LFM3, keluarga model kecil open-weight dari Liquid AI yang jago agentic

Liquid AI merilis LFM3, keluarga model kecil open-weight yang berbagi satu backbone. Gelombang pertamanya berpusat pada model sekitar 2 miliar parameter yang mencakup teks, vision, audio, satu model omni, dan dua model decision, semuanya bercabang dari basis LFM3-1.7B yang sama. Janjinya adalah kecerdasan terspesialisasi yang jalan secara lokal: model teksnya muat di sekitar 1 gigabyte pada presisi 4-bit, tiap model bisa di-fine-tune pada satu GPU, dan context 128K token penuh hanya butuh KV cache 1,6 GB, dibanding 4,3 GB untuk Qwen3.5-4B.

Arsitekturnya adalah bagian yang menunjukkan kerja serius. LFM3 memakai desain "tri-hybrid" berisi 24 layer: 13 layer gated short-convolution, 5 layer sliding-window attention, dan 6 layer global attention, hasil pencarian hardware-in-the-loop. Pada tabel benchmark Liquid, model 1.7B mencetak rata-rata keseluruhan 49,37, di atas Qwen3.5-9B yang 47,24, dan terutama kuat pada tugas agentic seperti tool calling (BFCL V4 71,39) serta instruction following (IFEval 96,66). Model ini lemah di tempat yang bisa ditebak untuk ukuran kecil, tertinggal dari model lebih besar pada coding (SWE-bench Verified 43,40 lawan 51,20) dan pengetahuan (GPQA Diamond 63,37 lawan 80,40).

Liquid menyebut basisnya di-pre-train pada 22 triliun token, dengan tahap akhir menambahkan jejak agentic dan tool call, lalu di-post-train lewat supervised fine-tuning, reinforcement learning campuran, distilasi dari enam teacher spesialis, dan agentic RL di harness nyata. Satu uji beban menjalankan lebih dari 300.000 agent paralel pada arsip email Enron. Rinciannya ada di pengumuman Liquid.

Kenapa ini penting

Kalau kamu membangun agent on-device atau bervolume tinggi, model 2B yang mengalahkan 9B pada tool calling sambil memakai sepertiga memori mengubah apa yang bisa kamu jalankan dengan murah. Uji benchmark agentic-nya pada tugasmu sendiri, karena skor coding dan pengetahuannya masih berpihak ke model yang lebih besar.