Новые модели LFM3 от Liquid AI переносят браузерных агентов, голосовые команды и распознавание изображений на устройства под контролем предприятий

Liquid AI представляет LFM3 — семейство компактных ИИ-моделей, призванных перенести больше корпоративных задач на оборудование, которое контролируют сами компании. Согласно данным самой компании, её младшая текстовая модель способна превзойти значительно более крупных конкурентов в ряде задач по автоматизации работы в браузере и использованию программных инструментов.

Релиз от 27 октября включает шесть моделей, охватывающих работу с языком, изображениями, речью и структурированными решениями. В их основе лежит общая базовая модель с 1,7 млрд параметров, а специализированные версии насчитывают около 2 млрд параметров. По словам Liquid, предприятия могут дообучить каждую из них на одном GPU и развернуть на устройствах, частных серверах или в облачной инфраструктуре.

Это предложение особенно актуально для компаний, выстраивающих повторяющиеся рабочие процессы: маршрутизацию запросов, извлечение информации из документов, анализ изображений или работу с бизнес-приложениями. Небольшая модель, надёжно справляющаяся с чётко определённой задачей, может снизить зависимость от удалённых ИИ-сервисов и дать организациям больше контроля над тем, где выполняется инференс.

Для компаний, предпочитающих облачный сервис, в консоли Liquid (доступной после входа в аккаунт) указана цена текстовой модели — 0,08 доллара за миллион входных токенов и 0,20 доллара за миллион выходных токенов; кэшированный ввод стоит 0,02 доллара. Чтобы увидеть тарифы LFM3 и получить учётные данные для прямого доступа к API, разработчикам нужно войти в консоль Liquid.

Подробные результаты Liquid показывают и то, где сохраняются компромиссы. Её текстовая модель уступает Qwen3.5-9B в ряде тестов на программирование, знания и работу с длинным контекстом, а у облачной версии лимит контекста меньше, чем у загружаемой текстовой модели.

Таким образом, LFM3 — кандидат для целевых пилотных проектов, а экономическое обоснование будет зависеть от характера нагрузки, стоимости развёртывания и условий лицензирования.

Флагманская текстовая модель LFM3-1.7B поддерживает задокументированное контекстное окно в 256 тыс. токенов — суммарный бюджет на ввод и вывод. В облачной консоли Liquid для API-версии указан лимит контекста в 128 000 токенов, и это различие предприятиям следует учитывать при выборе между облачным и самостоятельным развёртыванием. По словам Liquid, модель обучена работать в агентных фреймворках, включая OpenClaw, Hermes Agent и Pi, и поддерживает такие задачи, как разбор почты, планирование и веб-исследования.

Самые убедительные свидетельства её пригодности для бизнеса дают отдельные бенчмарки, а не общий средний балл.

В тестах Liquid LFM3-1.7B набирает 38,42 балла в WebArena-Verified против 28,94 у Qwen3.5-9B и 3,02 у предыдущей модели Liquid LFM2.5-2.6B. В публичной части AutomationBench результат составляет 41,29 против 15,10 и 0,94 соответственно.

Приведённая ниже подборка включает как сильные, так и слабые стороны. Это результаты, опубликованные Liquid, а не независимое тестирование VentureBeat.

Эти различия говорят против того, чтобы рассматривать LFM3 как универсальную замену более крупным моделям. Она лидирует в отобранных тестах на работу в браузере и вызов функций, но отстаёт в MCP-Atlas и немного уступает Qwen в EnterpriseOps-Gym. Заявленную ёмкость контекста также не следует путать с более высокой точностью при работе с длинными входными данными.

Liquid признаёт это общее ограничение в письменном ответе VentureBeat: «Более крупные модели по-прежнему выигрывают в агентном программировании и задачах на знания, где размер важнее всего».

В документации сказано ещё прямее: «Из-за небольшого размера модель не рекомендуется для агентного программирования или сложных многошаговых рассуждений».

Компания не ответила прямо, использовались ли во всех сравнениях равнозначные инструменты и бюджеты на рассуждения. В опубликованном анонсе Mercedes-Benz и Shopify названы партнёрами, тестировавшими и оценивавшими модели до релиза, однако независимого подтверждения результатов бенчмарков не приводится. Прежде чем прогнозировать экономию в продакшене, командам стоит протестировать собственные рабочие процессы, включая неудачные вызовы инструментов, повторные попытки и передачу задачи другой модели.

Архитектурные изменения в LFM3 призваны сделать компактную модель полезнее. Новая конструкция сочетает свёрточные слои, эффективно обрабатывающие близлежащую информацию, с механизмами внимания, которые анализируют либо ограниченное окно, либо более широкий контекст. Liquid называет это трёхгибридной архитектурой.

Общая базовая модель была предобучена на 22 трлн токенов. Последующее обучение сделано с упором на использование инструментов, бизнес-процессы и другие агентные задачи. По словам Liquid, итоговая текстовая модель на 1,7 млрд параметров превосходит предыдущую версию на 2,6 млрд, несмотря на то что параметров у неё примерно на 35% меньше.

Особого внимания заслуживают требования к памяти. Liquid утверждает, что при четырёхбитной точности текстовая модель занимает примерно 1 ГБ. Однако из этого не следует, что всё приложение уместится в 1 ГБ, особенно при обработке длинных входных данных.

В последнем ответе компания уточнила, что отдельная цифра в 1,6 ГБ для контекста в 128 тыс. токенов относится к KV-кэшу — рабочей памяти, в которой хранится информация во время генерации. Хранение самой модели и прочие требования среды выполнения сюда не входят. Полного бюджета памяти для максимальной длины контекста в 256 тыс. токенов Liquid не предоставила.

Для тестирования скорости при локальном запуске Liquid сравнивает модели на системе с AMD Ryzen AI Max+ 395, системе с Apple M5 Max и на iPhone 17 Pro. Компания сообщает, что скорость генерации в 1,8–2,8 раза выше, чем у ближайшей по скорости модели в каждом сравнении; при этом использовались llama.cpp, четырёхбитные модели Q4_0, входные данные в 32 тыс. токенов и по одному запросу за раз.

Опубликованные таблицы производительности подкрепляют это заявление конкретными цифрами:

Замеры Liquid для LFM3-1.7B: Q4_0 GGUF, llama.cpp, 32 тыс. входных токенов, 100 выходных токенов, один запрос за раз и выгрузка на GPU. Для AMD память включает пиковое потребление хоста и GPU; для Apple указана объединённая память.

Измеренные объёмы подтверждают, почему заявленный размер модели около 1 ГБ не следует использовать как общий бюджет памяти для развёртывания. Цифры описывают конкретную сжатую модель и нагрузку, а не гарантию для любого устройства или приложения.

В серверном масштабе Liquid сообщает о пропускной способности, эквивалентной 3,6 млрд сгенерированных токенов в сутки на одном Nvidia B300 при 1 024 одновременных запросах. В этом тесте использовались точность BF16, SGLang, 1 024 входных и 256 выходных токенов на запрос, результат усреднён по трём прогонам. Он отражает совокупную пропускную способность, а не то, насколько быстро отдельный пользователь выполнит сложную задачу.

Отдельный тест задержки на одном Nvidia B200 показывает время выполнения на уровне 95-го перцентиля в 150 миллисекунд при 500 запросах в секунду, 128 входных и 64 выходных токенах. Это означает, что 95% запросов завершаются в пределах указанного времени. Для более длинных запросов — 1 024 входных и 256 выходных токенов — показатель возрастает до 668 миллисекунд при 100 запросах в секунду.

В этом сравнении Liquid использует для своих моделей собственное ПО для инференса RIPL, а для конкурентов — vLLM. Таким образом, результат оценивает связку модели и системы обслуживания; он не позволяет вычленить вклад одной лишь архитектуры и не показывает, какую задержку клиенты получат через облачный API.

Помимо текстовых агентов, семейство расширяет круг приложений, на которые может претендовать Liquid.

Варианты пилотов — редакционный анализ, а не сведения о подтверждённых внедрениях у клиентов.

Модель компьютерного зрения добавляет в линейку LFM поддержку видео. По данным компании, её средний балл по 62 тестам составляет 71,4 против 57,6 у LFM2.5-VL-3B и 64,0 у Qwen3.5-2B. Это невзвешенное среднее по 62 тестам. В категории документов, оптического распознавания символов и диаграмм Liquid сообщает о результате 83,9 для LFM3-VL-2B против 71,2 у предшественницы и 79,1 у Qwen3.5-2B. Эти результаты более показательны для пилотов по обработке документов, чем общее среднее, хотя и они не гарантируют точности на документах конкретного клиента.

Аудиомодель умеет интерпретировать записи и вызывать программные инструменты по голосовым запросам. По словам Liquid, новый энкодер обрабатывает речь ещё до того, как говорящий закончит фразу, благодаря чему первый токен ответа может появиться уже через 50 миллисекунд. Это заявленный компанией показатель в лучшем случае, а не полное время голосового ответа и не гарантия уровня обслуживания API.

LFM3-Omni-2B — первая модель Liquid, объединяющая таким образом зрение, речь и язык. Несмотря на округлённое название, у неё 2,2 млрд параметров; она может интерпретировать видео вместе со звуковой дорожкой или сочетать голосовую инструкцию с изображением, чтобы сформировать вызов инструмента.

В опубликованном анонсе указано одно конкретное корпоративное направление: Mercedes-Benz изучает, как локальный ИИ может улучшить голосовой ассистент MBUX Virtual Assistant. Mercedes-Benz и Shopify названы партнёрами по предрелизному тестированию, однако ни подтверждённого внедрения LFM3 в продакшен в какой-либо из компаний, ни измеренных бизнес-результатов в публикации не приводится.

Модели принятия решений предлагают иной подход, чем диалоговый агент. Liquid позиционирует d1-2B как преемницу d1-3B: новые форматы структурированных ответов расширяют возможности прежней модели — ответы «да/нет», выбор вариантов и оценку. По словам Liquid, модели оценивают несколько вопросов о входных данных за один проход и возвращают структурированные ответы с вероятностями. Среди новых форматов — извлечение полей, локализация объектов, оценка числовых значений и выбор нескольких подходящих вариантов.

Предприятию, которому нужно классифицировать входящую заявку или извлечь дату из счёта, такой узкий формат может оказаться полезнее, чем развёрнутый диалоговый ответ. Тем не менее, прежде чем доверять автоматические решения оценкам вероятности, их нужно проверить на собственных данных компании.

Liquid также приводит конкретный пример дообучения. Компания адаптировала LFM3-VL-2B примерно на 3 000 общедоступных изображений ветряных турбин, потратив несколько часов обучения на Nvidia A100, а затем оценила её на отложенной выборке примерно из 1 400 изображений.

Компания сообщает о точности классификации в 67% — до специализации она была ниже 10%. Однако отдельный показатель F1 для детекции, отражающий способность выявлять и локализовать дефекты, достигает лишь 0,11 против 0,003 ранее. Пример демонстрирует существенный выигрыш от обучения под конкретную задачу, но не доказывает готовность к автономному промышленному контролю. В анонсе есть ссылки на пример дообучения для ветряных турбин и ноутбуки для файнтюнинга для разработчиков, оценивающих этот подход.

В примере из робототехники около шести GPU-часов на AMD Instinct MI325X ушло на то, чтобы адаптировать модель компьютерного зрения для управления симулированной роботизированной рукой через программные инструменты. Liquid называет робототехнику исследовательским направлением, поэтому этот результат следует отличать от промышленного внедрения.

Цены в консоли делают вариант с облачным развёртыванием более конкретным.

Чтобы увидеть цены на LFM3 и получить API-ключ для прямого обращения к новым моделям, разработчикам нужно войти в консоль Liquid. В каталоге, доступном после авторизации и изученном VentureBeat, указаны четыре генеративные модели LFM3, каждая из которых помечена как общедоступная в рамках сервиса.

Источник: каталог моделей Liquid AI, доступный после авторизации. Цены указаны в долларах США за миллион токенов; плата за аудио взимается за миллион аудиотокенов, а не за минуту. Цены по контрактам могут отличаться.

При таких тарифах обработка миллиона некэшированных входных токенов и генерация миллиона выходных обойдётся в 0,28 доллара с LFM3-1.7B. Аналогичная стоимость текстовых токенов составит 0,60 доллара для модели компьютерного зрения и 1,10 доллара для Audio или Omni — без учёта платы за аудиотокены. Эти расчёты иллюстрируют стоимость токенов, а не стоимость выполнения конкретной бизнес-задачи.

Для всех четырёх облачных моделей LFM3 указан лимит контекста в 128 000 токенов. В полях ограничений на количество запросов стоят прочерки, но консоль не обещает неограниченного числа запросов: в сопутствующем уведомлении говорится, что лимиты использования распределяются между всеми API-ключами организации.

В консоли также указана модель d1.1 по цене 0,02 доллара за миллион входных токенов, с такой же ценой за кэшированный ввод и без платы за вывод. Этот облачный идентификатор отличается от названия загружаемой модели d1-2B; из скриншотов не следует, что это одна и та же модель.

Для покупателей, которым важна конфиденциальность, в консоли указано, что ни одна из перечисленных моделей не хранит данные. По словам Liquid, переданные материалы используются только для выполнения запросов, не сохраняются, не журналируются и не применяются для обучения. Это заявленное обязательство компании; регионы размещения и гарантии поддержки в изученных материалах не указаны.

У команд, выбирающих локальное развёртывание, иная структура затрат. Liquid даёт ссылки на веса LFM3 на Hugging Face, свою Playground и консоль API. В каталоге моделей описаны доступные форматы и среды выполнения, причём поддержка различается для текстовых, визуальных, аудиомоделей и моделей принятия решений. Покупателям стоит проверять конкретную модель и формат, а не исходить из того, что любая функция работает в любой среде.

На загружаемые веса также распространяются коммерческие условия. В документации LFM3-1.7B прямо указана лицензия LFM Open License v1.0. Согласно опубликованным условиям лицензирования Liquid, компаниям с годовой выручкой свыше 10 млн долларов для коммерческого использования требуется отдельное соглашение. Организации могут не раскрывать свои адаптации, а на странице с ценами Liquid указано, что стоимость корпоративной лицензии зависит от масштаба развёртывания.

Это значит, что локальное развёртывание избавляет от потокенной оплаты API, но не от расходов на лицензии, оборудование, электроэнергию и эксплуатацию. Кроме того, локально работающий агент может передавать информацию через подключённый веб-поиск, мессенджеры и другие внешние инструменты, даже если сам инференс выполняется на оборудовании компании.

Для технических руководителей предприятий наиболее обоснованная отправная точка — ограниченный рабочий процесс с измеримыми результатами: поле документа, которое нужно извлечь, категория заявки, которую нужно присвоить, или последовательность одобренных вызовов инструментов. Оцените точность и задержку развёрнутой версии, а затем учтите расходы на лицензирование, оборудование, обслуживание и проверку людьми.

Результаты Liquid служат убедительным доводом в пользу того, чтобы проверить, какой объём полезной работы способна выполнить небольшая модель. Получит ли LFM3 место в продакшене, будет зависеть от того, насколько надёжно она справляется с конкретной задачей, которая нужна предприятию.