A Liquid AI apresentou o LFM3, uma família de seis modelos multimodais pequenos que nascem de uma base comum. A proposta é rodar tudo no próprio aparelho, sem passar por um servidor.
O que a Liquid AI anuncia com o LFM3
Nos dias 26 e 27 de outubro, a Liquid AI apresentou a nova geração dos seus Liquid Foundation Models, chamada LFM3. A empresa coloca a linha sob o rótulo de « specialized intelligence », ou seja, modelos feitos para um uso específico em vez de atender a tudo ao mesmo tempo.
A diferença em relação à geração anterior, o LFM2, está na construção. O LFM3 é multimodal desde o início. Texto, imagem e som não ficam em modelos separados: eles dividem uma mesma base. A primeira leva cobre a faixa de 2 bilhões de parâmetros, um tamanho leve o suficiente para caber num celular ou num notebook.
Seis modelos formam essa primeira leva. Todos descendem de um único modelo-base, batizado de LFM3-1.7B-Base. A lógica é simples: em vez de chamar um modelo grande e genérico, você escolhe um modelo pequeno que combine com a tarefa, faz o ajuste e roda no aparelho.
Seis modelos, uma única base
Quatro dos seis modelos cobrem as entradas. Há um para texto, um para imagem, um para som e um quarto, chamado omni, que lida com várias entradas ao mesmo tempo. Os dois últimos são modelos de decisão. Eles não partem do zero, mas derivam do modelo visual e do modelo omni.
Modelo | Entrada ou função |
|---|---|
LFM3 Text | texto escrito |
LFM3 Vision | imagens e cenas |
LFM3 Audio | som e fala |
LFM3 Omni | texto, imagem e som juntos |
LFM3 Decision (Vision) | decisões a partir de imagens |
LFM3 Decision (Omni) | decisões a partir de várias entradas |
A lógica se repete do começo ao fim. Em vez de um modelo único para todos os casos, a Liquid AI aposta em variantes especializadas com a mesma origem. Um aplicativo de câmera usa o modelo visual; um assistente de voz, o modelo de áudio. E uma máquina pequena que só precisa decidir recorre a um dos modelos de decisão.
Todos os seis foram treinados juntos. A base compartilhada deve permitir levar um ajuste de um modelo para os companheiros. Se isso funciona na prática, ainda é uma promessa.
A arquitetura em três tipos de camadas
Por dentro, a Liquid AI mudou a estrutura. Cada modelo tem 24 camadas, divididas em três famílias. Treze camadas são convoluções curtas com porta, filtros locais que captam padrões próximos no texto ou na imagem. O núcleo desses filtros passa de 3 para 7 em relação ao LFM2, o que amplia um pouco a vizinhança observada.
Cinco camadas usam atenção de janela deslizante, limitada a 256 tokens. Essa atenção olha apenas para um trecho curto da entrada, o que economiza cálculo em sequências longas. As seis camadas finais usam atenção global, que considera todo o contexto já visto.
Outras peças completam o conjunto: uma atenção com porta por cabeça, um RoPE parcial para a posição e uma normalização antes e depois dos blocos. A Liquid AI também reaproveitou o vocabulário do maior LFM2.5-8B-A1B. Suas 128 mil entradas foram pensadas para escritas não latinas, como o chinês ou o árabe.
O pré-treinamento consumiu 22 trilhões de tokens. Os últimos 3,5 trilhões entram numa fase intermediária, com dados de qualidade melhor. Ali há mais rastros de agentes e de chamadas a ferramentas, os exemplos em que um modelo planeja etapas e usa programas. Foi nessa etapa que o contexto subiu para 256 mil tokens.
Feito para rodar no aparelho
O LFM3 não mira os grandes data centers, mas o hardware que fica perto do usuário. Para garantir isso, a Liquid AI ampliou a busca pela arquitetura ideal a muitos aparelhos. No LFM2, o teste se limitava a um celular e um notebook. No LFM3, são 14 combinações de aparelho e motor de execução.
A lista inclui celulares como o Samsung Galaxy S26 Ultra e o OnePlus 15, um Raspberry Pi 5, notebooks com chip Apple M4 Max ou AMD Ryzen AI, processadores Arm e x86 na nuvem, além de placas de vídeo e a NPU Hexagon da Qualcomm. A promessa é um modelo que roda em todas essas máquinas sem adaptação.
Para quem desenvolve, esse é o ponto central do anúncio. Um modelo que mora no celular não precisa de rede e não envia nada para um servidor. Isso protege melhor os dados pessoais e funciona também onde o sinal é ruim.
Sem rede, sem servidor.
Os números que a Liquid AI apresenta
Um aviso antes dos números: tudo o que vem a seguir é da própria Liquid AI. Nenhum teste independente verificou esses valores até agora.
Segundo a empresa, o LFM3-1.7B empata com o menor LFM2-1.2B em pedidos curtos, mas é cerca de 25% mais rápido com contexto de 8 mil tokens. Nos três aparelhos testados, seria o modelo mais veloz do grupo, com geração de 1,8 a 2,8 vezes mais rápida que a do segundo colocado. Ele também gastaria a menor quantidade de memória.
O dado que chama atenção está no contexto longo. Para 128 mil tokens, o LFM3-1.7B pediria 1,6 GB de cache. Para comparar, a Liquid AI cita 4,3 GB no Qwen3.5-4B e 5,6 GB no MiniCPM5-2B. Numa única placa NVIDIA B300, com SGLang em BF16, até 3,6 bilhões de tokens por dia passariam com 1.024 requisições simultâneas.
Depois do treinamento vêm quatro etapas: um ajuste supervisionado com 1,75 trilhão de tokens, um aprendizado por reforço misto, uma destilação a partir de seis professores especializados e, por fim, um reforço voltado a tarefas de agente.
Nos testes de referência, a Liquid AI informa 71,39 pontos no BFCL V4 e 80,36 no ToolSandbox. Os dois medem a capacidade de um modelo de acionar ferramentas e seguir instruções. Em tarefas longas no navegador e em programas de escritório, medidas pelo WebArena-Verified e pelo AutomationBench, o LFM3-1.7B ficaria à frente do maior Qwen3.5-9B.
Onde esses modelos têm limites
Os números são altos, mas cobrem só uma parte do terreno. Para quem o LFM3 faz sentido, então? A própria Liquid AI escreve que modelos maiores seguem na frente em programação com agentes e em perguntas de conhecimento geral. Um modelo pequeno vence em velocidade, memória e proximidade do usuário, não em tudo.
Quem pretende usar o LFM3 para programação complexa deve conhecer essa fronteira. O modelo foi feito para tarefas de várias etapas que acionam ferramentas externas. Para conhecimento amplo ou código pesado, faltam parâmetros.
Uma segunda ressalva diz respeito à própria medição. Os valores de comparação vêm da mesma fonte que os resultados da casa. Como o LFM3 se sai diante do Qwen ou do MiniCPM num teste neutro ainda está em aberto.
Como testar o LFM3
Os pesos dos modelos de base e das versões ajustadas estão disponíveis desde já em três lugares: no Hugging Face, no Liquid Playground e na API da Liquid AI.
Com isso, o LFM3 interessa sobretudo a quem quer colocar um modelo pequeno dentro de um aparelho. Para um protótipo, dá para baixar hoje e testar num notebook ou numa placa barata. Saber se os ganhos de velocidade e memória se sustentam num projeto real só um teste no seu próprio código responde.
