Liquid AI's LFM3: Six 2B Open Models, One Shared Brain — and a 1GB Phone-Sized Agent
Liquid AI announced LFM3 on October 27, 2026, and the pitch is the opposite of the usual bigger-is-better launch: six open-weight models, all around 2 billion parameters, all branching from one shared backbone, built to run where the big models cannot — on a phone, a laptop, a Raspberry Pi. The tex
Liquid AI hat LFM3 am 27. Oktober 2026 angekündigt, und das Konzept ist das Gegenteil des üblichen Bigger-is-better-Launch: sechs Open-Weight-Modelle, alle um die 2 Milliarden Parameter, alle aus einem gemeinsamen Backbone hervorgegangen und darauf ausgelegt, dort zu laufen, wo große Modelle nicht können, nämlich auf einem Smartphone, einem Laptop oder einem Raspberry Pi. Das Textmodell benötigt bei 4-Bit-Präzision etwa 1 GB Speicher. Das ist die ganze Geschichte in einer Zahl: ein Agent-Modell, klein genug, um auf dem Gerät zu leben, dem es dient.
Offenlegung: In diesem Artikel befinden sich keine Affiliate-Links. Alle folgenden Benchmark-Zahlen stammen aus Liquid AIs eigenen Messungen der Launch-Ankündigung und der Modellkarten. Sie wurden bislang nicht unabhängig überprüft, und ich weise an jeder Stelle darauf hin, wo sie auftauchen. Ich habe die Modelle nicht selbst ausprobiert; dies ist eine recherchierte Analyse, kein von mir durchgeführter Benchmark. Die Lizenz-Zusammenfassung ist eine umgangssprachliche Lesart, keine Rechtsberatung.
Jedes LFM3-Modell geht aus derselben Basis hervor, LFM3-1.7B-Base. Dieses gemeinsame Backbone ist der Kernpunkt: Wer eine Familie lernt, erhält konsistentes Verhalten bei den Text-, Vision-, Audio- und Decision-Varianten.
Die Gewichte sind auf Hugging Face offen verfügbar, außerdem über den Liquid AI Playground und die API abrufbar. Die Checkpoint-Varianten decken die Laufzeiten ab, die Entwickler tatsächlich nutzen: BF16, FP8 und NVFP4 für vLLM und SGLang, GGUF für llama.cpp und Ollama, MLX für Apple Silicon und ONNX für die ONNX Runtime.
LFM3-1.7B-Base hat 24 Schichten: 13 gated short convolutions, fünf Sliding-Window-Attention-Schichten mit einem 256-Token-Fenster und sechs globale Attention-Schichten. Liquid hat gegenüber der vorherigen Generation drei Änderungen vorgenommen: eine head-wise gated Attention, die Aktivierungs-Ausreißer unterdrücken kann, welche die Quantisierung beeinträchtigen, partielles RoPE auf den globalen Schichten sowie eine Sandwich-Norm am Ein- und Ausgang jedes Blocks.
Die Architektur wurde durch eine Hardware-in-the-Loop-Suche über 14 Geräte- und Backend-Kombinationen ausgewählt: Smartphones (Samsung Galaxy S26 Ultra, OnePlus 15), ein Raspberry Pi 5, Laptops (Apple M4 Max, AMD Ryzen AI), Arm- und x86-Cloud-CPUs, GPUs sowie die Qualcomm Hexagon NPU. Deshalb ist die Footprint-Angabe als Designziel glaubwürdig: Das Modell wurde an realer Edge-Hardware gesucht, nicht nur an Server-GPUs.
Der Trainingsumfang ist für ein Modell dieser Größe beachtlich: 22 Billionen Pre-Training-Tokens, mit einer abschließenden Mid-Training-Phase über 3,5 Billionen Tokens auf kuratierten Daten mit mehr agentic Traces und Tool Calls, wobei zugleich der Kontext auf 256K Tokens erweitert wurde. Das Post-Training lief in vier Stufen: supervised fine-tuning auf 1,75 Billionen Tokens, gemischtes Reinforcement Learning, Distillation von sechs spezialisierten Lehrermodellen sowie agentic Reinforcement Learning innerhalb echter Agent-Harnesses.
Erneut der Hinweis: Dies sind Liquids Angaben, keine unabhängigen Ergebnisse. Aber auch die ehrlich benannten Grenzen sind so aufschlussreich wie die Erfolge.
Liquid zufolge übertrifft LFM3-1.7B den Vorgänger LFM2.5-2.6B mit 35 Prozent weniger Parametern und läuft bei 8K Tokens Kontext etwa 25 Prozent schneller als LFM2-1.2B. Bei WebArena-Verified meldet Liquid 38,42 gegenüber 3,02 für LFM2.5-2.6B, ein enormer Sprung bei agentic Tasks, und genau dorthin zielt das Modell.
Bei Vision berichtet Liquid, dass das VL-Modell den Durchschnitt über 62 Vision-Benchmarks gegenüber LFM2.5-VL-3B von 57,6 auf 71,4 steigert, während es 1,9B statt 3,1B Parameter verwendet. Damit liegt es nach Liquids Messungen auf dem Niveau von Gemma 4 12B, einem mehr als sechsmal größeren Modell. Beim Audio liegt die Sprachqualität bei 3,83 auf UTMOSv2 gegenüber 3,22 beim vorherigen Audio-Modell, mit einer Time to First Token von bis zu 50 ms. Beim Omni sagt Liquid, dass das 2,2B-Omni-Modell auf Benchmarks für audiovisuelles Verständnis Modelle bis 10,7B schlägt, darunter Qwen2.5-Omni-7B.
Dann die Grenze, die auf der Modellkarte selbst steht: LFM3-1.7B wird wegen seiner geringen Größe nicht für agentic Coding oder komplexe mehrstufige Reasoning-Aufgaben empfohlen. Für wissensintensive Aufgaben sollen Retrieval oder Suche eingesetzt werden. Das ist eine erfrischend direkte Eingeständnis, und es zeigt genau, wohin dieses Modell gehört: lokale Agenten, Tool Calling, strukturierte Ausgaben und domänenspezifisches Fine-Tuning, nicht als sofortiger Ersatz für ein Frontier-Coding-Modell.
Beim Durchsatz sagt Liquid, dass LFM3-1.7B auf einer einzigen NVIDIA B300 bei 1.024 gleichzeitigen Anfragen 3,6 Milliarden Tokens pro Tag erzeugen kann. Und jedes Modell lässt sich auf einer einzelnen GPU fine-tunen, mit veröffentlichten Notebooks für supervised fine-tuning, DPO, GRPO und continued pre-training. In einem Unternehmensbeispiel wurde das VL-Modell auf rund 3.000 öffentliche Fotos von Windkraftanlagenblättern über einige Stunden auf einer A100 fine-getunt und steigerte die Genauigkeit der Defektklassifikation auf 67 Prozent.
LFM3 erscheint unter der LFM Open License v1.0, nicht unter Apache 2.0, und dieser Unterschied ist wichtig. Jeder darf das Modell herunterladen, verwenden, verändern und teilen, einschließlich fine-getunter Versionen. Die kommerzielle Nutzung ist jedoch nur unterhalb einer Schwelle frei: Unternehmen mit einem Jahresumsatz von 10 Millionen US-Dollar oder mehr benötigen eine separate kommerzielle Vereinbarung mit Liquid AI. Qualifizierte gemeinnützige Organisationen sind für nicht-kommerzielle oder Forschungsnutzung von der Schwelle ausgenommen.
Für einen Solo-Entwickler, ein Startup oder eine kleine Agentur ist das faktisch kostenlos. Für ein Unternehmen an oder über der Schwelle, oder eines, das darüber hinaus wachsen will, ist es ein Modell, das man testen, aber nicht ausliefern kann, ohne vorher mit Liquid zu sprechen. Das sollte man jetzt einplanen, nicht erst bei der Series B. Dies ist eine Zusammenfassung, keine Rechtsberatung: Die Lizenzdatei liegt neben dem Modell auf Hugging Face und verdient fünf Minuten Lesezeit, bevor man etwas Kommerzielles ausliefert.
Die Launch-Partner zum Start signalisieren, wo Liquid den Einsatz erwartet: Ambarella, AMD, Arm, Intel über OpenVINO, NVIDIA, OpenRouter, Qualcomm über Qualcomm AI Hub und GenieX sowie Vercel, mit Mercedes-Benz und Shopify als Testpartnern vor der Veröffentlichung. Das ist eine Edge- und Device-Geschichte, keine Data-Center-Geschichte.
LFM3 verwenden für: lokale Agenten auf Smartphones und Laptops, Tool Calling, strukturierte Ausgaben, Dokumenten- und Bildverständnis auf dem Gerät, Voice-Agenten, wo Latenz zählt, und domänenspezifisches Fine-Tuning auf einer einzelnen GPU.
Die Decision-Modelle verwenden für: Klassifikation, Extraktion und Routing, wo man eine kalibrierte Wahrscheinlichkeit braucht statt Prosa, also Moderation, Triage, Formularfeld-Extraktion und Multi-Label-Auswahl.
LFM3 nicht verwenden für: agentic Coding, komplexe mehrstufige Reasoning-Aufgaben oder wissensintensive Fragebeantwortung ohne Retrieval. Das sagt die Modellkarte selbst.
Vor kommerziellem Ausliefern prüfen: die Umsatzschwelle von 10 Millionen US-Dollar in der LFM Open License v1.0.
LFM3 ist nicht auf die Weise spannend, wie ein Flaggschiff-Launch spannend ist, und genau deshalb ist es wichtig. Das Agenten-Zeitalter lebt nicht nur auf dem intelligentesten Modell in der Cloud. Es lebt auch auf dem Modell, das privat und sofort auf dem Gerät in der Hand läuft, ohne Umweg, ohne API-Rechnung, ohne Daten, die den Raum verlassen.
Liquid hat gerade sechs solcher Modelle ausgeliefert: offen, auf einem Backbone, in einer Größe, die ein Smartphone halten kann. Wenn unabhängige Tests auch nur die Hälfte der Herstellerangaben bestätigen, wird LFM3 zur Standard-Referenz für Arbeiten an lokalen Agenten, nicht weil ein 1,7B-Modell ein Frontier-Modell schlägt, sondern weil es das kleinste Modell ist, das für die Aufgabe gut genug ist, und es dort läuft, wo das Frontier-Modell nicht hinkommt.
Was ist Liquid AI LFM3? Eine Familie von sechs Open-Weight-Modellen im Bereich von 2B Parametern, angekündigt am 27. Oktober 2026, alle aus demselben LFM3-1.7B-Base-Backbone hervorgegangen: Text, Vision, Audio, Omni und zwei Decision-Modelle.
Kann LFM3 auf einem Smartphone laufen? Liquid AI sagt, das 1,73B-Textmodell benötigt bei 4-Bit-Präzision etwa 1 GB Speicher, und seine Architektursuche umfasste Smartphones, einen Raspberry Pi 5, Laptops und NPUs. Das ist jedoch eine Footprint-Angabe, kein Versprechen, dass jedes Smartphone jedes Modell gut ausführt.
Ist LFM3 für die kommerzielle Nutzung kostenlos? Unter der LFM Open License v1.0 ist die kommerzielle Nutzung unterhalb der Schwelle von 10 Millionen US-Dollar Jahresumsatz kostenlos; Unternehmen an oder über dieser Schwelle benötigen eine separate kommerzielle Vereinbarung mit Liquid AI.
Wo bekomme ich LFM3? Offene Gewichte auf Hugging Face, dazu der Liquid AI Playground und die API, mit GGUF-, MLX-, ONNX-, BF16-, FP8- und NVFP4-Checkpoint-Varianten für llama.cpp, MLX, vLLM, SGLang und die ONNX Runtime.
Ist LFM3 gut für Coding? Nicht laut seiner eigenen Modellkarte: LFM3-1.7B wird wegen seiner geringen Größe nicht für agentic Coding oder komplexe mehrstufige Reasoning-Aufgaben empfohlen. Seine Stärke sind lokale Agenten, Tool Calling, strukturierte Ausgaben und domänenspezifisches Fine-Tuning.
Quellen: Liquid AIs LFM3-Release-Beitrag und die LFM3-1.7B-Modellkarte auf Hugging Face, wie von Unite.AI und Liquids eigener Dokumentation berichtet. Die Benchmark-Zahlen stammen von Liquid AI selbst und wurden nicht unabhängig überprüft.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
Liquid AI announced LFM3 on October 27, 2026, and the pitch is the opposite of the usual bigger-is-better launch: six open-weight models, all around 2 billion parameters, all branching from one shared backbone, built to run where the big models cannot — on a phone, a laptop, a Raspberry Pi. The text model, at 4-bit precision, takes about 1 GB of memory. That is the whole story in one number: an agent model small enough to live on the device it serves.
Disclosure: no affiliate links in this article. All benchmark figures below are Liquid AI's own measurements from its launch announcement and model cards — they have not been independently verified yet, and I say so wherever they appear. I have not run the models hands-on; this is researched analysis, not a benchmark I performed. The licence summary is a plain-language reading, not legal advice.
Every LFM3 model branches from the same base, LFM3-1.7B-Base. That shared backbone is the point: learn one family, and the text, vision, audio and decision variants behave consistently.
The weights are open on Hugging Face, and also available through the Liquid AI Playground and API. Checkpoint variants cover the runtimes developers actually use: BF16, FP8 and NVFP4 for vLLM and SGLang, GGUF for llama.cpp and Ollama, MLX for Apple Silicon, and ONNX for ONNX Runtime.
LFM3-1.7B-Base has 24 layers: 13 gated short convolutions, five sliding-window attention layers with a 256-token window, and six global attention layers. Liquid made three changes over the previous generation: head-wise gated attention that can suppress the activation outliers which hurt quantisation, partial RoPE on global layers, and a sandwich norm on each block's input and output.
The architecture was chosen by a hardware-in-the-loop search expanded to 14 device and backend combinations — phones (Samsung Galaxy S26 Ultra, OnePlus 15), a Raspberry Pi 5, laptops (Apple M4 Max, AMD Ryzen AI), Arm and x86 cloud CPUs, GPUs and the Qualcomm Hexagon NPU. That is why the footprint claim is credible as a design goal: the model was searched against real edge hardware, not just server GPUs.
Training scale is serious for a model this size: 22 trillion pre-training tokens, with a final 3.5T-token mid-training stage on curated data with more agentic traces and tool calls, which also stretched the context to 256K tokens. Post-training ran in four stages — supervised fine-tuning on 1.75T tokens, mixed reinforcement learning, distillation from six specialist teachers, and agentic reinforcement learning inside real agent harnesses.
Again: these are Liquid's claims, not independent results. But the honest limits are as informative as the wins.
Liquid says LFM3-1.7B outperforms its predecessor LFM2.5-2.6B with 35% fewer parameters, and runs about 25% faster than LFM2-1.2B at 8K tokens in context. On WebArena-Verified it reports 38.42 against 3.02 for LFM2.5-2.6B — a huge jump on agentic tasks, which is exactly where the model is aimed.
For vision, Liquid reports the VL model raising the average across 62 vision benchmarks from 57.6 to 71.4 against LFM2.5-VL-3B, while using 1.9B parameters instead of 3.1B — putting it, on Liquid's measurements, on par with Gemma 4 12B, a model more than six times larger. For audio, speech quality of 3.83 on UTMOSv2 against 3.22 for the previous audio model, with time to first token as low as 50 ms. For omni, Liquid says the 2.2B omni model beats models up to 10.7B, including Qwen2.5-Omni-7B, on audio-visual understanding benchmarks.
Then the limit, stated on the model card itself: LFM3-1.7B is not recommended for agentic coding or complex multi-step reasoning because of its small size. Use retrieval or search for knowledge-heavy tasks. That is a refreshingly straight admission, and it tells you exactly where this model belongs: local agents, tool calling, structured outputs and domain-specific fine-tuning — not as a drop-in replacement for a frontier coding model.
On throughput, Liquid says LFM3-1.7B can produce 3.6 billion tokens per day on a single NVIDIA B300 at 1,024 concurrent requests. And every model can be fine-tuned on a single GPU, with published notebooks for supervised fine-tuning, DPO, GRPO and continued pre-training. In one company example, the VL model was fine-tuned on about 3,000 public wind-turbine blade photos for a few hours on one A100, raising defect classification accuracy to 67%.
LFM3 ships under the LFM Open License v1.0 — not Apache 2.0, and the difference matters. Anyone may download, use, modify and share it, including fine-tuned versions. But commercial use is free only below a threshold: companies with annual revenue of $10 million or more need a separate commercial agreement with Liquid AI. Qualified non-profits are exempt from the threshold for non-commercial or research use.
For a solo developer, a startup or a small agency, this is effectively free. For a company at or above the threshold — or one planning to grow past it — it is a model you can test but not ship without talking to Liquid first. Factor that in now, not at your Series B. This is a summary, not legal advice: the licence file sits beside the model on Hugging Face and is worth five minutes before you deploy anything commercial.
Day-0 launch partners signal where Liquid expects this to run: Ambarella, AMD, Arm, Intel via OpenVINO, NVIDIA, OpenRouter, Qualcomm via Qualcomm AI Hub and GenieX, and Vercel — with Mercedes-Benz and Shopify named as pre-release testing partners. That is an edge and device story, not a data-centre story.
Use LFM3 for: local agents on phones and laptops, tool calling, structured outputs, document and image understanding on-device, voice agents where latency matters, and single-GPU domain fine-tuning.
Use the decision models for: classification, extraction and routing where you need a calibrated probability, not prose — moderation, triage, form-field extraction, multi-label picks.
Do not use LFM3 for: agentic coding, complex multi-step reasoning, or knowledge-heavy question answering without retrieval. The model card says so itself.
Check before shipping commercially: the $10M revenue threshold in the LFM Open License v1.0.
LFM3 is not exciting in the way a flagship launch is exciting, and that is exactly why it matters. The agent era does not live only on the smartest model in the cloud. It also lives on the model that runs privately, instantly, on the device in your hand — no round trip, no API bill, no data leaving the room.
Liquid just shipped six of those models, open, on one backbone, at a size a phone can hold. If independent testing backs even half of the vendor claims, LFM3 becomes the default to evaluate for local-agent work — not because a 1.7B model beats a frontier model, but because it is the smallest one good enough for the job, and it runs where the frontier model cannot go.
What is Liquid AI LFM3? A family of six open-weight models in the 2B parameter range announced October 27, 2026, all branching from the same LFM3-1.7B-Base backbone: text, vision, audio, omni, and two decision models.
Can LFM3 run on a phone? Liquid AI says the 1.73B text model takes about 1 GB of memory at 4-bit precision, and its architecture search covered phones, a Raspberry Pi 5, laptops and NPUs — but that is a footprint claim, not a promise that every phone runs every model well.
Is LFM3 free for commercial use? Under the LFM Open License v1.0, commercial use is free below the $10 million annual revenue threshold; companies at or above that threshold need a separate commercial agreement with Liquid AI.
Where do I get LFM3? Open weights on Hugging Face, plus the Liquid AI Playground and API, with GGUF, MLX, ONNX, BF16, FP8 and NVFP4 checkpoint variants for llama.cpp, MLX, vLLM, SGLang and ONNX Runtime.
Is LFM3 good for coding? Not according to its own model card: LFM3-1.7B is not recommended for agentic coding or complex multi-step reasoning because of its small size. Its strength is local agents, tool calling, structured outputs and domain fine-tuning.
Sources: Liquid AI's LFM3 release post and the LFM3-1.7B model card on Hugging Face, as reported by Unite.AI and Liquid's own documentation. Benchmark figures are Liquid AI's own and have not been independently verified.