リキッドAI、端末内実行向けLFM3を発表

リキッドAIは現地時間27日、企業や個人が管理する端末でエージェント、音声アシスタント、画像・動画認識を実行するためのモデル群「LFM3」を発表しました。テキスト向けLFM3-1.7B、視覚向けLFM3-VL-2B、音声向けLFM3-オーディオ-2B、マルチモーダル向けLFM3-オムニ-2B、意思決定モデルd1-2Bとd1-オムニ-2Bの6種類で、規模は約17億〜22億パラメーターです。同社によると、共通の基盤アーキテクチャにテキスト、画像、音声、マルチモーダル、意思決定の各モデルを統合しました。モデルの重みはHugging Face、リキッドAI・プレイグラウンド、APIで提供され、企業は独自データで追加学習して端末、社内サーバー、クラウドに配備できます。

LFM3はメールの分類や予定管理、ウェブ検索、業務アプリの操作を支援します。ヘルメス・エージェント、Pi、オープンクローなどのエージェント用フレームワークで使えるよう学習されており、開発者はローカル環境で試せます。同社は標準的なトランスフォーマーではなく、ハイブリッド線形代数・ニューラルネットワーク構造を採用したと説明しています。従来のLFM2系列を発展させ、短い畳み込み演算、限定範囲のアテンション、全体の文脈を処理するアテンションを組み合わせました。事前学習には22兆トークンを用い、テキストモデルは最大25万6000トークンの文脈を処理します。

同社によると、ブラウザー自動化評価のWebArena-Verifiedと業務自動化評価のAutomationBenchで、LFM3-1.7BはQwen3.5-9Bを上回りました。一方、コーディングや一般知識など一部の分野では、より大きなモデルが優位でした。同社の測定では、LFM3-1.7Bは比較対象モデルより3種類すべての端末でトークン生成が速く、後継モデルに対して1.8〜2.8倍の速度を記録しました。12万8000トークンの文脈処理に必要なキー・バリュー（KV）キャッシュメモリーは1.6GBで、Qwen3.5-4Bの4.3GB、MiniCPM5-2Bの5.6GBを下回ったとしています。

視覚モデルは画像や動画に関する質問に答え、物体の位置や空間関係を把握するよう設計されています。音声モデルは18言語で音声認識、生成、翻訳に対応し、音声指示をソフトウェアのツール呼び出しにつなげます。入力音声が終わる前に処理を始め、最初のトークン生成まで最短50ミリ秒だと同社は説明しました。オムニモデルは視覚、音声、言語を組み合わせ、画像や周囲の環境に関する質問への回答、動画と音声の同時分析、アプリ操作を行えます。

2種類の意思決定モデルは、長い自然言語の回答ではなく、入力から数字や日付を抽出する、画像内の物体の位置を示す、選択肢を選ぶといった構造化された結果を一度に出すよう設計されています。d1-オムニ-2Bは通話や音声メモを分類し、後続作業につなげられます。リキッドAIによると、風力タービンのブレード写真3000枚で視覚モデルを追加学習し、別の約1400枚で評価したところ、欠陥分類の精度は10%未満から67%に上がりました。一方、欠陥位置の検出ではF1スコアが0.11でした。同社は、独自データに合わせたモデルをアプリが動作する端末で運用できると説明しています。

リキッドAIは現地時間27日、企業や個人が管理する端末でエージェント、音声アシスタント、画像・動画認識を実行するためのモデル群「LFM3」を発表しました。テキスト向けLFM3-1.7B、視覚向けLFM3-VL-2B、音声向けLFM3-オーディオ-2B、マルチモーダル向けLFM3-オムニ-2B、意思決定モデルd1-2Bとd1-オムニ-2Bの6種類で、規模は約17億〜22億パラメーターです。同社によると、共通の基盤アーキテクチャにテキスト、画像、音声、マルチモーダル、意思決定の各モデルを統合しました。モデルの重みはHugging Face、リキッドAI・プレイグラウンド、APIで提供され、企業は独自データで追加学習して端末、社内サーバー、クラウドに配備できます。

LFM3はメールの分類や予定管理、ウェブ検索、業務アプリの操作を支援します。ヘルメス・エージェント、Pi、オープンクローなどのエージェント用フレームワークで使えるよう学習されており、開発者はローカル環境で試せます。同社は標準的なトランスフォーマーではなく、ハイブリッド線形代数・ニューラルネットワーク構造を採用したと説明しています。従来のLFM2系列を発展させ、短い畳み込み演算、限定範囲のアテンション、全体の文脈を処理するアテンションを組み合わせました。事前学習には22兆トークンを用い、テキストモデルは最大25万6000トークンの文脈を処理します。

同社によると、ブラウザー自動化評価のWebArena-Verifiedと業務自動化評価のAutomationBenchで、LFM3-1.7BはQwen3.5-9Bを上回りました。一方、コーディングや一般知識など一部の分野では、より大きなモデルが優位でした。同社の測定では、LFM3-1.7Bは比較対象モデルより3種類すべての端末でトークン生成が速く、後継モデルに対して1.8〜2.8倍の速度を記録しました。12万8000トークンの文脈処理に必要なキー・バリュー（KV）キャッシュメモリーは1.6GBで、Qwen3.5-4Bの4.3GB、MiniCPM5-2Bの5.6GBを下回ったとしています。

視覚モデルは画像や動画に関する質問に答え、物体の位置や空間関係を把握するよう設計されています。音声モデルは18言語で音声認識、生成、翻訳に対応し、音声指示をソフトウェアのツール呼び出しにつなげます。入力音声が終わる前に処理を始め、最初のトークン生成まで最短50ミリ秒だと同社は説明しました。オムニモデルは視覚、音声、言語を組み合わせ、画像や周囲の環境に関する質問への回答、動画と音声の同時分析、アプリ操作を行えます。

2種類の意思決定モデルは、長い自然言語の回答ではなく、入力から数字や日付を抽出する、画像内の物体の位置を示す、選択肢を選ぶといった構造化された結果を一度に出すよう設計されています。d1-オムニ-2Bは通話や音声メモを分類し、後続作業につなげられます。リキッドAIによると、風力タービンのブレード写真3000枚で視覚モデルを追加学習し、別の約1400枚で評価したところ、欠陥分類の精度は10%未満から67%に上がりました。一方、欠陥位置の検出ではF1スコアが0.11でした。同社は、独自データに合わせたモデルをアプリが動作する端末で運用できると説明しています。