LFM3: модель на 1,7 млрд параметров обошла Qwen3.5 9B в агентных задачах
Стартап Liquid AI, созданный разработчиками из MIT, выпустил семейство моделей LFM3 с открытыми весами. В отличие от классических решений на полностью трансформерной архитектуре, модели используют гибридный подход, рассчитанный в том числе на снижение требований к памяти.
В первую серию вошли шесть моделей примерно на 2 млрд параметров: текстовая LFM3-1.7B, визуальная LFM3-VL-2B, голосовая LFM3-Audio-2B, омнимодальная LFM3-Omni-2B, а также две модели для принятия решений — d1-2B и d1-Omni-2B. Их общая основа — LFM3-1.7B-Base, обученная на 22 трлн токенов.
Гибридная архитектура экономит память
В обычном трансформере каждый слой сопоставляет новый токен с предыдущими и хранит KV-кэш. По мере увеличения контекста этот кэш растёт и становится одним из главных потребителей видеопамяти.
В LFM3 полноценно работают с контекстом только шесть из 24 слоёв. Ещё пять используют окно размером 256 последних токенов, а остальные 13 построены на коротких свёртках, учитывающих текущий токен и шестерых соседей. Их память не увеличивается пропорционально длине текста. В результате KV-кэш, по данным Liquid AI, занимает около 27% от объёма, необходимого обычной архитектуре. Контекст модели расширили до 256 тысяч токенов на отдельном этапе обучения, использовав ещё 3,5 трлн токенов.
Сильная сторона — агентные сценарии
В опубликованных Liquid AI результатах LFM3-1.7B заметно опережает Qwen3.5 9B в задачах, связанных с использованием инструментов. В тесте BFCL V4 на вызов функций модель получила 71,4 балла против 62,8 у Qwen3.5 9B. В WebArena-Verified, где агент выполняет действия в браузере, результат составил 38,4 против 28,9. На IFEval, проверяющем следование инструкциям и формату ответа, LFM3 набрала 96,7 балла.
Однако преимущество не распространяется на задачи, где важны широкие знания и сложное рассуждение. В GPQA Diamond компактная модель получила 63,4 балла против 80,4 у Qwen3.5 9B, а в SWE-bench Verified — 43,4 против 51,2. Это указывает на специализацию LFM3: модель хорошо подготовлена к структурированным действиям и вызову инструментов, но не заменяет более крупные системы в роли универсального интеллектуального помощника. Представленные показатели пока заявлены самой компанией и не подтверждены независимыми воспроизведениями.
Мультимодальные версии и запуск
Визуальная LFM3-VL-2B набрала в среднем 71,4 балла по 62 тестам на понимание изображений. Это близко к результату Gemma 4 12B с 71,7 балла и выше показателя Qwen 3.5 2B, набравшей 64 балла. Собственный визуальный энкодер модели содержит 164 млн параметров. Голосовая версия при этом уступает Voxtral Mini по показателю WER на английском: 6,2 против 5,5.
Порог для локального запуска у текстовой версии невысокий. В четырёхбитной квантизации она занимает около 1 ГБ. Для развёртывания заявлена совместимость с Transformers, vLLM и SGLang, включая интерфейс, совместимый с API OpenAI. Также доступны варианты для llama.cpp, Ollama и LM Studio, а Liquid AI заявляет поддержку MLX и NPU Qualcomm. Для дообучения опубликованы ноутбуки под SFT, DPO и GRPO; обучение, по данным разработчиков, можно проводить на одной видеокарте.
Производительность и ограничения лицензии
В тесте на одном ускорителе B300 при 1024 параллельных запросах LFM3-1.7B генерировала около 3,6 млрд токенов в сутки — примерно 42 тысячи токенов в секунду. Такой профиль может быть интересен для классификации обращений, извлечения полей из документов и маршрутизации запросов между агентами, где не требуется глубокое рассуждение.
Отдельное внимание потребуется уделить лицензии LFM Open License v1.0. Согласно опубликованным условиям и оценкам отраслевых обозревателей, компаниям с годовой выручкой свыше 10 млн долларов может понадобиться отдельное коммерческое соглашение с Liquid AI. Для крупных российских интеграторов и банков это означает необходимость заранее проверить условия использования и согласовать их до запуска проекта.
Таким образом, LFM3 занимает промежуточную нишу между облачными API и более тяжёлыми локальными моделями. Если агент в основном вызывает инструменты и работает по заданному формату, LFM3-1.7B имеет смысл проверить на собственных сценариях. Для задач, требующих энциклопедических знаний, генерации сложного кода и многошагового рассуждения, более крупные модели пока остаются предпочтительным выбором.
