テキスト・音声など6種の小型モデル公開

LFM3は、短畳み込みとアテンションのハイブリッドが品質を犠牲にせず端末上で高速に動くことを示した先行のLFM2ファミリーの後継にあたる。LFM3ではこのアーキテクチャを、スマートフォンやRaspberry Pi 5からノートPC、クラウドCPU、GPU、Qualcomm Hexagon NPUまで14のデバイス・バックエンド構成を対象とするハードウェア・イン・ザ・ループ探索で再設計した。その成果が基盤モデルLFM3-1.7B-Baseであり、6モデルはすべてここから分岐する。

一貫した狙いは効率化だ。LFM3-1.7Bはパラメータ数を35%削減しながらLFM2.5-2.6Bを上回るとされ、特にエージェントタスクで差が大きい。WebArena-Verifiedでは3.02に対し38.42だ。視覚モデルは62の視覚ベンチマーク平均をLFM2.5-VL-3Bの57.6から71.4へ引き上げ、音声モデルはUTMOSv2の音声品質を3.22から3.83に改善した。マルチモーダルモデルは2つの新しい自社製エンコーダに支えられており、その一つLiquidCodecは生成トークンを音声に変換する音声トークナイザで、Apple M4 Maxの単一CPUスレッドで実時間の約87倍の速さで処理する。

発表はベンチマークにとどまらず導入にも触れる。Liquid AIはLFM3-VL-2Bを調整・ナビゲーション・操作の3つのロボティクスモデルに適応させた。操作モデルはLIBEROの4スイートで平均成功率96.2%を達成し、Jetson AGX OrinとTensorRT FP16上で50 ms未満で行動チャンクを生成する。短時間のファインチューニングで小規模モデルを特定タスクの信頼できる専門家に変え、端末からプライベート基盤、クラウドまで導入できるというのが訴えだ。