Liquid AIがテキスト・画像・音声・動画と判断タスクを1つの系列にまとめたLFM3モデル群を公開した。開発者は必要な機能に合う小型モデルを選び、自分のデータで微調整し、クラウドではなくアプリが動作するデバイスで処理する選択肢を得る。

1. 共通基盤から6つのモデルへ拡張

LFM3は2026年10月27日に発表されたモデル群で、6つすべてがLFM3-1.7B-Baseから派生した。4つはテキスト・視覚・音声と、それらを併せて扱うオムニ入力、複数種類の情報を同時に受け取る入力を担う。残る2つの決定モデルは視覚またはオムニモデルを基に判断する。製品群はすべて約2B級で、モデルが学習する数値情報であるパラメータの数は、テキストモデルが1.7B、オムニモデルが2.2Bだ。

基盤モデルと、基礎学習後に機能を磨いた事後学習モデルは、いずれも内部の学習値である重みを公開する。Hugging Faceからダウンロードするか、Liquid AI APIや、ウェブ上でモデルを試せるプレイグラウンドで利用できる。

ローカルではllama.cppやMLXなどで実行できる。モデルをアプリとともに配布したり、特定業務のデータで微調整したりする開発フローだ。

2. 長い文脈の効率を狙う混合構造

LFM3は短い畳み込みと2種類のアテンションを組み合わせる。近傍パターン処理と広い文脈の処理を結合した構造だ。文脈全体を見るアテンションと異なり、狭い範囲のみを見るアテンションは256トークン内で処理し、長い文脈の計算・保存負荷を減らす。複数のデバイスで速度と品質を併せて評価し、選んだ構造だ。同社発表では、パラメータ当たりの推論性能は短い入力でLFM2-1.2Bと同等、文脈が8Kトークンの場合は約25%速い。

事前学習には22兆トークンを使用し、最後の3兆5千億トークンの段階で高品質データとツール使用の記録を加え、文脈長を256Kに拡張した。

キー・バリューキャッシュは、以前の計算を再利用するために保存するメモリだ。同社発表による128K文脈を満たした際のキャッシュメモリは以下のとおり。

表：長い文脈でのキャッシュメモリ

条件：テキストモデル、128Kトークンの文脈を満たしたキー・バリューキャッシュ

単位：GB

128K文脈のキャッシュメモリ比較LFM3-1.7B: キャッシュメモリ 1.6; Qwen3.5-4B: キャッシュメモリ 4.3; MiniCPM5-2B: キャッシュメモリ 5.6LFM3-1.7B1.6Qwen3.5-4B4.3MiniCPM5-2B5.6
128K文脈のキャッシュメモリ比較
長い文脈の効率を狙う混合構造
モデルキャッシュメモリ
LFM3-1.7B1.6
Qwen3.5-4B4.3
MiniCPM5-2B5.6

同じ長さの文脈を保存する際のキャッシュが小さく、デバイスのメモリに余裕を与える設計だ。

3. タスクごとに異なる性能と入力方式

テキストモデルはツールの検索と呼び出しを念頭に事後学習された。同社発表では指示追従や一部のツール使用項目で強く、ブラウザ・業務自動化評価でも一部の大型モデルを上回った。ツール使用評価BFCL V4ではLFM3-1.7Bが71.39点で、Qwen3.5-9Bの62.83点を上回り、AutomationBenchでもそれぞれ41.29点と15.10点を記録した。一方、実際のリポジトリの問題を解くコーディング評価SWE-bench VerifiedのOpenCode環境では43.40で、Qwen3.5-9Bの51.20を下回り、タスクによる差が見られた。

視覚モデルは動画入力と段階的推論をサポートする。同社発表では62の視覚評価の平均が同規模の比較モデルより最低7.4点高く、12Bモデルにも近かった。

表：視覚評価の平均スコア

条件：原文の62の視覚評価全スコアの非加重平均

単位：点

視覚評価の平均比較LFM3-VL-2B: 平均スコア 71.4; LFM2.5-VL-3B: 平均スコア 57.6; Qwen 3.5 2B: 平均スコア 64.0; Gemma 4 12B: 平均スコア 71.7LFM3-VL-2B71.4LFM2.5-VL-3B57.6Qwen 3.5 2B64.0Gemma 4 12B71.7
視覚評価の平均比較
タスクごとに異なる性能と入力方式
モデル平均スコア
LFM3-VL-2B71.4
LFM2.5-VL-3B57.6
Qwen 3.5 2B64.0
Gemma 4 12B71.7

音声モデルは18言語の認識・合成・翻訳をサポートする。オムニモデルは音声による質問と動画の視聴覚情報を併せて処理し、ツール呼び出しにつなげる。

4. デバイス実行の数値と条件

同社発表による以下の携帯電話での測定では、テキストモデルは比較対象の中でトークン生成が最も速く、CPUとGPUが共有するユニファイドメモリの使用量が最も少なかった。同じデバイスと設定で比較した結果だ。

表：携帯電話のトークン生成速度とメモリ

条件：iPhone 17 Pro、量子化設定Q4_0（4ビット）、モデルファイル形式GGUF、実行ツールllama.cpp、入力32Kトークン、バッチサイズ1、出力100トークン、GPUオフロード（一部の計算をグラフィックスチップに移す処理）

単位：生成速度tok/s、ユニファイドメモリGB

同じ携帯電話でのトークン生成速度LFM3-1.7B: 生成速度 43.6; MiniCPM5-2B: 生成速度 15.8; Qwen3.5-4B: 生成速度 15.5; Qwen3.5-9B: 生成速度 10.3; Gemma 4 E4B: 生成速度 15.4LFM3-1.7B43.6MiniCPM5-2B15.8Qwen3.5-4B15.5Qwen3.5-9B10.3Gemma 4 E4B15.4
同じ携帯電話でのトークン生成速度
デバイス実行の数値と条件
モデル生成速度メモリ
LFM3-1.7B43.61.90
MiniCPM5-2B15.83.15
Qwen3.5-4B15.54.53
Qwen3.5-9B10.36.82
Gemma 4 E4B15.46.15

同社発表では、同じ量子化・入出力設定でAMD Ryzen AI Max+ 395は毎秒129.6トークン、Apple M5 Maxは237.1トークンを生成した。モデルを配置するデバイスによって処理速度が異なる。

サーバーでは同社発表によると、NVIDIA B300 1枚、16ビット浮動小数点形式のBF16で毎秒41,710トークンを記録した。SGLang 0.5.22のLFM3対応環境で、リクエスト当たり入力1,024・出力256トークン、同時リクエスト1,024件で3回実行した平均だ。

5. カスタマイズの利点とデバイスの資源負荷

同社発表では、風力タービンのブレード写真約3千枚を用い、A100 1枚で数時間微調整した視覚モデルは、学習に使わなかった約1,400枚の評価で、分類精度が微調整前の10%未満から67%に上がった。適合率と再現率を併せて反映する検出F1スコアは0.003から0.11に上がり、業務データに合わせた学習の効果を示した。

こうしたカスタムモデルをアプリの近くに置けばネットワーク往復を減らせるが、計算・メモリ負荷は配備先デバイスと学習機材に移る。同社の説明では、テキストモデルは4ビットで約1GBに収まり、長い文脈にはキャッシュメモリが追加される。

原文は研究・文書でモデルを引用する際に使える次の書誌情報も提供している。

@article{liquidAI2026LFM3,
  author = {Liquid AI},
  title = {Introducing LFM3: Every Modality for Specialized Intelligence},
  journal = {Liquid AI Blog},
  year = {2026},
  note = {www.liquid.ai/blog/lfm3},
}

LFM3の核心は、単一の巨大モデルではなく、アプリの入力とタスクに合う2B級モデルを選び、ローカルに配備できるよう選択肢を広げた点にある。