Liquid AI brengt zes open-weight LFM3-modellen uit

LFM3 bestaat sinds 27 oktober uit zes open-weight modellen rond 2 miljard parameters voor tekst, beeld, audio en beslissingen op één gedeelde basis, meldt Liquid AI.

Een 4-bit-versie van het tekstmodel neemt volgens Liquid AI ongeveer 1 GB in. Dat verlaagt de drempel voor een lokale proef op een geschikte telefoon of laptop. De commerciële gebruiksrechten trekken tegelijk een grens bij 10 miljoen dollar jaaromzet, waardoor een bedrijf en zijn grotere klant niet vanzelf dezelfde ruimte hebben.

Eén basis vertakt naar zes taken

De eerste release vertakt vanuit LFM3-1.7B-Base naar zes varianten. LFM3-1.7B is bedoeld voor tekst, LFM3-VL-2B voor beeld en video, LFM3-Audio-2B voor spraak en LFM3-Omni-2B voor gecombineerde invoer. De overige twee, d1-2B en d1-Omni-2B, zijn bedoeld voor vaste beslissingen. De twee d1-modellen beantwoorden meerdere vragen over een ticket, factuur, foto of scherm in één doorgang, met een waarschijnlijkheid bij elk antwoord. Ze geven gestructureerde uitkomsten terug in plaats van een vrij gesprek.

Liquid trainde de basis op 22 biljoen tokens. De 24 lagen combineren dertien korte convolutielagen, vijf lagen met schuivende aandacht en zes met globale aandacht. Voor de tekstvariant noemt het bedrijf een contextvenster van 256.000 tokens. Bij 8.000 tokens in de context zou LFM3-1.7B per parameter ongeveer 25 procent sneller zijn dan LFM2-1.2B. Die snelheid komt uit metingen van Liquid AI zelf.

De hardwaretests omvatten veertien combinaties van telefoons, een Raspberry Pi 5, laptops, cloud-CPU’s, GPU’s en de Qualcomm Hexagon-NPU. Liquid zegt dat de gewichten vanaf de introductie te downloaden zijn via Hugging Face en dat de modellen ook in zijn Playground en API staan. Elk model kan volgens het bedrijf op één GPU worden bijgetraind voor een eigen domein of werkwijze.

Open gewichten hebben een omzetgrens

De modelkaarten gebruiken LFM Open License v1.0. Ook LFM3-VL-2B valt onder deze licentie, net als LFM3-Audio-2B, LFM3-Omni-2B, d1-2B en d1-Omni-2B. Volgens Liquid is commercieel gebruik gratis zolang de relevante juridische entiteit minder dan 10 miljoen dollar jaaromzet heeft. Bij 10 miljoen dollar of meer is een aparte commerciële licentie nodig.

Die grens geldt ook voor aangepaste modellen en omvat volgens Liquid entiteiten die met elkaar verbonden zijn door zeggenschap. Een leverancier die de gewichten aan een klant doorgeeft, moet de klant afzonderlijk beoordelen: diens omzet bepaalt of commercieel gebruik onder de gratis licentie valt. Onderzoek, tests en evaluatie mogen zonder commerciële licentie, maar gebruik in een bedrijfsproces kan volgens Liquid wel als commercieel tellen. Fine-tunes mogen gesloten blijven; de licentie heeft geen copyleft-verplichting.

Google biedt met Gemma 4 een parallelle route voor lokale inzet. De reeks telt vier formaten en valt onder Apache 2.0, waaronder de E2B- en E4B-modellen voor apparaten aan de rand van het netwerk. Die verwerken beeld en video, en de twee kleinere modellen ondersteunen ook audio. Dat is een ander commercieel kader dan Liquid’s omzetgrens.

De modellen zijn ook via de Liquid API beschikbaar, maar de openbare prijspagina noemt tarieven voor d1, d1-ultra en LFM2.5-24B, niet voor LFM3. Een organisatie kan de nieuwe gewichten dus lokaal testen, terwijl de publieke lijst nog geen basis geeft om de beheerde API met die lokale inzet op prijs te vergelijken.

De gemiddelde score verbergt taakverschillen

Liquid AI rapporteert voor LFM3-1.7B een gemiddelde score van 49,37 over 29 benchmarks, tegenover 47,24 voor Qwen3.5-9B. MarkTechPost noemt dezelfde 49,37 tegenover 47,24 over 29 benchmarks en duidt de scores aan als Liquid’s eigen evaluatie. Het is verslaggeving over dezelfde scorekaart, geen tweede benchmarkrun. Op de lange-contexttest RULER 128K haalt LFM3 65,56, terwijl Qwen3.5-9B op 87,11 uitkomt. De modelkaart van Liquid zegt dat LFM3 niet bedoeld is voor agentisch programmeren en ingewikkelde meerstapsredeneringen.

Bij 128K context noemt Liquid 1,6 GB KV-cache, tegenover 4,3 GB voor Qwen3.5-4B en 5,6 GB voor MiniCPM5-2B. Naast de circa 1 GB modelruimte bij 4-bit komt dat voor LFM3 rekenkundig op ongeveer 2,6 GB voor model en cache, exclusief runtime en de toepassing.

In Liquid’s eigen windturbineproef haalt het bijgetrainde model 66,5 procent defectclassificatie op 1.372 testfoto’s, tegenover 9,2 procent voor het basismodel. Voor het vinden én juist afbakenen van defecten was de F1-score 0,106. Het model vond 190 van de 2.030 gemarkeerde defecten met zowel het juiste type als het juiste kader.

Die proef bevatte alleen foto’s van defecte turbinebladen. De opzet kan daarom niet meten hoeveel foutmeldingen het model zou geven bij gezonde bladen. De sprong in classificatie is concreet, maar zegt op zichzelf nog niet of een inspectieproces veilig zonder menselijke controle kan draaien.

Liquid schuift van kleine tekstmodellen naar multimodaal

In juni bracht Liquid al een tekstmodel van 230 miljoen parameters uit dat lokaal op een telefoon of Raspberry Pi data uitleest. Dat model richtte zich op extractie en lichte tooltaken. Op 15 oktober volgde d1-ultra via een beheerde API voor $0,042 per miljoen invoertokens, een beslismodel voor tekst en beeld.

LFM3 brengt die twee lijnen samen in een bredere modelkeuze: kleine tekstmodellen, meerdere invoervormen en beslissingen met vaste antwoorden komen nu uit één familie met downloadbare gewichten. Voor Nederlandse organisaties ligt de praktische toets in drie dingen: past het model op beschikbare hardware, dekt de licentie leverancier én klant, en haalt het de vereiste nauwkeurigheid op eigen gegevens? Pas dan blijkt of een lokale proef productie kan worden.