LFM3: Liquid AI pubblica sei piccoli modelli aperti da 2 miliardi di parametri, dal testo all'audio, per girare sul dispositivo

Liquid AI, che progetta modelli compatti destinati a girare sul dispositivo, ha lanciato questo martedì 27 ottobre LFM3, la sua terza generazione di Liquid Foundation Models. L’annuncio ufficiale è arrivato su X alle 18:07, ora di Parigi, accompagnato da un lungo post sul blog. I pesi sono scaricabili da oggi su Hugging Face, e i modelli sono disponibili anche nel Playground e nell’API dell’azienda.

La scommessa va controcorrente rispetto alla corsa ai modelli molto grandi: LFM3 riunisce sei modelli da circa 2 miliardi di parametri, ciascuno specializzato, pensati per girare direttamente su un telefono, un laptop o una scheda embedded, senza passare dal cloud.

Una famiglia, sei utilizzi

Tutti i modelli derivano dallo stesso fondamento, LFM3-1.7B-Base, anch’esso pubblicato per chi vuole addestrarlo a modo proprio:

• LFM3-1.7B: il modello testuale, con una finestra di contesto di 256.000 token, post-addestrato per pilotare agenti (strumenti, navigazione web, compiti d’ufficio);
• LFM3-VL-2B: visione e linguaggio, che accetta per la prima volta video in input in casa Liquid AI;
• LFM3-Audio-2B: conversazione vocale, trascrizione, sintesi e traduzione in 18 lingue, con chiamate di strumenti;
• LFM3-Omni-2B (2,2 miliardi di parametri): il primo modello «omni» della casa, che combina immagine, suono e testo;
• d1-2B e d1-Omni-2B: modelli di decisione che, invece di redigere una risposta, rispondono in un’unica passata a un elenco di domande (sì/no, scelta, estrazione di campi, localizzazione di oggetti), ciascuna con una probabilità.

Cosa cambia sotto il cofano

Liquid AI mantiene la sua ricetta ibrida, ma la arricchisce. Sui 24 strati del modello testuale, 13 sono convoluzioni corte, 5 utilizzano un’attenzione a finestra scorrevole di 256 token e 6 un’attenzione globale. L’obiettivo dichiarato è restare veloce su contesti lunghi: secondo lo sviluppatore, un contesto completo di 128.000 token occupa solo 1,6 GB di cache di memoria, contro 4,3 GB per Qwen3.5-4B. Il pre-addestramento riguarda 22.000 miliardi di token, con più codice, matematica e tracce di agenti rispetto alla generazione precedente.

L’architettura è stata ottimizzata su 14 combinazioni hardware, dagli smartphone Samsung e OnePlus al Raspberry Pi 5, passando per i chip Apple, AMD, Qualcomm e GPU. Il modello testuale occupa circa 1 GB a 4 bit, e ogni modello può essere affinato su una singola GPU. Sul fronte degli strumenti, llama.cpp, MLX e vLLM sono supportati fin dal lancio, con partner come AMD, Qualcomm, NVIDIA, Arm, OpenRouter e Vercel.

Punteggi lusinghieri, da verificare

Le cifre pubblicate sono quelle di Liquid AI, senza misurazioni indipendenti per ora. Sulla sua tabella, LFM3-1.7B ottiene una media di 49,37, davanti a Qwen3.5-9B (47,24), un modello più di cinque volte più grande. Il divario è netto sui compiti di agente nel browser (38,42 contro 28,94 su WebArena-Verified).

La tabella mostra anche i suoi limiti, e lo sviluppatore lo riconosce: sul codice agentico (43,40 contro 51,20 su SWE-bench Verified) e sulle conoscenze (63,37 contro 80,40 su GPQA Diamond), i modelli più grandi mantengono il vantaggio. Per la visione, LFM3-VL-2B mostrerebbe una media di 71,4 su 62 test, al livello di Gemma 4 12B (71,7), un modello sei volte più grande.

Il punto da non perdere: la licenza

Liquid AI parla di modelli «aperti», ma si tratta di pesi scaricabili sotto LFM Open License v1.0, non di una licenza libera come Apache 2.0 o MIT. Il testo, consultabile su Hugging Face, riserva l’uso commerciale alle entità con fatturato annuo inferiore a 10 milioni di dollari. Oltre questa soglia, bisogna passare per un accordo con Liquid AI. Per uno sviluppatore indipendente o una start-up, non ha conseguenze immediate; per una grande azienda, è un punto bloccante da verificare prima di qualsiasi implementazione.