Liquid AI 发布 LFM3 系列：六个 2B 级多模态模型共享同一骨干

LFM3 是我们新一代的 Liquid Foundation Models（LFM），旨在成为专用智能的起点。它将文本、视觉、音频、全模态和决策模型统一到一个共享骨干上，全部处于 2B 参数范围内。这意味着你可以为你的模态选择模型，在单块 GPU 上用你自己的数据进行微调，并将其部署到你的应用运行的地方。

与之前的 LFM2 系列相比，LFM3 带来了四项主要变化：

• 每参数更强能力：全新的三混合架构和训练配方使 LFM3-1.7B 在参数减少 35% 的情况下超越 LFM2.5-2.6B。
• 所有模态共用一个骨干：六个 2B 级模型（文本、视觉、音频、全模态和决策）均从 LFM3-1.7B-Base 训练而来，包括我们的首个全模态模型以及视觉模型的视频输入。
• 为边缘而建：文本模型在 4 位精度下仅占约 1 GB，全新的自研视觉和音频编码器加速处理，文本模型的 256K 上下文窗口让智能体可在设备端运行。
• 为专用而生：每个模型都能在单块 GPU 上微调，因此你可以将其适配到你的数据、术语和部署环境。

我们如何构建更具表现力的骨干

LFM2 表明，短卷积与注意力的混合架构可以在设备端快速运行而不牺牲质量。对于 LFM3，我们使用硬件在环架构搜索，针对智能体用例重新设计了该架构，这些用例需要每参数更强能力以及在长上下文上的快速推理。搜索现在覆盖 14 种设备和后端组合，从手机和 Raspberry Pi 5 到笔记本电脑、云 CPU、GPU 以及 Qualcomm Hexagon NPU。

LFM3-1.7B-Base 有 24 层和四项主要变化：

1. 三混合层组合：13 个门控短卷积、5 个窗口为 256 个 token 的滑动窗口注意力（SWA）层，以及 6 个全局注意力层。卷积的核大小从 LFM2 的 3 提升到 7。
2. 逐头门控注意力：一个 sigmoid 门控缩放每个头的输出，因此当头没有可补充的信息时可以关闭。这有助于抑制损害量化的激活离群值。
3. 部分 RoPE：全局注意力层只旋转每个头中频率最高的那一半，因此另一半无论距离如何都按内容匹配。SWA 层保留完整 RoPE。
4. 三明治归一化：每个块对其输入和输出都进行归一化，以保持激活值缩放良好。

收益在长上下文上显现。按参数计算，LFM3-1.7B 在边缘设备上的短提示上与 LFM2-1.2B 相当，而在上下文中有 8K token 时约快 25%。LFM3-1.7B-Base 在 22T token 上预训练，使用与 LFM2.5-8B-A1B 相同的 128K 词表。最后 3.5T token 是在精选数据上的中期训练阶段，其中智能体轨迹和工具调用的占比更高，这还将上下文窗口扩展到 256K token。

一个骨干，六个模型

每个 LFM3 模型都从 LFM3-1.7B-Base 分支而来。与其运行一个大型通用模型，不如选择适合你输入的模型，对其进行定制，并在设备端运行。

视觉和音频模型还获得了两个新的自研编码器：

• 视觉编码器：它结合了卷积和注意力，计算量比之前 LFM VL 模型中的 SigLIP2 编码器少 3 倍。我们 164M 参数的编码器在准确率上与 Qwen3.5-2B 的视觉编码器相当，而所需 FLOPs 少 2.2 倍（两者均使用相同的 LFM2.5-230M 语言主干测量）。对于视频，它将每对采样帧嵌入到一个时间切片中，使时间序列长度减半。
• 音频编码器和 LiquidCodec：音频编码器混合了滑动窗口注意力和短卷积，并且完全因果，因此模型可以在你说话时进行预填充，首 token 时间低至 50 ms。LiquidCodec 是我们新的音频分词器，在 Apple M4 Max 的单 CPU 线程上以约 87 倍实时速度将生成的 token 转换为语音，并支持流式解码。

如何使用 LFM3 模型

每个模型都在 transformers 中运行。下面的代码片段来自模型卡，模型卡还列出了每个模型支持的其他推理引擎。

LFM3-1.7B

当你需要本地智能体、工具调用、结构化输出，或作为领域特定微调的基础时，请选择 LFM3-1.7B。它经过后训练，可在 Hermes Agent、Pi 和 OpenClaw 等智能体框架中运行。它以少 35% 的参数超越了前代 LFM2.5-2.6B，最大的提升在智能体任务上：在 WebArena-Verified 上，它得分为 38.42，而前代为 3.02，甚至在浏览器和商业应用中的长任务上超过了 Qwen3.5-9B。你可以在 LFM3-1.7B 模型卡中找到更多细节。

要运行 LFM3-1.7B，请安装最新版本的 transformers：

pip install -U transformers

然后加载并运行模型：

from transformers import pipeline

generator = pipeline(
    "text-generation",
    model="LiquidAI/LFM3-1.7B",
    trust_remote_code=True,
)

messages = [{"role": "user", "content": "What is C. elegans?"}]
output = generator(
    messages,
    do_sample=True,
    temperature=0.1,
    top_k=50,
    repetition_penalty=1.1,
    max_new_tokens=2048,
)
print(output[0]["generated_text"][-1]["content"])

有关本地智能体设置，请参阅 Agent Harnesses 指南。

LFM3-VL-2B

当你需要在设备端进行视觉理解时，请选择 LFM3-VL-2B。它是首个接受视频输入的 LFM 视觉模型；它在回答前逐步推理，并能找到物体并推理它们的摆放方式，为机器人技术奠定了坚实基础。与 LFM2.5-VL-3B 相比，它的参数更少（1.9B 对 3.1B），却将 62 个视觉基准的平均分从 57.6 提升到 71.4，与 Gemma 4 12B 相当，而后者规模是其六倍多。你可以在 LFM3-VL-2B 模型卡中找到更多细节。

要运行 LFM3-VL-2B，请安装 transformers>=5.21.0 及其视觉依赖项：

pip install "transformers>=5.21.0" torch torchvision pillow

然后加载并运行模型：

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "LiquidAI/LFM3-VL-2B"

model = AutoModelForImageTextToText.from_pretrained(model_id, dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://placecats.com/300/200"},
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.1,
        top_k=50,
        repetition_penalty=1.1,
        max_new_tokens=16384,  # generate() needs an explicit limit; reasoning can be long
    )

generated_ids = output_ids[:, inputs["input_ids"].shape[1] :]
print(processor.batch_decode(generated_ids, skip_special_tokens=True)[0])

有关工具调用、工具搜索以及使用 llama.cpp 进行设备端推理，请参阅 LFM3-VL-2B 模型卡。

LFM3-Audio-2B

当你需要在笔记本电脑或边缘设备上进行 18 种语言的语音聊天、语音识别、语音合成或翻译时，请选择 LFM3-Audio-2B。它接受文本或音频作为输入，并以文本、语音或两者兼有的方式回应，还能将语音请求转化为工具调用。与 LFM2.5-Audio-1.5B 相比，它使用了新的自研音频编码器和语音编解码器，语音质量更高（UTMOSv2 3.83 对 3.22），并增加了音频理解、通用音频推理和工具调用。你可以在 LFM3-Audio-2B 模型卡中找到更多细节。

要运行 LFM3-Audio-2B，请安装 transformers>=5.20.2 及其音频依赖项：

pip install "transformers>=5.20.2" torch accelerate librosa soundfile

直接从 Hugging Face Hub 加载模型和处理器：

import torch
import soundfile as sf

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "LiquidAI/LFM3-Audio-2B"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device == "cuda" else torch.float32

model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype=dtype, device_map=device, trust_remote_code=True
).eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
codec = processor.audio_tokenizer.to(device=device).eval()

然后大声提出一个问题，并以文本和语音形式获得回复：

conversation = [
    {"role": "system", "content": "Respond with interleaved text and audio."},
    {"role": "user", "content": [{"type": "audio", "audio": "question.wav"}]},
    {"role": "assistant", "content": "<|mixed_start|>"},
]
inputs = processor.apply_chat_template(
    conversation,
    continue_final_message=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(device)
with torch.no_grad():
    outputs = model.generate(
        **inputs,
        max_new_tokens=1024,
        audio_temperature=1.0,
        audio_top_k=128,
        audio_repetition_penalty=1.1,
        audio_repetition_window=4096,
        return_dict_in_generate=True,
    )

    text = processor.decode(
        outputs.sequences[0, inputs["input_ids"].shape[1]:],
        skip_special_tokens=True,
    )
    waveform = codec.decode(
        outputs.audio_codes[:1, :, :outputs.audio_lengths[0]]
    ).audio_values[0]  # 24 kHz
print(text)
sf.write("reply.wav", waveform.float().cpu().numpy(), 24_000)

有关实时语音识别、语音合成、音频理解和工具调用，请参阅 LFM3-Audio-2B 模型卡。

LFM3-Omni-2B

当你需要一个能在设备端同时看、听和回话的单一模型，以替代单独的 ASR 模型、视觉语言模型、LLM 和 TTS 模型时，请选用 LFM3-Omni-2B。它可以回答关于图像的语音问题，同时观看和聆听视频，并将其看到和听到的内容转化为工具调用。它是我们的首个全模态模型，支持文本、视觉和音频输入，以及文本和语音输出，并保留了独立 LFM3 模型的核心能力，包括视觉问答、语音识别、语音合成和指令遵循。与 LFM3-Audio-2B 一样，它通过 LiquidCodec 发声，该编解码器将生成的 token 转换为语音的速度快于实时，因此语音回复会随模型生成而流式输出。在音视频视频理解方面，它在 Daily-Omni、WorldSense 和 AV-SpeakerBench 上击败了参数量高达 10.7B 的模型，例如 Qwen2.5-Omni-7B。更多详情请参阅 LFM3-Omni-2B 模型卡。

要运行 LFM3-Omni-2B，请安装 transformers>=5.20.2 及其视觉和音频依赖项：

pip install "transformers>=5.20.2" torch torchvision torchcodec accelerate pillow librosa soundfile

import torch
import soundfile as sf

from transformers import AutoModelForMultimodalLM, AutoProcessor

model_id = "LiquidAI/LFM3-Omni-2B"
device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if device == "cuda" else torch.float32

model = AutoModelForMultimodalLM.from_pretrained(
    model_id, dtype=dtype, device_map=device, trust_remote_code=True
).eval()
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
codec = processor.audio_tokenizer.to(device=device).eval()

然后通过语音提出关于照片的问题：

conversation = [
    {
        "role": "system",
        "content": "Answer questions about the provided image. Base every answer only on what can be seen. Respond with text.",
    },
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "photo.jpg"},
            {"type": "audio", "audio": "question.wav"},
        ],
    },
]
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(device)

with torch.no_grad():
    outputs = model.generate(**inputs, max_new_tokens=1024, generation_mode="text")

print(processor.decode(
    outputs.sequences[0, inputs["input_ids"].shape[1]:outputs.sequence_lengths[0]],
    skip_special_tokens=True,
))

有关语音输出、带音轨的视频和工具调用，请参阅 LFM3-Omni-2B 模型卡。

d1-2B 和 d1-omni-2B

当你需要快速、结构化的决策而非生成文本时，请选用 d1 模型。给它们一个情境（支持工单、发票、应用界面、照片、语音便笺）和一组问题，它们会在单次前向传播中回答所有问题，每个答案都带有校准后的概率。除了是/否、选项和评分之外，它们现在还能指向物体、从文档中读取数值、估算带范围的数字，并选出所有适用选项。更多详情请参阅 d1-2B 和 d1-omni-2B 的模型卡。

在两个 d1 模型之间：

• d1-2B：选择它来处理文本、图片和视频。它以少三分之一的参数量取代 d1-3B，并在我们全部四个决策套件上得分更高，例如在 ImajevBench 上为 75.5 对 64.0。
• d1-omni-2B：当你的输入包含音频时选择它。如果你通过语音而非书面文字提问，它几乎能保持全部准确率。

要运行 d1-2B，请安装 transformers>=5.19 及其视觉依赖项：

pip install "transformers>=5.19" torch torchvision pillow

然后加载 d1-2B，并在单次传播中就一个支持工单向它提出多个问题：

import torch
from transformers import AutoModel

device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu"
dtype = torch.float32 if device == "cpu" else torch.bfloat16
model = AutoModel.from_pretrained("LiquidAI/d1-2B", trust_remote_code=True, dtype=dtype).to(device)

# Several named questions over one state, answered in one pass
questions = {
    "refund": {"type": "noul", "instructions": "Is the customer asking for a refund?"},  # yes/no: P(yes)
    "team": {"type": "choice", "instructions": "Which team should handle this?",
             "criteria": {"billing": "Charges, refunds, invoices", "shipping": "Delivery and parcels",
                          "technical": "App or site faults"}},
    "topics": {"type": "choice", "multiple": True, "instructions": "Which topics does the message raise?",
               "criteria": {"billing": "Payments and charges", "delivery": "Shipping and parcels",
                            "login": "Signing in to the account"}},
    "urgency": {"type": "score", "instructions": "How urgent is this ticket?", "criteria": ["low", "medium", "high"]},
}
out = model.system_one("I was charged twice and my parcel never arrived. Please refund one charge.", questions)
a = out["answers"]
urgency = a["urgency"]["legend"][str(int(a["urgency"]["score"]))]
print(round(a["refund"]["noul"], 2), a["team"]["choice"], a["topics"]["choices"], urgency)
# 1.0 billing ['billing', 'delivery'] medium

为简洁起见，我们仅包含 d1-2B 的示例。有关音频片段和语音问题，请参阅 d1-omni-2B 模型卡。

为你的任务微调 LFM3

LFM3 专为专业化而构建。前沿模型是强大的通才，但它们未必是你用例中的专家。LFM3 将额外容量装入一个小而快的模型中，因此一次简短的微调就能将其转变为可靠的任务专家，掌握你的数据、术语和工具。由于它体积小，你可以将微调后的模型部署在应用运行的地方，从设备到私有基础设施再到云端。

每个模型都可以在单块 GPU 上微调，这些 notebook 将带你完成文本、视觉、音频和全模态模型的完整任务，从数据准备到评估。

示例：教 LFM3 执行动作

我们将 LFM3-VL-2B 适配为三个互补的机器人模型，分别用于编排、导航和操作。编排器通过工具调用操作机械臂：它通过指向来定位物体，用深度工具测量它们，调用运动规划器，并在后续相机图像中检查结果。导航器利用最近的 RGB 观测遵循路线描述，仅用五个 token 预测空间目标和航点轨迹。操作 VLA 在单次前向传播中将图像、语言和机器人状态映射为八步连续动作块。该 VLA 在 15 种具身形态上联合训练，在四个 LIBERO 套件上平均成功率达到 96.2%，在 RoboCasa-GR1 桌面任务上达到 45.7%，并在搭载 TensorRT FP16 的 Jetson AGX Orin 上以不到 50 ms 生成动作块。这些结果凸显了 LFM3-VL-2B 作为紧凑型机器人基础模型的潜力，涵盖从高层规划到低层控制，并能在嵌入式硬件上实时生成动作。

观看 LFM3-VL-2B 在此演示视频中处理感知、导航和操作。

开始使用 LFM3

所有 LFM3 模型均为开放权重，现已在 Hugging Face 上提供：

• 下载：Hugging Face 上的 LFM3 合集，包括用于自行后训练的 LFM3-1.7B-Base。
• 微调：使用我们的微调 Notebook 将 LFM3 适配到你的任务。
• 在你的运行框架中使用：遵循我们的指南，了解如何运行本地智能体，例如 OpenClaw、Hermes Agent 和 Pi。

我们迫不及待想看到你的作品。

引用

如果你使用本工作，请引用发布博客：

@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},
}