Liquid AI bündelt multimodale LFM3-Modelle auf einer gemeinsamen Basis

Vision- und Audio-Encoder: Anbieterangaben zu Rechenaufwand und Latenz

Für die Vision-Komponente nennt Liquid AI einen eigenen Encoder mit 164 Millionen Parametern, der Konvolutionen und Aufmerksamkeit kombiniert. Gemessen mit derselben Sprachmodellbasis LFM2.5-230M erreiche er laut Anbieter eine Genauigkeit auf dem Niveau des Vision-Encoders von Qwen3.5-2B und benötige dabei 2,2-mal weniger FLOPs. Gegenüber dem SigLIP2-Encoder in früheren LFM-Visionmodellen soll der Rechenaufwand um den Faktor drei geringer sein. Das sind vom Anbieter berichtete Vergleiche; der Blogtext liefert dazu keine unabhängige Auswertung oder vollständige Testmethodik. [1]

Für Video beschreibt Liquid AI ein Verfahren, bei dem jeweils zwei ausgewählte Einzelbilder zu einer zeitlichen Einheit zusammengefasst werden. Dadurch soll sich die Länge der zeitlichen Sequenz halbieren. Das ist eine konkrete Designentscheidung zur Verarbeitung von Videoframes, aber kein Beleg dafür, dass die Modelle beliebig lange Videos oder jedes zeitliche Detail zuverlässig erfassen. Der Beitrag macht in dem vorliegenden Text keine Angaben zu maximaler Videolänge oder zu einer einheitlichen Messung der Videoqualität. [1]

Der Audio-Encoder kombiniert nach Angaben des Unternehmens lokale Aufmerksamkeit mit Kurzkonvolutionen und arbeitet kausal. Dadurch könne das Modell bereits Eingaben verarbeiten, während eine Person noch spricht; die Zeit bis zum ersten Token liege in günstigen Fällen bei 50 Millisekunden. LiquidCodec soll erzeugte Sprach-Tokens mit etwa 87-facher Echtzeitgeschwindigkeit auf einem einzelnen CPU-Thread eines Apple M4 Max in Audio umwandeln und Streaming-Decodierung unterstützen. Solche Latenz- und Durchsatzwerte sind für Sprachschnittstellen relevant, hängen für eine betriebliche Bewertung aber auch von Testbedingungen und Auslastung ab. Diese führt der Beitrag nicht näher aus. [1]

LFM3-Audio-2B soll außerdem Sprachverarbeitung und Übersetzung in 18 Sprachen unterstützen. Als Qualitätsvergleich nennt Liquid AI für die Sprachbewertung UTMOSv2 einen Wert von 3,83 gegenüber 3,22 bei LFM2.5-Audio-1.5B. Ohne nähere Angaben zur Testmenge und Messkonfiguration lässt sich aus der Differenz keine allgemeine Qualitätszusage für reale Kundengespräche, Fachsprache oder geräuschbehaftete Aufnahmen ableiten. [1]

Edge-Einsatz ist ein erklärtes Ziel, aber kein vollständiges Betriebskonzept

Liquid AI positioniert LFM3 ausdrücklich für lokale Anwendungen. Der Anbieter gibt an, das Textmodell passe bei einer 4-Bit-Quantisierung in ungefähr ein Gigabyte Speicher. Quantisierung reduziert die Genauigkeit der Zahlenwerte, mit denen ein Modell gespeichert wird, und kann so den Speicherbedarf verringern. Die genaue Leistung eines quantisierten Modells hängt jedoch von Modell, Verfahren und Aufgabe ab; die Angabe von ungefähr einem Gigabyte bezieht sich im Beitrag auf das Textmodell und belegt nicht denselben Speicherbedarf für Vision-, Audio- oder Omni-Varianten. [1]

Ein Kontextfenster von 256.000 Tokens ist laut Unternehmen ebenfalls für das Textmodell vorgesehen und soll lokale Agenten unterstützen. Für Unternehmen kann längerer Kontext bedeuten, dass mehr Material in einer einzelnen Verarbeitung berücksichtigt werden kann. Daraus folgt nicht, dass sämtliche Eingaben vollständig oder fehlerfrei genutzt werden: Der Beitrag enthält keine Ergebnisse zu konkreten Dokumentmengen, Antwortqualität oder Ressourcenbedarf bei maximaler Kontextlänge. [1]

Die Modellbeispiele zeigen, dass Liquid AI eine Nutzung über die Transformers-Bibliothek vorsieht. Für LFM3-VL nennt der Beitrag mindestens Transformers 5.21.0 sowie PyTorch, Torchvision und Pillow als Abhängigkeiten; für LFM3-Audio mindestens Transformers 5.20.2 und weitere Audio-Bibliotheken. Diese Anforderungen betreffen die gezeigten Beispiele. Sie sind keine vollständige Aussage über die Unterstützung aller Laufzeitumgebungen oder Hardwarekonfigurationen. [1]

Für einen Unternehmenseinsatz sind daher neben der Modellgröße auch die jeweiligen Encoder, Abhängigkeiten und Geräteanforderungen zu prüfen. Der Beitrag nennt keine vollständige Übersicht zu Lizenzbedingungen, Produkt-Support, Sicherheitsprüfungen oder Betriebskosten. Aus der Darstellung einer lokalen Ausführung lässt sich folglich weder eine bestimmte Datenschutzgarantie noch eine Aussage zur regulatorischen Eignung ableiten. Das sind Punkte, die Unternehmen anhand der konkreten Modellkarten und Einsatzbedingungen separat klären müssten.

Spezialisierung auf einer einzelnen GPU: Was die Aussage abdeckt

Liquid AI erklärt, jedes LFM3-Modell lasse sich auf einer einzelnen GPU feinabstimmen, um es an Daten, Fachbegriffe und die jeweilige Einsatzumgebung anzupassen. Das ist eine Anbieterangabe zur Anpassbarkeit und nicht gleichbedeutend mit dem vollständigen Training eines Modells auf einer GPU. Der Beitrag macht keine Angaben dazu, welche GPU, welcher Speicherbedarf, welche Datenmenge oder welche Trainingsdauer für die Anpassung vorausgesetzt werden. [1]

Der Unterschied ist für die Ressourcenplanung wesentlich: Feinabstimmung passt ein vortrainiertes Modell an eine nachgelagerte Aufgabe an; der Blog beschreibt die Vortrainingsdaten des Basismodells gesondert. Für Unternehmen wäre daher zu klären, ob mit der Ein-GPU-Aussage eine vollständige Parameteranpassung oder ein ressourcenschonenderes Verfahren gemeint ist. Das vorliegende Material legt das konkrete Verfahren nicht fest. [1]

Allgemeine Methoden wie LoRA, Adapter und Prompt-Tuning können die Zahl der trainierbaren Parameter gegenüber einer vollständigen Anpassung reduzieren. Das Medium-Tutorial zu multimodalen Modellen beschreibt sie als unterschiedliche Ansätze des parameter-effizienten Fine-Tunings und weist zugleich auf jeweilige Grenzen hin, etwa eine mögliche Einschränkung der Ausdrucksfähigkeit bei niedrig-rangigen Updates. [2] Es gibt im LFM3-Beitrag jedoch keinen Beleg dafür, dass Liquid AI für die angekündigte Ein-GPU-Anpassung eine dieser Methoden verwendet. Die technischen Teams sollten die konkreten Trainingsrezepte daher nicht aus allgemeinen PEFT-Verfahren ableiten.

Benchmarkangaben liefern Hinweise, aber keinen unabhängigen Nachweis

Für das Textmodell vergleicht Liquid AI LFM3-1.7B mit LFM2.5-2.6B und berichtet bei 35 Prozent weniger Parametern von besseren Ergebnissen. Als Beispiel nennt der Beitrag für WebArena-Verified einen Wert von 38,42 gegenüber 3,02. Außerdem soll LFM3-1.7B bei längeren Aufgaben in Browsern und Geschäftsanwendungen Qwen3.5-9B übertreffen. Diese Ergebnisse werden im Beitrag von Liquid AI berichtet; unabhängige Bestätigung oder ausführliche Angaben zu Testaufbau und Vergleichsbedingungen liegen im bereitgestellten Text nicht vor. [1]

Für LFM3-VL-2B nennt das Unternehmen einen Durchschnitt von 71,4 über 62 Vision-Benchmarks, verglichen mit 57,6 für LFM2.5-VL-3B. Der Beitrag beschreibt den neuen Kandidaten mit 1,9 Milliarden Parametern und den Vorgänger mit 3,1 Milliarden; das Ergebnis sei auf dem Niveau von Gemma 4 12B. Auch hier handelt es sich um Anbieterangaben. Ein Durchschnitt über unterschiedliche Benchmarks sagt zudem für sich genommen nicht, wie zuverlässig ein Modell in einer spezifischen betrieblichen Anwendung arbeitet. [1]

Für LFM3-Audio-2B berichtet Liquid AI neben dem UTMOSv2-Wert über zusätzliche Audioverständnis-, Reasoning- und Tool-Calling-Fähigkeiten gegenüber LFM2.5-Audio-1.5B. Der Beitrag nennt dafür keine detaillierten Einzeltests. Bei der Auswahl sollten Sie die für Ihren Prozess maßgeblichen Aufgaben separat testen: etwa Erkennung von Fachbegriffen, Umgang mit mehrdeutigen Anweisungen oder die Zuverlässigkeit strukturierter Tool-Aufrufe. Das ist eine Empfehlung zur Prüfung der beschriebenen Einsatzfelder, keine Behauptung über bereits nachgewiesene Leistungswerte. [1]

Einordnung für technische Entscheider

LFM3 verbindet drei für Unternehmen relevante Versprechen: eine gemeinsame Modellbasis für mehrere Modalitäten, eine auf lokale Ausführung ausgerichtete Architektur und die Anpassung an eigene Daten auf einer einzelnen GPU. Der Beitrag liefert technische Details zu Schichtaufbau, Encodern und einzelnen Benchmarkvergleichen. Zugleich stammen die Leistungs- und Effizienzangaben aus der Veröffentlichung von Liquid AI selbst und sind deshalb als Herstellerangaben zu behandeln, nicht als unabhängige Validierung. [1]

Der nächste sinnvolle Prüfschritt hängt vom Anwendungsfall ab. Bei Dokument- oder Bildverarbeitung zählen beispielsweise die konkreten Fehlerarten und die Stabilität strukturierter Ausgaben; bei Spracheingabe sind Erkennungsqualität, Latenz und Streamingverhalten entscheidend. Bei Agenten und Tool-Aufrufen müssen zusätzlich die vorgesehenen Aktionen und deren Ergebnisse bewertet werden. Die Modellbeschreibung nennt solche Fähigkeiten und Beispiele, stellt aber keine umfassende betriebliche Evaluation bereit. [1]

Auch der Vergleich mit früheren multimodalen Bauweisen ist auf dieser Ebene hilfreich: Verfahren, die vortrainierte Sprach- und Bildmodelle über eine trainierbare Projektion verbinden, können eine Möglichkeit zur Kombination vorhandener Komponenten sein. [2] LFM3 verfolgt laut Anbieter den Ansatz einer gemeinsamen Basismodellfamilie mit ergänzenden Modalitätsmodulen. [1] Welcher Aufbau für ein Unternehmen geeigneter ist, lässt sich nicht abstrakt beantworten; ausschlaggebend sind unter anderem die benötigten Ein- und Ausgaben, die verfügbare Hardware und die im eigenen Test erreichte Qualität.

Quellen

1. [1] Build specialized multimodal models with LFM3 — https://huggingface.co/blog/LiquidAI/lfm3 (abgerufen am 2026-10-27)
2. [2] From Unimodals to Multimodality: DIY Techniques for Building Foundational Models | by Elahe Aghapour | TDS Archive | Medium — https://medium.com/data-science/from-open-source-unimodal-to-multimodal-diy-techniques-for-building-foundational-models-e1df92276379 (abgerufen am 2026-10-27)