Liquid AIは10月26日から27日にかけて、新しいモデル群「LFM3」を公開した。テキスト、視覚、音声、そして判断までを1つの基盤から分けた6つの小型モデルである。重みはHugging Faceなどで誰でも入手できる。
Liquid AIのLFM3とは、1つの基盤から6つに分かれる
Liquid AIはLFM3を「特化型の知能」と位置づける。1つの巨大なモデルを全員で使うのではなく、場面に合う1つを選び、手を加え、端末の上で動かす。その考え方を形にしたのが今回のラインアップだ。
6つのモデルは、すべて同じ基盤「LFM3-1.7B-Base」から枝分かれしている。うち4つは入力の違いを担う。テキスト、視覚、音声、そして複数をまとめて扱うomniだ。残る2つは、視覚とomniから特化させた判断用のモデルになる。最初の版は2Bクラスにそろえた。
同じ親から分ける利点は、作り手が覚えることが減ることにある。1つの基盤を理解すれば、他のモデルにも応用が効く。
なぜ小型モデルを端末で動かすのか
クラウドに投げれば、大きなモデルを使える。それでも端末に置く意味はある。通信の往復が消えれば反応は速くなる。写真や音声を外に出さずに済む。電波の届かない場所でも動く。使うほど通信費が膨らむ場面も減る。
すべてを端末に寄せる必要はない。よく使う処理だけを手元に置き、重い判断はクラウドに回す。LFM3は、その手前側を担う想定だ。
三混合の新アーキテクチャ、24層の中身
LFM3は層の組み方を変えた。24層を3種類に分ける。13層は門付きの短い畳み込みで、カーネルの大きさは前世代の3から7に広げた。5層は窓を256トークンに限った注意機構、残る6層が全体を見渡す注意機構である。
この組み合わせを三混合と呼ぶ。局所的な模様を拾う層と、離れた情報をつなぐ層を混ぜ、計算を軽くしながら文脈を保つ狙いがある。加えて、頭ごとの門、部分的な位置情報、層の前後を整える正規化を組み込んだ。
語彙は前世代の8B級モデルから引き継ぎ、12万8000語を持つ。ラテン文字以外の言語を扱うときに効率が上がる。日本語のように文字種の多い言語にとっては、地味だが効く部分だ。
22兆トークンの学習と、端末をまたぐ探索
学習に使ったのは22兆トークン。最後の3.5兆トークンは中間学習にあて、質の高いデータを多めに入れた。道具を呼ぶ手順や、複数の段取りを踏む会話の記録を増やし、扱える文脈は25万6000トークンまで広げている。
設計の面白さは、動かす先を広く探した点にある。前世代では携帯1台とノート1台で試した。今回は14種類の端末と実行環境に広げた。Samsung Galaxy S26 UltraやOnePlus 15といった携帯、Raspberry Pi 5、Apple M4 MaxやAMD Ryzen AIを載せたノート、Armとx86のクラウドCPU、GPU、QualcommのHexagon NPUまで並ぶ。
端末ごとに得意不得意がある。同じモデルをどこでも同じ速さで動かすのは難しい。だから候補を広く測り、実装を合わせ込む。この地味な作業が、小型モデルの使い勝手を決める。測定の対象を広げたのは、実装の差が大きいからだ。同じモデルでも、載せる機械で速さは変わる。
6つのモデルをどう使い分けるか
では、実際にどれを選べばいいのか？選び方は用途で決まる。文章と指示が中心ならテキスト版。写真や図を読ませるなら視覚版。音声を直接扱うなら音声版。画像と音声を同時に渡すならomni版になる。
判断用の2つは、視覚とomniから作った。画面を見て次の操作を決める、業務アプリの手順を選ぶ、といった用途を想定する。チャットの応答ではなく、行動の選択に向けた作りだ。
Liquid AIは、1つの万能モデルを追わないと明言する。用途を絞り、自前のデータで微調整し、端末に置く。この流れを前提にしている。
同社が示した数字、その読み方
Liquid AIが公表した数字は多い。ただしすべて同社の申告であり、第三者の追試はまだない。
同社によると、LFM3-1.7Bは短い入力では前世代の1.2Bと同等で、8000トークンの文脈では約25%速い。端末上の速さは3つの機器で最速をうたい、2位に1.8倍から2.8倍の差をつけたとする。25万6000トークンを扱うときのメモリは1.6GBで、競合のQwen3.5-4Bが4.3GB、MiniCPM5-2Bが5.6GBだと並べる。
サーバー側では、NVIDIA B300を1枚使った構成で、1024件の同時要求を回して1日36億トークンに届くとしている。学習の後半は4段階に分け、教師役のモデルから学ばせる蒸留も取り入れた。
指示追従と関数呼び出しの成績も挙げる。関数呼び出しを測るBFCL V4で71.39、道具を使う多段の作業を測るToolSandboxで80.36。いずれも同社の申告値で、他社と条件を揃えた比較ではない。
数字は魅力的だ。だが条件を揃えた比較かどうかは、外からは分からない。まずは自分の端末と用途で測るのが確実である。
大きいモデルに勝てない領域
同社も限界を認めている。指示への追従や関数呼び出しでは先行する一方、コーディングや知識を問う作業では、より大きなモデルが依然として強い。ここを伏せると、小型モデルの実力を見誤る。
得意なのは、長い手順をブラウザや業務アプリでこなす作業だと同社は説く。苦手なのは、深い専門知識や複雑なコードの生成だ。用途で線を引くのが正しい読み方になる。
同社の主張をそのまま信じる必要はない。同じ入力で比べ、自分の用途で測る。小型モデルの価値は、そうした地味な確認の積み重ねで決まる。
小型モデルの競争はどこへ向かうのか
この分野では、大きさより置き場所が競争の軸になりつつある。同じ精度を、より小さく、より速く、より安く動かす。その競争は、端末の性能と、モデルの設計の両方で進む。
Liquid AIは2Bクラスに絞った。だが、用途によっては物足りない場面もある。そのときは大きなモデルと組み合わせる。1つで全部を賄うのではなく、役割を分ける発想が前提にある。
利用者にとっての分かれ目は、何を手元で済ませたいかだ。文章の下書きや写真の整理なら小型で足りる。難しい推論や、幅広い知識が要る作業は、まだ大きなモデルが向く。線引きを見誤らなければ、小型モデルは十分に使える。
オープンウェイトで何が変わるか
重みが公開されると、選ぶ側の自由度が上がる。通信を外に出さずに端末で動かせる。自前のデータで微調整できる。費用も読める。クラウドに毎回投げる形と比べ、使うほど差が出る場面がある。
一方で、面倒も増える。端末ごとの調整、更新の追従、品質の見極めは利用者側に移る。手軽さと引き換えに、自分で面倒を見る覚悟が要る。
微調整のしやすさも売りになる。用途を絞った小さなモデルは、手元のデータで調整しやすい。大きなモデルを丸ごと変えるより、差分を当てる形が現実的だ。ただし調整には相応の知識が要る。
LFM3は、小型で特化したモデルを現場に置く流れを後押しする。まずはHugging Faceで重みを落とし、手元の端末で1つ動かしてみる。速さと精度が自分の用途に合うかは、その一歩で見えてくる。公開された重みは、検証の入り口でもある。誰でも同じ条件で試せる点が、宣伝との距離を測る助けになる。
