Liquid AI publica no Hugging Face a família de modelos LFM3
A Liquid AI disponibilizou modelos abertos de texto, visão, áudio e decisões, com cerca de 2 bilhões de parâmetros. A empresa diz que eles podem ser ajustados em uma única GPU e executados no dispositivo ou na infraestrutura da aplicação.
A Liquid AI publicou a família LFM3 no Hugging Face e informou que seus modelos de pesos abertos estão disponíveis. A linha reúne modelos de texto, visão, áudio, multimodais e de decisões, na faixa de 2 bilhões de parâmetros, desenvolvidos para serem ajustados a tarefas específicas e executados junto da aplicação.
Entre eles estão o LFM3-1.7B, voltado a agentes e chamadas de ferramentas; o LFM3-VL-2B, que aceita vídeo; o LFM3-Audio-2B, para tarefas de voz em 18 idiomas; e o LFM3-Omni-2B, que recebe texto, imagem e áudio e responde com texto ou fala. Os modelos d1 respondem a várias perguntas sobre uma entrada em uma única passagem e fornecem probabilidades calibradas.
Segundo a Liquid AI, o LFM3-1.7B é cerca de 25% mais rápido que o LFM2-1.2B com contexto de 8 mil tokens. Em testes de robótica divulgados pela empresa, um modelo ajustado a partir do LFM3-VL-2B alcançou 96,2% de sucesso médio nas quatro suítes LIBERO e 45,7% nas tarefas de mesa RoboCasa-GR1. A empresa afirma que cada modelo pode ser ajustado em uma única GPU.
O que muda para você
A novidade atende principalmente desenvolvedores que querem adaptar modelos a tarefas próprias e executá-los no dispositivo, em infraestrutura privada ou na nuvem. Os pesos e instruções de execução estão disponíveis no Hugging Face; o ajuste exige dados e recursos de desenvolvimento, embora a Liquid AI diga que basta uma GPU. A publicação não apresenta um produto de consumo pronto para uso.
Minha leitura
Modelos menores e abertos ampliam as opções para quem precisa adaptar a IA e controlar onde ela roda. Mas a disponibilidade dos pesos não resolve a integração nem comprova que os resultados se repetem em qualquer tarefa: os números de desempenho foram divulgados pela própria Liquid AI. Eu avaliaria a família pelo desempenho no dado e no ambiente reais da aplicação, não só pelo tamanho do modelo ou pelos testes publicados.
Thiago FelizolaConsultor de IA, curador do Diário da IA
