چه چیزی معرفی شد

Liquid AI در وبلاگ Hugging Face از LFM3 رونمایی کرد؛ نسل تازه‌ای از Liquid Foundation Models که به گفته شرکت متن، بینایی، صدا، omni و مدل‌های تصمیم‌گیر را روی یک ستون فقرات مشترک و در محدوده ۲ میلیارد پارامتر گرد هم می‌آورد. شش مدل از LFM3-1.7B-Base منشعب شده‌اند: LFM3-1.7B، LFM3-VL-2B، LFM3-Audio-2B، LFM3-Omni-2B، d1-2B و d1-omni-2B.

طبق گزارش، معماری جدید ترکیبی از ۱۳ لایه کانولوشن کوتاه گیت‌دار، ۵ لایه توجه پنجره‌ای و ۶ لایه توجه سراسری است. مدل پایه روی ۲۲ تریلیون توکن پیش‌آموزش دیده و پنجره زمینه متن به ۲۵۶ هزار توکن رسیده است. شرکت می‌گوید همه مدل‌ها open-weight هستند و هم‌اکنون در Hugging Face در دسترس‌اند.

برای بررسی:Build specialized multimodal models with LFM3

ادعاهای عملکردی شرکت

بر اساس ادعای Liquid AI، LFM3-1.7B با ۳۵ درصد پارامتر کمتر از LFM2.5-2.6B بهتر عمل می‌کند و در WebArena-Verified امتیاز ۳۸٫۴۲ در برابر ۳٫۰۲ گرفته است. مدل LFM3-VL-2B با ۱٫۹ میلیارد پارامتر، میانگین ۶۲ بنچمارک بینایی را از ۵۷٫۶ (LFM2.5-VL-3B) به ۷۱٫۴ رسانده است.

درباره رمزگذار بینایی، شرکت می‌گوید نسخه ۱۶۴ میلیون پارامتری آن با رمزگذار Qwen3.5-2B در دقت برابری می‌کند و FLOPs را ۲٫۲ برابر کمتر مصرف می‌کند؛ این مقایسه با همان ستون فقرات زبانی LFM2.5-230M انجام شده است. در بخش صدا، کیفیت گفتار LFM3-Audio-2B با معیار UTMOSv2 برابر ۳٫۸۳ در برابر ۳٫۲۲ برای LFM2.5-Audio-1.5B گزارش شده است. همچنین LiquidCodec روی یک رشته CPU در Apple M4 Max حدود ۸۷ برابر زمان واقعی گفتار تولید می‌کند. این اعداد همگی ادعای فروشنده‌اند و در منبع، آزمون مستقلی ارائه نشده است.

برای بررسی:Build specialized multimodal models with LFM3

کاربرد برای توسعه‌دهندگان

هر مدل با کتابخانه transformers اجرا می‌شود و نسخه‌های لازم متفاوت است: برای مدل بینایی transformers نسخه ۵٫۲۱٫۰ یا بالاتر، برای صدا و omni نسخه ۵٫۲۰٫۲ یا بالاتر و برای d1-2B نسخه ۵٫۱۹ یا بالاتر. نمونه‌کدها از trust_remote_code استفاده می‌کنند. مدل صوتی طبق منبع ۱۸ زبان را پوشش می‌دهد و می‌تواند گفتار را به متن، گفتار یا هر دو تبدیل کند.

مدل‌های d1 به‌جای تولید متن آزاد، به چند پرسش درباره یک موقعیت در یک عبور رو‌به‌جلو پاسخ می‌دهند و برای هر پاسخ احتمال کالیبره‌شده می‌دهند. شرکت برای تخصصی‌سازی دفترچه‌های Colab با روش‌های SFT، DPO، GRPO و CPT عرضه کرده و می‌گوید هر مدل روی یک GPU قابل تنظیم دقیق است.

برای بررسی:Build specialized multimodal models with LFM3

نمونه رباتیک و محدودیت‌ها

در نمونه رباتیک، Liquid AI مدل LFM3-VL-2B را به سه مدل هماهنگ‌کننده، ناوبر و مدل دستکاری تبدیل کرده است. مدل دستکاری که روی ۱۵ بدنه آموزش دیده، میانگین موفقیت ۹۶٫۲ درصد در چهار مجموعه LIBERO و ۴۵٫۷ درصد در وظایف رومیزی RoboCasa-GR1 گزارش کرده و تولید بسته‌های عمل را روی Jetson AGX Orin با TensorRT FP16 زیر ۵۰ میلی‌ثانیه اعلام کرده است.

محدودیت‌ها: همه اعداد از خود شرکت‌اند و در این منبع آزمون مستقل ارائه نشده است. برخی مقایسه‌ها به مدل‌ها و بنچمارک‌های مشخص محدودند و نباید به همه کاربردها تعمیم یابند. منبع درباره دسترسی در ایران یا یکپارچگی با ابزارهای خاص چیزی نمی‌گوید.

برای بررسی:Build specialized multimodal models with LFM3

پشت این نوشته

منابع و جزئیات

این خبر با کمک هوش مصنوعی نوشته شده و با بررسی خودکار منابع و متن منتشر شده است. تصویر، تصویرسازی مفهومی است.

این منابع را می‌توانی برای بررسی ادعاها و جزئیات بیشتر بخوانی. تاریخ کنار هر منبع، زمان بررسی آن برای این نوشته است.

  1. Build specialized multimodal models with LFM3
    huggingface.coبررسی:

نخستین انتشار:

روش تهیه و بازبینی نوشته‌ها