LFM3 مدلهای جدید Liquid Foundation Models از Liquid AI را معرفی میکند. این خانواده به شما امکان می‌دهد با انتخاب مدل مناسب برای ورودی‌های خود، آن را روی یک GPU تک فاینتونی کنید و در محیط اپلیکیشن خود مستقر کنید. با تمرکز روی هوش تخصصی، LFM3 شش مدل ۲ بی پارامتری را روی یک بک‌بون مشترک آموزش می‌دهد تا بهترین عملکرد را در هر حوزه فراهم کند.
تغییرات اصلی LFM3 نسبت به خانواده قبلی
LFM3 چهار تغییر کلیدی نسبت به LFM2.5 دارد که قابلیت هر پارامتر را افزایش می‌دهد، همه مدالیته‌ها را روی یک بک‌بون مشترک می‌آورد، آن را برای محیط لبه بهینه میکند و فرآیند فاینتونی را ساده می‌نماید. این تغییرات باعث شده مدل LFM3-1.7B از مدل LFM2.5-2.6B با ۳۵ درصد کمتر پارامتر، عملکرد بهتری نشان دهد.
این مدل‌ها آماده شروع برای موارد استفاده تخصصی هستند و نیازی به مدلهای عمومی بزرگ ندارند. هر کدام را بر اساس ورودی انتخاب کنید، آن را شخصی‌سازی کنید و مستقر نمایید.
چگونه یک بک‌بون انعطاف‌پذیرتر ساخته شد
LFM2 نشان داد که ترکیب کانولوشن‌های کوتاه و توجه می‌تواند روی دستگاه لبه سریع اجرا شود. برای LFM3، جستجوی معماری با سخت‌افزار در حلقه (hardware-in-the-loop) انجام شد تا برای موارد عامل (agentic) طراحی گردد. این جستجو شامل ۱۴ ترکیب دستگاه و بک‌اند از گوشی‌ها و Raspberry Pi 5 تا لپ‌تاپ‌ها، CPUهای ابری، GPUها و Qualcomm Hexagon NPU است.
مدل پایه LFM3-1.7B-Base شامل ۲۴ لایه و چهار تغییر اصلی است:
- ترکیب لایه تری-هیبرید: ۱۳ کانولوشن کوتاه gated با سایز کرنل ۷ (در مقابل ۳ در LFM2)، ۵ لایه توجه پنجره لغزنده (SWA) با پنجره ۲۵۶ توکن و ۶ لایه توجه جهانی.
- توجه gated بر اساس سرها: یک سیگموید gate خروجی هر سر را مقیاس میکند تا سرها هنگام عدم افزودن، خاموش شوند.
- RoPE جزئی: در لایه‌های توجه جهانی، فقط نیمه با فرکانس بالا چرخانده میشود و نیمه دیگر بر اساس محتوا مستقل از فاصله عمل میکند.
- نرمال‌سازی ساندویچ: هر بلاک ورودی و خروجی را نرمالایز میکند تا مقیاس فعال‌سازی حفظ شود.
نتایج در زمینه طولانی نشان می‌دهد که LFM3-1.7B در هر پارامتر معادل LFM2-1.2B روی پرامپت‌های کوتاه روی دستگاه‌های لبه عمل میکند و با ۸K توکن در زمینه ۲۵ درصد سریع‌تر است. پیش‌آموزش روی ۲۲ تریلیون توکن با وکابولاری ۱۲۸K انجام شد و ۳.۵ تریلیون توکن آخر برای داده‌های agentic و ابزارها استفاده گردید که پنجره زمینه را به ۲۵۶K گسترش داد.
یک بک‌بون مشترک برای شش مدل
هر مدل از LFM3-1.7B-Base شروع میشود و به جای مدل عمومی بزرگ، ورودی مورد نظر را انتخاب کنید، شخصی‌سازی کنید و روی لبه اجرا نمایید. این رویکرد شش مدل را پوشش می‌دهد:
| مدل | ورودی | خروجی | شروع از |
|---|---|---|---|
| LFM3-1.7B | متن | متن | LFM3-1.7B-Base |
| LFM3-VL-2B | متن، تصاویر، ویدئو | متن | بک‌بون LFM3 + رمزگذار بینایی |
| LFM3-Audio-2B | متن، صدا | متن، گفتار | بک‌بون LFM3 + رمزگذار صدا، دیکودر صدا و LiquidCodec |
| LFM3-Omni-2B | متن، تصاویر، ویدئو، صدا | متن، گفتار | بک‌بون LFM3 + رمزگذارهای بینایی و صدا و دیکودر صدا |
| d1-2B | متن، تصاویر، ویدئو | پاسخ‌های تنظیم‌شده | LFM3-VL-2B |
| d1-omni-2B | متن، تصاویر، ویدئو، صدا | پاسخ‌های تنظیم‌شده | LFM3-Omni-2B |
رمزگذارهای بینایی و صدا مدلهای جدید درونی هستند که محاسبات را کاهش می‌دهند. رمزگذار بینایی با ترکیب کانولوشن و توجه، ۳ برابر کمتر از SigLIP2 محاسبه میکند و دقت آن معادل Qwen3.5-2B است با ۲.۲ برابر کمتر FLOPs. برای ویدئو، جفت فریم‌های نمونه به یک اسلایس زمانی تبدیل میشود و طول توالی را نصف میکند. رمزگذار صدا کاملاً causal است و زمان اولین توکن را به ۵۰ میلیثانیه کاهش می‌دهد. LiquidCodec توکن‌های تولید شده را به صدا تبدیل میکند و روی CPU تک با سرعت ۸۷ برابر واقعی اجرا میشود.
نحوه استفاده از مدلهای LFM3
همه مدل‌ها در Transformers قابل اجرا هستند. بسته به نیاز، یکی از مدل‌ها را انتخاب کنید.
LFM3-1.7B برای عوامل محلی و ابزار
LFM3-1.7B برای عوامل محلی، فراخوانی ابزار، خروجی ساخت‌یافته یا پایه فاینتونی دامنه مناسب است. این مدل در harnessهای عامل مانند Hermes Agent، Pi و OpenClaw پست‌ترینینگ شده و در WebArena-Verified امتیاز ۳۸.۴۲ (در مقابل ۳.۰۲) کسب کرده و حتی Qwen3.5-9B را در وظایف طولانی مرورگر و اپلیکیشن‌ها شکست می‌دهد.
نصب و اجرا با Transformers ساده است. پس از نصب به‌روزرسانی، مدل را لود کنید و با پیام نمونه استفاده نمایید.
LFM3-VL-2B برای درک بصری و ویدئو
LFM3-VL-2B برای درک بصری روی دستگاه لبه و اولین مدل LFM با ورودی ویدئو است. این مدل گام‌به‌گام استدلال میکند و در ۶۲ بنچمارک بینایی میانگین ۷۱.۴ (در مقابل ۵۷.۶ در مدل قبلی) می‌آورد و با Gemma 4 ۱۲B که بیش از شش برابر بزرگتر است مقایسه میشود. ایده‌آل برای رباتیک است.
برای اجرا، وابستگی‌های بینایی Transformers را نصب کنید و از AutoModelForImageTextToText استفاده نمایید.
LFM3-Audio-2B برای چت صوتی و ترجمه
LFM3-Audio-2B برای چت صوتی، تشخیص گفتار، سنتز گفتار و ترجمه ۱۸ زبانی روی لپ‌تاپ یا لبه مناسب است. کیفیت گفتار UTMOSv2 آن ۳.۸۳ است (در مقابل ۳.۲۲ در مدل قبلی) و قابلیت درک صدا و فراخوانی ابزار اضافه شده.
پس از نصب وابستگی‌ها، مدل و processor را لود کنید و از صدا به عنوان ورودی استفاده نمایید.
LFM3-Omni-2B برای مدل همه‌جانبه
LFM3-Omni-2B اولین مدل همه‌جانبه است که بینایی، شنیدن و پاسخ‌گویی را در یک مدل ترکیب میکند. با ورودی و خر
پرسش‌های متداول
LFM3 چیست؟
LFM3 خانواده جدید مدلهای پایه Liquid Foundation Models (LFMs) از Liquid AI است که به عنوان نقطه شروع هوش تخصصی عمل میکند.
چرا LFM3 نسبت به LFM2 بهتر است؟
LFM3 با معماری تری-هیبرید و آموزش جدید، در هر پارامتر قابلیت بیشتری دارد و مدل ۱.۷ بی آن از مدل ۲.۶ بی LFM2.5 بهتر عمل میکند.
آیا LFM3 روی دستگاه لبه اجرا میشود؟
بله، مدلهای آن با اندازه کوچک و کدکهای جدید، روی گوشی، Raspberry Pi و حتی CPUهای لبه با زمان پاسخ ۵۰ میلیثانیه اجرا میشوند.
چگونه مدلهای LFM3 را فاینتونی کنیم؟
هر مدل روی یک GPU تک قابل فاینتونی است و کیتهای نوتبوک آماده برای آمادهسازی داده، آموزش و ارزیابی ارائه شده است.
منبع: Hugging Face
