IA líquida

A Liquid AI lançou hoje o LFM3, uma família de seis modelos com pesos abertos que reúne recursos de texto, visão, áudio e tomada de decisões estruturadas em uma única base compartilhada de apenas 1,7 bilhão de parâmetros. Os seis modelos já estão disponíveis para download e ajuste fino em uma única GPU de uso convencional. O lançamento, publicado no Hugging Face, é a atualização mais importante da empresa desde o lançamento do LFM2, de código aberto, em 2025. Também representa o resultado comercial de uma busca arquitetural realizada em 14 combinações diferentes de dispositivos e backends.

O principal número de desempenho vem do benchmark WebArena-Verified: o LFM3-1.7B obteve 38,42 pontos, contra 3,02 do LFM2.5-2.6B — um avanço de 12,7 vezes em tarefas agentivas — apesar de usar 35% menos parâmetros que o antecessor. O resultado não veio do simples aumento de escala, mas de uma nova arquitetura com três regimes e de uma etapa dedicada de treinamento intermediário com 3,5 trilhões de tokens, desenvolvida especificamente para tarefas agentivas.

Três regimes de memória, não apenas um

A principal mudança técnica do LFM3 está no desenho de suas camadas tri-híbridas. Para entender sua importância, é preciso observar o que foi substituído.

O LFM2 combinava dois tipos de camada: convoluções curtas com mecanismo de comporta, que processam tokens localmente e mantêm um estado O(1), independentemente do tamanho da sequência; e camadas de atenção global, que consideram todos os tokens anteriores, mas fazem o cache de chave e valor crescer linearmente com o tamanho da sequência. A abordagem dual-híbrida já era mais eficiente em memória que um transformer convencional em dispositivos de borda, mas deixava uma lacuna: não havia um mecanismo intermediário para capturar padrões de alcance médio — dependências que se estendem por dezenas ou algumas centenas de tokens, longas demais para uma convolução, mas que não exigem contexto global.

O LFM3 preenche essa lacuna com um terceiro tipo de camada: a atenção com janela deslizante (SWA, na sigla em inglês), derivada da mesma linhagem de design do Mistral e das camadas de inferência eficiente do Gemma. O resultado são 24 camadas organizadas em três regimes distintos de memória e computação:

  • 13 convoluções curtas com comporta (tamanho de kernel 7, ante 3 no LFM2): estado O(1), maior velocidade em CPU e NPU e nenhuma contribuição para o cache de chave e valor;
  • 5 camadas de atenção com janela deslizante (janela de 256 tokens): cache de chave e valor limitado a O(256), capturando contexto local e médio;
  • 6 camadas de atenção global: cache completo de chave e valor O(n) para raciocínio de longo alcance, mas apenas seis das 24 camadas contribuem para ele.

Na prática, essa divisão em três partes reduz o tamanho total do cache de chave e valor para aproximadamente 27% do que seria necessário em um transformer convencional equivalente de 24 camadas. Os detalhes estão documentados na pesquisa Hyena Edge, da Liquid AI. As convoluções lidam com o reconhecimento de padrões locais — sintaxe, dependências entre palavras e sequências de tokens — sem custo de memória. A SWA captura o contexto na escala de parágrafos. Já a atenção global trata dos casos menos frequentes em que um token a 10 mil posições de distância é decisivo. Cada tipo de camada executa a tarefa para a qual é mais adequado.

Três aprimoramentos adicionais acompanham o projeto. A atenção com comporta por cabeça aplica uma comporta sigmoide a cada cabeça de atenção, permitindo que cada uma suprima completamente sua saída quando não tem contribuição a fazer. Isso ajuda a evitar valores discrepantes nas ativações, que prejudicam a qualidade da quantização. Esses aprimoramentos arquiteturais são detalhados no blog do Hugging Face. O RoPE parcial gira apenas a metade de maior frequência das representações de cada cabeça de atenção global, deixando a metade inferior independente da posição. Assim, as cabeças de atenção global podem associar tokens pelo conteúdo semântico, independentemente da distância entre eles — algo útil em documentos longos nos quais o mesmo conceito aparece repetidamente. A normalização sandwich normaliza a entrada e a saída de cada bloco, estabilizando as ativações durante o treinamento e a inferência.

Hardware no circuito: por que essas proporções foram escolhidas

A combinação específica de 13 convoluções, 5 camadas SWA e 6 camadas de atenção global não foi definida manualmente. A Liquid AI executou sua busca arquitetural STAR com hardware no circuito em 14 combinações de dispositivos e backends — celulares, Raspberry Pi 5, notebooks, CPUs em nuvem, GPUs em nuvem e a NPU Qualcomm Hexagon. A empresa mediu as relações entre latência e qualidade em hardware real, em vez de otimizar apenas a perplexidade em servidores. Isso significa que as proporções de camadas refletem o que de fato funciona bem nos dispositivos para os quais os modelos foram projetados, e não o que seria teoricamente ideal em GPUs de datacenter.

O modelo-base resultante, LFM3-1.7B-Base, foi pré-treinado com 22 trilhões de tokens. Os 3,5 trilhões de tokens finais formam uma etapa dedicada de treinamento intermediário com dados selecionados e maior proporção de rastros agentivos, chamadas de ferramentas e sequências de contexto longo. Essa etapa também amplia a janela de contexto para 256 mil tokens. Na precisão de 4 bits, o modelo de texto ocupa aproximadamente 1 GB, ficando ao alcance de smartphones intermediários.

Desempenho agentivo: de onde vem o salto de 12 vezes

O LFM3-1.7B-Base passou por pós-treinamento para operar em estruturas agentivas como Hermes Agent, Pi e OpenClaw. A pontuação de 38,42 no WebArena-Verified, contra 3,02 do LFM2.5-2.6B, reflete uma combinação de melhorias arquiteturais e da etapa dedicada de treinamento intermediário. Os resultados completos do WebArena estão documentados no blog de lançamento. A arquitetura proporciona um contexto efetivo mais longo com menor custo de memória; os dados do treinamento intermediário dão ao modelo experiência específica com navegação na web, chamadas de ferramentas e sequências de decisão em várias etapas.

A Liquid AI também afirma que o LFM3-1.7B supera o Qwen3.5-9B — um modelo com mais de cinco vezes seu tamanho — em tarefas longas em navegadores e aplicações corporativas. A comparação, porém, é autodeclarada e não foi verificada de forma independente. O LFM3-1.7B também é aproximadamente 25% mais rápido que o LFM2 em contexto de 8 mil tokens no mesmo hardware, resultado atribuído à redução do cache de chave e valor.

Codificador de visão personalizado: menos FLOPs, precisão semelhante

Para a variante de visão e linguagem LFM3-VL-2B, a Liquid AI criou um codificador de visão personalizado com 164 milhões de parâmetros, em vez de reutilizar um codificador SigLIP2 ou Qwen. O codificador combina camadas de convolução e atenção e, segundo medições internas da empresa, usa três vezes menos computação que o SigLIP2. Em um teste comparativo com o codificador de visão do Qwen3.5-2B, usando uma base de linguagem LFM2.5-230M compartilhada, o codificador da Liquid AI alcançou resultado equivalente com 2,2 vezes menos FLOPs.

Para vídeos, o codificador transforma cada par consecutivo de quadros amostrados em um único token temporal, reduzindo pela metade o tamanho da sequência temporal em comparação com a codificação quadro a quadro.

O modelo resultante, LFM3-VL-2B, elevou a pontuação média em 62 benchmarks de visão de 57,6, no LFM2.5-VL-3B, para 71,4 — usando 1,9 bilhão de parâmetros, contra 3,1 bilhões do antecessor. A Liquid AI afirma que o resultado é equivalente ao do Gemma 4 12B, modelo com mais de seis vezes seu tamanho; essa comparação também é autodeclarada. O LFM3-VL-2B é o primeiro modelo de visão da família LFM compatível com entrada de vídeo e realiza raciocínio em cadeia de pensamento antes de responder.

Robótica: do modelo de visão ao modelo de ação

A Liquid AI usou o LFM3-VL-2B como ponto de partida para três modelos de robótica complementares: um orquestrador que identifica objetos em imagens, aciona planejadores de movimento por meio de chamadas de ferramentas e verifica os resultados em quadros posteriores da câmera; um navegador que prevê alvos espaciais e trajetórias de pontos de passagem a partir de imagens RGB; e um modelo de visão, linguagem e ação treinado em 15 configurações robóticas.

O modelo VLA alcançou taxa média de sucesso de 96,2% nos quatro conjuntos de testes do benchmark LIBERO e de 45,7% em tarefas de mesa do RoboCasa-GR1 — ambos números autodeclarados. Os resultados nos benchmarks LIBERO e RoboCasa aparecem na documentação do lançamento. Em um Jetson AGX Orin executando TensorRT FP16, os blocos de ação são gerados em menos de 50 milissegundos, velocidade suficiente para controle em tempo real no hardware Jetson.

LiquidCodec e os modelos de áudio

O codificador de áudio do LFM3-Audio-2B combina atenção com janela deslizante e convoluções curtas e é totalmente causal. Isso permite iniciar o preenchimento enquanto o usuário ainda está falando, com tempo até o primeiro token de apenas 50 milissegundos. O tokenizador de voz LiquidCodec converte a saída do modelo em áudio a aproximadamente 87 vezes o tempo real em um único núcleo de CPU de um Apple M4 Max e permite decodificação em streaming, para que as respostas faladas comecem a ser reproduzidas antes que a geração termine.

No benchmark de qualidade de fala UTMOSv2, o LFM3-Audio-2B obteve 3,83 pontos, contra 3,22 do LFM2.5-Audio-1.5B — uma melhora de 19%. Os resultados do benchmark de áudio UTMOSv2 estão incluídos no blog de lançamento. O modelo processa conversas por voz, reconhecimento de fala, síntese e tradução em 18 idiomas e pode converter solicitações faladas diretamente em chamadas de ferramentas.

O LFM3-Omni-2B — o primeiro modelo multimodal completo da família — aceita texto, imagens, vídeo e áudio simultaneamente e produz texto e fala. A Liquid AI afirma que ele supera modelos de até 10,7 bilhões de parâmetros, incluindo o Qwen2.5-Omni-7B, nos benchmarks Daily-Omni, WorldSense e AV-SpeakerBench. Essas comparações com o Qwen2.5-Omni são autodeclaradas.

Modelos de decisão: probabilidade calibrada em uma única passagem

A série d1 adota uma abordagem estruturalmente diferente do restante da família LFM3. Em vez de gerar texto aberto, o d1-2B e o d1-omni-2B produzem decisões estruturadas. Diante de uma situação — como um chamado de suporte, uma nota fiscal, uma captura de tela de aplicativo ou uma mensagem de voz — e de uma lista de perguntas, eles respondem a todas simultaneamente em uma única passagem, cada uma com uma pontuação de probabilidade calibrada.

Os tipos de resposta compatíveis vão além do sim ou não binário. Os modelos podem identificar e apontar objetos em uma imagem, ler valores em documentos, estimar números dentro de um intervalo e selecionar opções em uma saída estruturada de múltipla escolha.

O d1-2B substitui o modelo d1-3B anterior, reduzindo em um terço a quantidade de parâmetros e superando-o nos benchmarks internos da Liquid AI: 75,5 contra 64,0 no ImajevBench. O resultado do d1-2B no ImajevBench é autodeclarado. O d1-omni-2B amplia esses recursos para entradas de áudio e, segundo a Liquid AI, mantém a precisão com comandos de voz.

O que os desenvolvedores podem fazer agora

Todos os seis modelos LFM3 — incluindo o LFM3-1.7B-Base, para equipes que executam seu próprio pós-treinamento — estão disponíveis com pesos abertos no Hugging Face. Eles funcionam no transformers, do Hugging Face, e são compatíveis com backends adicionais de inferência documentados no cartão de cada modelo. A Liquid AI está lançando 10 notebooks do Colab com exemplos de ajuste fino supervisionado, DPO, GRPO e pré-treinamento contínuo em todas as variantes. Entre as tarefas estão a extração de JSON de documentos, o aprendizado de novos idiomas a partir de texto bruto e a conversão de comandos falados de casas inteligentes em chamadas de funções.

Todos os modelos da família podem passar por ajuste fino em uma única GPU. A quantidade de 1,7 bilhão de parâmetros do modelo-base e sua arquitetura eficiente mantêm as exigências de memória ao alcance de hardware voltado a desenvolvedores, sem necessidade de infraestrutura de nuvem em escala.

Uma observação sobre os benchmarks: todos os números de desempenho citados neste artigo foram divulgados pela própria Liquid AI e ainda não foram reproduzidos de forma independente por pesquisadores externos. WebArena-Verified, UTMOSv2, LIBERO e RoboCasa são benchmarks consolidados, mas uma avaliação independente específica do LFM3 ainda não havia sido publicada até o momento da redação.

Perguntas frequentes

O que é a arquitetura tri-híbrida e por que ela importa para a IA de borda?

O desenho tri-híbrido do LFM3 organiza suas 24 camadas em três tipos: 13 convoluções curtas com comporta, sem cache de chave e valor e mais rápidas em CPU; 5 camadas de atenção com janela deslizante, com cache limitado a 256 tokens; e 6 camadas de atenção global, com cache completo e maior alcance. Essa estrutura reduz o cache total de chave e valor para cerca de 27% do exigido por um transformer convencional com a mesma profundidade. É isso que permite a um modelo de 1,7 bilhão de parâmetros ocupar aproximadamente 1 GB na precisão de 4 bits e rodar em celulares e dispositivos de borda sem conexão com a nuvem.

Já posso rodar o LFM3 no celular ou notebook?

Sim. O LFM3-1.7B ocupa aproximadamente 1 GB na precisão de 4 bits, dentro do orçamento de memória de smartphones intermediários e da maioria dos notebooks modernos. A busca arquitetural da Liquid AI com hardware no circuito otimizou especificamente o modelo em celulares, Raspberry Pi 5, notebooks e NPUs como a Qualcomm Hexagon. Todos os modelos estão disponíveis com pesos abertos no Hugging Face e podem funcionar por meio de backends de inferência compatíveis com a biblioteca transformers ou com o llama.cpp.

Como o LFM3 consegue melhorar 12 vezes em tarefas agentivas em relação ao LFM2?

Dois fatores se combinam. Primeiro, a arquitetura tri-híbrida reduz o custo do cache de chave e valor e amplia a janela de contexto efetiva para 256 mil tokens com menor uso de memória. Isso oferece mais contexto ao modelo durante tarefas em várias etapas, como automação de navegadores. Segundo, os 3,5 trilhões de tokens finais do treinamento formaram uma etapa dedicada de treinamento intermediário com rastros agentivos, chamadas de ferramentas e sequências de contexto longo, dando ao modelo experiência direta com os padrões de raciocínio exigidos por tarefas no estilo WebArena. Nenhum dos fatores explica sozinho toda a diferença: a arquitetura torna o contexto longo viável, enquanto os dados de treinamento ensinam o modelo a utilizá-lo.

Os resultados dos benchmarks são independentes ou autodeclarados?

Todos os números de benchmark deste artigo — WebArena-Verified, UTMOSv2, LIBERO, RoboCasa, ImajevBench e a média dos 62 benchmarks de visão — foram divulgados pela própria Liquid AI. Os benchmarks são padrões consolidados da comunidade, mas as avaliações foram realizadas internamente pela empresa. Até o momento da redação, não havia sido publicada uma reprodução independente dos resultados do LFM3 por terceiros. Como ocorre com qualquer lançamento de modelo baseado em resultados autodeclarados, leitores e desenvolvedores devem planejar suas próprias avaliações em cargas de trabalho relevantes antes de adotar o sistema em produção.