Liquid AI lança LFM3, família de modelos open weight para rodar IA direto no dispositivo

O LFM3 é a nova geração dos Liquid Foundation Models e chega como lançamento oficial disponível: pesos base e pós-treinados estão abertos no Hugging Face, no Playground e na API da Liquid AI. A primeira leva tem seis modelos de cerca de 2B de parâmetros, todos derivados do LFM3-1.7B-Base (pré-treinado com 22T de tokens): texto, visão, áudio, omni e dois modelos de decisão, especializados a partir dos modelos de visão e omni.

A arquitetura é tri-híbrida. Das 24 camadas, 13 são convoluções curtas com gate (kernel 7, contra 3 no LFM2), 5 são atenção de janela deslizante (janela de 256 tokens) e 6 são atenção global. Há ainda gate por cabeça de atenção, RoPE parcial e sandwich norm. A busca de arquitetura passou a usar 14 combinações de dispositivo e backend, de celulares e Raspberry Pi 5 a CPUs em nuvem e NPU Qualcomm Hexagon. O modelo de texto cabe em cerca de 1 GB com 4 bits, tem contexto de 256K e, em llama.cpp com Q4_0, a Liquid AI mede decodificação 1,8 a 2,8 vezes mais rápida que o concorrente seguinte. Um contexto de 128K pede 1,6 GB de KV cache. São números da própria empresa. O LFM3-VL-2B adiciona vídeo, e a Liquid AI afirma que ele empata com o Gemma 4 12B na média de 62 benchmarks de visão. Larguras maiores ainda vencem em código agêntico e conhecimento.

Em 26 de junho de 2026, o CEVIU noticiou "Liquid AI lança o Liquid Foundation Model 2.5 com 230 milhões de parâmetros", linha anterior da empresa. Agora o LFM3-1.7B supera o LFM2.5-2.6B com 35% menos parâmetros, segundo a fonte. Em 6 de outubro de 2026 e em 8 de outubro de 2026, o CEVIU cobriu os modelos de decisão d1 e d1-3B/d1-OMNI-600M. Com o LFM3, decisão passa a ser uma ramificação do mesmo backbone, não uma linha separada. Em 27 de outubro de 2026, o CEVIU já havia publicado a apresentação da família; esta cobertura traz os detalhes técnicos do lançamento.

Para quem opera agentes no dispositivo, o recado é de custo e privacidade: um modelo de 1 GB com 256K de contexto e fine-tuning em uma GPU reduz a dependência de nuvem. A ressalva é que os benchmarks e as medições de velocidade vêm da Liquid AI. Vale validar na sua tarefa, principalmente em código e conhecimento.