Ir para o conteúdo
FrontierDot

Linha do tempo LFM3 da Liquid: seis modelos ~2B, um tri-híbrido (27 out. 2026)

Linha do tempo em atualização · última atualização · 2 entradas no registro de alterações

Em 27 de outubro a Liquid publicou seis modelos LFM3 em torno de 2B, pesos no Hugging Face no mesmo dia. Leia como uma família de executores de borda. As linhas de ferramentas são reportadas pela Liquid. O nome da licença é LFM Open License v1.0.

Linha do tempo

A Liquid AI lançou o LFM3 em 27 out. 2026 como seis checkpoints open-weight em torno de 2B, a partir de LFM3-1.7B-Base, sob a LFM Open License v1.0. O arquivo LICENSE define um Threshold de uso comercial de $10,000,000 de receita anual. As pontuações de ferramentas no card são reportadas pela Liquid, e o card diz que o modelo de texto 1.7B não é recomendado para código agêntico nem raciocínio complexo de vários passos.

Lido em 2026-10-29 (UTC+8): o blog da Liquid de 27 out. em liquid.ai/blog/lfm3 (incluindo a frase de 1.6 GB de cache KV), o blog do Hugging Face “Build specialized multimodal models with LFM3” (Published October 27, 2026), o card LiquidAI/LFM3-1.7B, o LICENSE (LFM Open License v1.0), o guia de licença da Liquid (last updated October 15, 2026), a thread do Hacker News item?id=50262229, a PR llama.cpp #31252, as notas do Ollama v0.40.12 e o post Introducing LFM3 de @liquidai (created 2026-10-27T17:07:45.000Z). Horários do X em UTC. Arquitetura e pontuações: reportadas pela Liquid. Não executamos os modelos.

Linha do tempo

  1. A Liquid AI publica “Introducing LFM3: Every Modality for Specialized Intelligence”, datado OCT 27, 2026. O texto descreve uma família multimodal na faixa 2B, ramificada de LFM3-1.7B-Base, uma arquitetura tri-híbrida nova, 22T tokens de pré-treino, uma janela de 256K para o modelo de texto, cerca de 1 GB em 4-bit, e seis modelos: LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B, d1-2B e d1-Omni-2B. Diz que os modelos base e pós-treinados estão em open-weight no Hugging Face, no Playground da Liquid e na API Liquid AI.

    Liquid AI blog: Introducing LFM3

  2. O pull request do llama.cpp #31252, que adiciona LiquidAI/LFM3-1.7B e LiquidAI/LFM3-VL-2B, foi mesclado. O GitHub registra o merge em 2026-10-27T16:06:41Z. O request diz que a entrada de vídeo virá depois. Não compilamos o llama.cpp em 29 out.

    llama.cpp PR #31252 (LFM3 text and VL)

  3. Às 17:07:45 UTC a conta oficial @liquidai publica “Introducing LFM3…” no X, alinhada ao anúncio do blog do mesmo dia.

    Liquid AI on X: Introducing LFM3 (Oct 27)

  4. O Hugging Face publica “Build specialized multimodal models with LFM3”, marcado Published October 27, 2026. O texto repete a família de seis modelos, o tri-híbrido, 22T e 256K, e liga a coleção LFM3 e os cards.

    Hugging Face blog: Build specialized multimodal models with LFM3

  5. As notas do Ollama v0.40.12 listam LFM3 de texto, VL, áudio e omni, e dizem que lfm3 e d1 2b têm suporte em hardware Apple nessa versão, com Linux e Windows descritos como coming soon. Lemos essas notas e a página da biblioteca em 29 out. Não baixamos o modelo e não lemos cada pré-release posterior.

    Ollama v0.40.12 release notes

  6. Ao consultar a API do repositório LiquidAI/LFM3-1.7B, lastModified era aproximadamente 2026-10-28T17:16:37Z. A data do anúncio público continua 27 out. 28 out. é um carimbo de atualização de card ou de pesos.

    Hugging Face: LiquidAI/LFM3-1.7B model card

O que a Liquid entregou em 27 de outubro

O post da Liquid enquadra o LFM3 como a geração seguinte de Liquid Foundation Model para inteligência especializada: multimodal, com texto, visão, áudio, omni e modelos de decisão num mesmo esqueleto. A primeira entrega cobre modelos em torno de 2B parâmetros. A Liquid diz que os pesos estão em open-weight no mesmo dia no Hugging Face, no Playground e na API Liquid AI, e aponta a documentação de execução local e fine-tuning.

Os seis checkpoints nomeados são LFM3-1.7B (texto), LFM3-VL-2B (visão, incluindo entrada de vídeo pela primeira vez num modelo de visão LFM), LFM3-Audio-2B, LFM3-Omni-2B (o primeiro modelo omni da Liquid), mais os modelos de decisão d1-2B e d1-Omni-2B. A tabela do Hugging Face escreve o último como d1-omni-2B. As duas grafias referem o modelo de decisão com áudio, construído sobre LFM3-Omni-2B. A Liquid reporta que LFM3-1.7B fica acima de LFM2.5-2.6B na comparação de destaque da própria Liquid, com 35% menos parâmetros, que o texto cabe em cerca de 1 GB em 4-bit, e que cada modelo pode ser ajustado numa única GPU. São alegações do fornecedor. Não as reproduzimos.

Parceiros do dia citados no post da Liquid incluem Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via Qualcomm AI Hub e GenieX, e Vercel; Mercedes-Benz e Shopify aparecem em testes pré-lançamento. Nomes do ecossistema na mesma página incluem Hugging Face, llama.cpp, LM Studio, MLX, Ollama, vLLM e outros. A Front lista isso como a linha de parceiros da Liquid. Uma página de runtime com data decide o suporte de uma pilha.

Arquitetura, como a Liquid descreve

A Liquid descreve uma pilha tri-híbrida para LFM3-1.7B-Base: 24 camadas, com 13 convoluções curtas com porta (kernel 7, ante 3 no LFM2), 5 camadas de atenção de janela deslizante com janela de 256 tokens, e 6 camadas de atenção global. O card do Hugging Face lista 1.73B parâmetros para o texto pós-treinado, um contexto de 256K tokens (entrada mais saída) e um vocabulário de 128,000 tokens compartilhado com LFM2.5-8B-A1B. O blog acrescenta atenção com porta por cabeça, RoPE parcial nas camadas globais e sandwich norm.

O pré-treino está indicado em 22T tokens, com um mid-training final de 3.5T que sobe a janela para 256K e aumenta a parcela de traços agênticos e chamadas de ferramenta. O pós-treino tem quatro etapas: fine-tuning supervisionado, aprendizado por reforço misto, destilação on-policy multidomínio e RL agêntico dentro de harness reais. Para dimensionar telefone ou notebook, a Liquid destaca cerca de 1 GB em 4-bit e a janela 256K. Quem lê as tabelas trata cada linha como reportada pela Liquid até um terceiro rerodar o mesmo harness.

O mesmo blog da Liquid diz que um contexto completo de 128K tokens precisa de 1.6 GB de cache KV para o modelo de texto, e nessa frase nomeia 4.3 GB para Qwen3.5-4B e 5.6 GB para MiniCPM5-2B. 256K é o comprimento de contexto publicado. Cerca de 1 GB é o discurso do peso em 4-bit. O cache é extra, e uma janela 256K passa do número de cache 128K que a Liquid imprimiu. Não medimos o cache KV. Visão e áudio têm notas de encoder próprias: um encoder de visão da Liquid descrito com menos compute que o caminho anterior SigLIP2, e um caminho de áudio com encoder causal mais LiquidCodec para fala.

Licença: LFM Open License v1.0

O card LFM3-1.7B nomeia a licença LFM Open License v1.0. Lemos esse arquivo LICENSE em 29 out. 2026. A seção 1 define “Threshold” como receita anual de 10 million de dólares dos Estados Unidos ($10,000,000) ou mais. A seção 5 diz que os direitos de uso comercial sob esta licença estão condicionados a não ultrapassar essa Threshold, e que o uso comercial por uma entidade jurídica que a ultrapassa não está licenciado pelo acordo. Organizações sem fins lucrativos qualificadas, como o arquivo as define, estão na seção 5(c) para fins não comerciais ou de pesquisa. Apache 2.0 e MIT são outros textos de licença.

O guia do usuário da LFM Open License da Liquid, marcado last updated October 15, 2026, enuncia o mesmo limiar na linguagem da Liquid: uso comercial grátis abaixo de $10 million USD de receita anual, e uma licença comercial separada a partir de $10 million USD, via sales@liquid.ai. O guia é a explicação da Liquid dos próprios termos. Não é aconselhamento jurídico da FrontierDot. Leia o arquivo LICENSE e o guia antes de enviar um produto, ajustar para um serviço pago ou hospedar os pesos.

“Open-weight” nas páginas da Liquid significa que os checkpoints podem ser baixados e que a empresa diz que você pode ajustá-los e implantá-los. O limiar comercial vive no arquivo LICENSE e nesse guia. A disponibilidade no Hugging Face e o nome LFM Open License v1.0 se leem juntos.

Pontuações, como a Liquid as reporta

O blog da Liquid e o card LFM3-1.7B publicam uma tabela ampla de agentes, ferramentas, código, seguir instruções, conhecimento e contexto longo contra LFM2.5-2.6B, MiniCPM5 2B, Gemma 4 E4B, Qwen3.5 4B e Qwen3.5 9B. Exemplos à frente do card: LiveClaw 45.60, WebArena-Verified 38.42, BFCL V4 71.39, ToolSandbox 80.36, SWE-bench Verified (OpenCode) 43.40 e uma Average sem peso de 49.37. A mesma linha Average lista Qwen3.5 9B em 47.24. Pontuações de visão, áudio, omni e decisão estão nos cards respectivos e no blog de lançamento. O card diz que o modelo de texto não é recomendado para código agêntico nem raciocínio complexo de vários passos por causa do tamanho, e que tarefas pesadas em conhecimento devem usar recuperação ou busca.

Contando as linhas pontuadas acima dessa Average no card que lemos, a coluna LFM3-1.7B fica acima de Qwen3.5 9B em 14 linhas e abaixo em 15. Linhas de ferramenta como BFCL V4 (71.39 contra 62.83) e ToolSandbox (80.36 contra 76.41) estão no conjunto alto. Linhas de conhecimento e contexto longo como GPQA Diamond (63.37 contra 80.40) e RULER 128K (65.56 contra 87.11) estão no conjunto baixo. A Average é a aritmética da Liquid. 14 e 15 são a nossa contagem dessas células impressas. Não rerodamos o harness.

As notas de serving no card e no blog descrevem caminhos GGUF, MLX, ONNX, BF16, FP8 e NVFP4 e dão as alegações de vazão de borda e GPU da própria Liquid, incluindo o discurso de cerca de 1 GB em 4-bit para telefone ou notebook. Trate a vazão como reportada pela Liquid até medir o checkpoint na sua pilha. A razão para abrir este card são as linhas de ferramentas e de esquema. A média esconde as linhas de conhecimento e contexto longo em que a tabela da Liquid fica atrás da coluna 9B.

Runtime em 2026-10-29

Logos de parceiros não são uma matriz de runtime. Em 29 out. lemos as páginas públicas abaixo e não instalamos as pilhas, não baixamos pesos nem cronometramos tokens por segundo. Um pré-release posterior pode mover uma linha. Esta tabela é uma nota de leitura daquela hora.

RuntimeO que a página pública diziaO que não fizemos
llama.cppPR #31252 mesclada em 2026-10-27T16:06:41Z para LFM3-1.7B e LFM3-VL-2B, com entrada de vídeo ainda depois. b11941 anota LFM3-Audio-2B e LFM3-Omni-2B em #31257.Compilar ou rodar llama.cpp em 2026-10-29.
OllamaAs notas v0.40.12 dizem hardware Apple para lfm3 e d1 2b, com Linux e Windows coming soon. A página da biblioteca lista lfm3.Baixar o modelo, ou ler cada pré-release depois de v0.40.12.
LM StudioO card LFM3-1.7B nomeia LM Studio ao lado de GGUF, com llama.cpp e Ollama.Abrir o catálogo do LM Studio em 2026-10-29.

O que os títulos de vídeo da semana de lançamento afirmam

O upload da própria Liquid é marketing do laboratório: Introducing LFM3. Títulos de criadores da mesma semana: Ray Codes, “The 1GB Local AI Agent That Beats Qwen 9B”, e CodeMotion, “This 1GB AI Beat a 9B on Its Own Scoreboard”.

Esses títulos de criadores são alegações de criadores. O placar para o qual apontam é a tabela da Liquid. O card LFM3-1.7B também diz que o modelo não é recomendado para código agêntico nem raciocínio complexo de vários passos. O limiar da licença e a escolha de modalidade estão ausentes dos títulos. Não tratamos os vídeos como benchmark e não recontamos as visualizações.

O que não conseguimos verificar

  • Pontuações de benchmark independentes de qualquer modelo LFM3. Cada número do blog e dos cards é reportado pela Liquid. A divisão de 14 linhas e 15 linhas é a nossa contagem das células impressas pela Liquid.
  • Tokens por segundo ao vivo nas nossas máquinas. Não executamos o LFM3 em 29 out. 2026.
  • Se um pré-release do Ollama depois de v0.40.12 tirou a frase de hardware Apple. Lemos as notas v0.40.12 e a página da biblioteca.
  • Quais checkpoints LFM3 o LM Studio listava em 29 out. 2026. Não abrimos esse catálogo.
  • Por que o repositório LFM3-1.7B mostrou um carimbo lastModified em 28 out. depois de um anúncio em 27 out. Datamos o lançamento público em 27 out. pelo blog, pelo blog do Hugging Face e pelo post no X.
  • Estrelas, rankings de download, posições em leaderboards de terceiros e visualizações no YouTube. Nenhum desses é uma medida que recontamos.

A nossa leitura

LFM3 é uma família de executores de borda do mesmo dia. A razão para olhar são as linhas de ferramentas e de esquema na tabela da própria Liquid. Conhecimento e recuperação de contexto longo são onde essa tabela perde para Qwen3.5 9B: GPQA Diamond 63.37 contra 80.40, RULER 128K 65.56 contra 87.11, dentro de uma contagem de 14 linhas mais altas e 15 mais baixas das linhas impressas pela Liquid. O card do Hugging Face diz que o modelo 1.7B não é recomendado para código agêntico nem raciocínio complexo de vários passos por causa do tamanho. O dia do anúncio continua 27 out. O carimbo lastModified do Hugging Face em 28 out. é uma hora de atualização. Um segundo lançamento precisaria da própria URL primária.

Escolha o checkpoint de modalidade. Na thread do Hacker News, samstevens da Liquid escreveu que os modelos ainda são mais fortes sem modalidades extras: LFM3-1.7B para texto puro, LFM3-VL-2B acima de Omni para texto e visão, e o modelo Audio acima de Omni para ASR e TTS. Esse comentário é uma declaração de pessoal do fornecedor numa thread pública, não um leaderboard de terceiros. Deixar Omni como padrão descarta o especialista de quem a mesma thread diz que ainda ganha a faixa.

Leituras na Front: a linha do tempo Reflection Beam, a linha do tempo Meta Muse Spark Open, a linha do tempo MiniMax M3.1 Flash e a linha do tempo DeepSeek V4.1 Flash 1017 acompanham as outras grandes entregas open-weight do mês. Cada post está no índice do blog da Front.

Continue lendo

Todos os artigos, do mais recente ao mais antigo, estão no índice do blog da Front.

Perguntas frequentes

Quando a Liquid lançou o LFM3?

Em 27 de outubro de 2026, segundo o blog da Liquid, o post de lançamento do Hugging Face do mesmo dia e o Introducing LFM3 de @liquidai às 17:07:45 UTC.

Quantos modelos LFM3 saíram na primeira entrega?

Seis em torno de 2B, todos ramificados de LFM3-1.7B-Base: LFM3-1.7B, LFM3-VL-2B, LFM3-Audio-2B, LFM3-Omni-2B, d1-2B e d1-Omni-2B, segundo o blog da Liquid de 27 out.

Qual é a arquitetura do LFM3?

A Liquid descreve um tri-híbrido de 13 convoluções curtas com porta, 5 camadas de atenção de janela deslizante com janela de 256 tokens e 6 camadas de atenção global (24 camadas no total), pré-treinado em 22T tokens, com contexto de texto de 256K.

O LFM3 é open source?

Os pesos estão públicos no Hugging Face sob a LFM Open License v1.0. Leia o arquivo LICENSE. Apache 2.0 e MIT são outros textos de licença.

Devo usar o LFM3-Omni-2B?

Escolha o checkpoint de modalidade. No Hacker News, item 50262229, samstevens da Liquid escreveu que LFM3-1.7B é mais forte em texto puro, que LFM3-VL-2B é mais forte que Omni em texto e visão, e que o modelo Audio é mais forte que Omni em ASR e TTS. É um comentário de pessoal do fornecedor, não a nossa medição.

O LFM3 é grátis para uso comercial?

Leia o arquivo LICENSE e o guia do usuário da Liquid, last updated October 15, 2026. O LICENSE define Threshold como receita anual de $10,000,000 ou mais. O guia diz que o uso comercial é grátis abaixo de $10 million USD de receita anual, e que a partir de $10 million USD é preciso uma licença comercial separada. Isso é o enunciado da Liquid sobre os próprios termos, não aconselhamento jurídico da FrontierDot.

Registro de alterações

  • — Aprofundado no mesmo dia: LFM Open License v1.0 como escrita no LICENSE e no guia da Liquid (limiar $10,000,000), a nota de modalidade no Hacker News, o número da Liquid de 1.6 GB de cache KV em 128K, e páginas de runtime que não medimos de novo.
  • — Primeira publicação. Blog LFM3 da Liquid, blog do Hugging Face e card LFM3-1.7B, índice de notícias da Liquid e @liquidai no X conferidos até 29 out. 2026 (UTC+8).

Fontes