Liquid AI、軽量マルチモーダルモデル「LFM3」公開

米Liquid AIは2026年10月27日、20億（2B）パラメータクラスの次世代マルチモーダル基盤モデルファミリー「LFM3（Liquid Foundation Models 3）」をオープンウェイトとして公開した。共通の言語バックボーン「LFM3-1.7B-Base」を起点に、テキスト、視覚、音声、オムニ（マルチモーダル対話）、意思決定の全6モデルを展開する。単一のGPU環境でファインチューニングが可能であり、スマートフォンや組込み機器などのエッジ環境で高度な知能を稼働させる。

効率性と表現力を両立するTri-hybrid構造

LFM3の中核となる「LFM3-1.7B-Base」は、24層のネットワークで構成され、畳み込みと注意機構を組み合わせた「Tri-hybrid」アーキテクチャを採用している。13層のゲート付き短畳み込み（カーネルサイズ7）、5層のスライディングウィンドウ・アテンション（ウィンドウ幅256トークン）、6層のグローバル・アテンションをブレンドした設計である。

モデルは計22兆（22T）トークンで事前学習され、最終3.5兆トークンでツール呼び出しやエージェント行動トレースを含むデータセットによる中間学習を実施した。これにより、コンテキストウィンドウ長は256Kトークンまで拡大されている。長文処理時の計算効率が大幅に向上しており、8Kトークンの文脈処理では前世代のLFM2に比べ約25％の高速化を達成した。

独自エンコーダーとマルチモーダル展開

視覚および音声処理に向けて、Liquid AIは自社開発の高効率エンコーダーを新たに組み込んだ。

• ​視覚エンコーダー（164Mパラメータ）​: 従来のSigLIP2エンコーダー比で計算量を3分の1に削減。Qwen3.5-2B搭載の視覚エンコーダーと同等の精度を保ちつつ、FLOPs（浮動小数点演算回数）を2.2倍削減した。動画入力時には連続する2フレームを1つの時間スライスに集約し、系列長を半減させる。
• ​音声エンコーダーとLiquidCodec: 完全因果型（Causal）の音声エンコーダーを採用し、ユーザーの発話中に逐次処理を行うことで初動応答遅延（Time to first token）を最短50ミリ秒まで短縮した。また、独自の音声トークナイザー「LiquidCodec」により、Apple M4 MaxのCPU単一スレッドで実時間の約87倍速という超高速ストリーミング音声生成を実現している。

LFM3ファミリーのモデル構成と比較

LFM3シリーズは、汎用モデルをそのまま動かすのではなく、目的に応じて最適化されたモデルを選択してエッジ配備する運用を想定している。

モデル名	入力モダリティ	出力モダリティ	特徴・主な適用領域
LFM3-1.7B	テキスト	テキスト	4-bit量子化で約1GB。ローカルエージェント・ツール実行
LFM3-VL-2B	テキスト、画像、動画	テキスト	動画入力・ステップ思考対応。ロボティクス制御基盤
LFM3-Audio-2B	テキスト、音声	テキスト、音声	18言語の音声対話・翻訳・音声からのツール呼び出し
LFM3-Omni-2B	テキスト、画像、動画、音声	テキスト、音声	視聴覚情報の同時理解。ストリーミング音声対話
d1-2B	テキスト、画像、動画	確率付き構造化出力	単一フォワードパスで複数質問判定。帳票・チケット分類
d1-omni-2B	テキスト、画像、動画、音声	確率付き構造化出力	音声入力に対応した高速・高精度な意思決定モデル

ロボティクス領域への応用では、LFM3-VL-2Bを基盤とした視覚・言語・行動（VLA）モデルが「LIBERO」ベンチマークで平均96.2％の成功率を記録した。NVIDIA Jetson AGX Orin環境において、50ミリ秒未満で連続制御アクションを出力できる実時間性能を備えている。

エッジAIの実用化と今後の展望

クラウドの大規模フロンティアモデルが汎用タスクを担う一方で、現場のデバイス上で高速・低消費電力に動作する特化型モデルの需要が急速に拡大している。LFM3は、全モデルが単一GPUでカスタマイズ可能であり、4-bit量子化によってメモリ1GB前後の環境にも収まる。ロボティクス、車載システム、ウェアラブル端末など、プライバシーや通信遅延が課題となる領域において、オンデバイス知能の実装を大きく加速させる基盤となりそうだ。

引用元：Hugging Face