisch.
Vortrainiert wurde auf 22 Billionen Token. Die letzten 3,5 Billionen davon liefen als sogenanntes Mid-Training mit besserem Datenmaterial. Darin stecken mehr Spuren von Agentenarbeit und Werkzeugaufrufen, also Beispiele, in denen ein Modell selbst Schritte plant und Hilfsmittel nutzt. In dieser Phase wuchs der Kontext auf 256.000 Token.
Für den Betrieb auf dem Gerät gebaut
LFM3 ist nicht für große Rechenzentren gedacht, sondern für Hardware, die nah am Nutzer steht. Um das abzusichern, hat Liquid AI die Suche nach der passenden Architektur auf viele Geräte ausgeweitet. Bei LFM2 standen ein Telefon und ein Laptop zur Verfügung. Bei LFM3 sind es 14 Kombinationen aus Gerät und Backend.
Dazu zählen Telefone wie das Samsung Galaxy S26 Ultra und das OnePlus 15, ein Raspberry Pi 5, Laptops mit Apples M4 Max und mit AMDs Ryzen AI, Arm- und x86-Prozessoren in der Cloud sowie Grafikkarten und der Hexagon-NPU von Qualcomm. Der Anspruch lautet: ein Modell, das auf all diesen Geräten ohne Umbau läuft.
Für Entwickler ist das der eigentliche Kern der Ankündigung. Ein Modell, das auf einem Telefon sitzt, braucht keine Netzverbindung und schickt keine Daten an einen Server. Das ist datenschutzfreundlich und funktioniert auch dort, wo der Empfang schlecht ist.
Kein Netz, kein Server.
Was Liquid AI an Leistung angibt
Zu den Messwerten ist ein Hinweis wichtig: Alle Zahlen in diesem Abschnitt stammen von Liquid AI selbst. Eine unabhängige Prüfung gibt es bislang nicht.
Nach Angaben des Unternehmens liefert LFM3-1.7B bei kurzen Eingaben dasselbe Ergebnis wie das kleinere LFM2-1.2B, ist bei 8K-Kontext aber rund 25 Prozent schneller. Auf den drei getesteten Geräten sei es das schnellste Modell der Vergleichsgruppe, mit einer Dekodiergeschwindigkeit, die 1,8- bis 2,8-mal über der des Zweitplatzierten liegt. Der Arbeitsspeicherbedarf sei der niedrigste in der Gruppe.
Auffällig ist der Verbrauch bei langem Kontext. Für 128K Kontext benötigt LFM3-1.7B laut Hersteller 1,6 GB für den Zwischenspeicher. Zum Vergleich nennt Liquid AI 4,3 GB für Qwen3.5-4B und 5,6 GB für MiniCPM5-2B. Auf einem einzelnen NVIDIA B300 mit SGLang in BF16 sollen bei 1.024 gleichzeitigen Anfragen bis zu 3,6 Milliarden Token pro Tag durchlaufen.
Nach dem Training folgen vier Stufen: eine überwachte Feinabstimmung auf 1,75 Billionen Token, ein gemischtes bestärkendes Lernen, eine Destillation aus sechs spezialisierten Lehrern und schließlich bestärkendes Lernen für Agentenaufgaben.
Bei den Benchmarks nennt Liquid AI etwa 71,39 Punkte im BFCL V4 und 80,36 im ToolSandbox. Beide messen, wie zuverlässig ein Modell Werkzeuge aufruft und Anweisungen befolgt. In langen Aufgaben im Browser und in Büroanwendungen, gemessen mit WebArena-Verified und AutomationBench, will LFM3-1.7B das größere Qwen3.5-9B schlagen.
Wo die Grenzen liegen
Die Zahlen sind hoch, aber sie decken nur einen Teil ab. Liquid AI schreibt selbst, dass größere Modelle bei Programmieraufgaben mit Agenten und bei Wissensfragen weiter vorn liegen. Kleine Modelle gewinnen bei Tempo, Speicher und Nähe zum Nutzer, nicht bei allem.
Für wen lohnt sich LFM3 dann? Für Aufgaben, die mehrere Schritte planen und fremde Werkzeuge ansteuern, ist das Modell gedacht. Wer es für komplexe Programmierarbeit einplant, sollte die Grenze kennen. Für breites Fachwissen oder schweren Code fehlen ihm schlicht die Parameter.
Ein zweiter Vorbehalt betrifft die Messung selbst. Die Vergleichswerte kommen aus der gleichen Quelle wie die eigenen Ergebnisse. Wie LFM3 im direkten, unabhängigen Test gegen Qwen oder MiniCPM abschneidet, ist offen.
Wie man LFM3 nutzt
Die Gewichte der Grund- und der nachtrainierten Modelle stehen ab sofort an drei Stellen bereit: auf Hugging Face, im Liquid Playground und über die Liquid AI API.
Damit ist LFM3 vor allem für Entwickler interessant, die ein kleines Modell direkt auf ein Gerät bringen wollen. Wer einen Prototyp baut, kann das Modell heute herunterladen und auf einem Laptop oder einem Ein-Platinen-Rechner ausprobieren. Ob die versprochenen Vorteile bei Tempo und Speicher im eigenen Projekt halten, lässt sich nur im Test klären.
