LFM3: Liquid AI lança seis pequenos modelos abertos de 2 bilhões de parâmetros, do texto ao áudio, para rodar no dispositivo

A Liquid AI, que desenvolve modelos compactos destinados a rodar no dispositivo, lançou nesta terça-feira, 27 de outubro, o LFM3, sua terceira geração de Liquid Foundation Models. O anúncio oficial saiu no X às 18h07, hora de Paris, acompanhado de um longo post de blog. Os pesos podem ser baixados a partir de hoje no Hugging Face, e os modelos também são oferecidos no Playground e na API da empresa.

A aposta vai na contramão da corrida pelos modelos muito grandes: o LFM3 reúne seis modelos de cerca de 2 bilhões de parâmetros, cada um especializado, pensados para rodar diretamente em um celular, notebook ou placa embarcada, sem passar pela nuvem.

Uma família, seis usos

Todos os modelos são derivados da mesma base, LFM3-1.7B-Base, também publicada para quem quer treiná-lo do seu jeito:

• LFM3-1.7B: o modelo de texto, com uma janela de contexto de 256.000 tokens, pós-treinado para pilotar agentes (ferramentas, navegação web, tarefas de escritório);
• LFM3-VL-2B: visão e linguagem, que aceita pela primeira vez vídeo na entrada na Liquid AI;
• LFM3-Audio-2B: conversa por voz, transcrição, síntese e tradução em 18 idiomas, com chamadas de ferramentas;
• LFM3-Omni-2B (2,2 bilhões de parâmetros): o primeiro modelo “omni” da empresa, que combina imagem, som e texto;
• d1-2B e d1-Omni-2B: modelos de decisão que, em vez de redigir uma resposta, respondem em uma única passagem a uma lista de perguntas (sim/não, escolha, extração de campos, localização de objetos), cada uma com uma probabilidade.

O que muda debaixo do capô

A Liquid AI mantém sua receita híbrida, mas a enriquece. Nas 24 camadas do modelo de texto, 13 são convoluções curtas, 5 usam atenção com janela deslizante de 256 tokens e 6 usam atenção global. O objetivo declarado é permanecer rápido em contextos longos: segundo a empresa desenvolvedora, um contexto completo de 128.000 tokens ocupa apenas 1,6 GB de cache de memória, contra 4,3 GB para o Qwen3.5-4B. O pré-treinamento abrange 22.000 bilhões de tokens, com mais código, matemática e rastros de agentes do que a geração anterior.

A arquitetura foi otimizada em 14 combinações de hardware, de smartphones Samsung e OnePlus ao Raspberry Pi 5, passando por chips Apple, AMD, Qualcomm e GPUs. O modelo de texto ocupa cerca de 1 GB em 4 bits, e cada modelo pode ser ajustado em uma única GPU. Do lado das ferramentas, llama.cpp, MLX e vLLM têm suporte desde o lançamento, com parceiros como AMD, Qualcomm, NVIDIA, Arm, OpenRouter e Vercel.

Pontuações elogiosas, a verificar

Os números publicados são da Liquid AI, sem medição independente até o momento. Em seu próprio quadro, o LFM3-1.7B atinge uma média de 49,37, à frente do Qwen3.5-9B (47,24), um modelo mais de cinco vezes maior. A diferença é clara nas tarefas de agentes em navegador (38,42 contra 28,94 no WebArena-Verified).

O quadro também mostra seus limites, e a empresa o reconhece: no código agentivo (43,40 contra 51,20 no SWE-bench Verified) e em conhecimento (63,37 contra 80,40 no GPQA Diamond), os modelos maiores mantêm a vantagem. Para visão, o LFM3-VL-2B exibiria uma média de 71,4 em 62 testes, no mesmo nível do Gemma 4 12B (71,7), um modelo seis vezes maior.

O ponto que não pode ser perdido: a licença

A Liquid AI fala em modelos “abertos”, mas trata-se de pesos para download sob a LFM Open License v1.0, não de uma licença livre como Apache 2.0 ou MIT. O texto, consultável no Hugging Face, reserva o uso comercial às entidades com receita anual inferior a 10 milhões de dólares. Acima disso, é preciso fechar um acordo com a Liquid AI. Para um desenvolvedor independente ou uma startup, não há consequência imediata; para uma grande empresa, é um ponto bloqueante a verificar antes de qualquer implantação.