Liquid AI ra mắt LFM3: Dòng mô hình đa phương thức 2B tham số chạy trên thiết bị

Liquid AI vừa chính thức giới thiệu LFM3, thế hệ mô hình nền tảng mới được thiết kế cho cái mà hãng gọi là "trí tuệ chuyên biệt hóa". Thay vì đua nhau tăng kích thước mô hình, LFM3 đi theo hướng ngược lại: nhỏ gọn, đa phương thức và đủ mạnh để tinh chỉnh cục bộ cho từng lĩnh vực cụ thể.

Thế hệ mới xây dựng trên một kiến trúc lai hoàn toàn mới, huấn luyện trước trên 22 nghìn tỷ token, hứa hẹn biểu đạt tốt hơn hẳn LFM2 mà vẫn giữ được hiệu năng tiết kiệm điện năng vốn có.

Một kiến trúc lai mới cho hiệu năng cao hơn

Điểm cốt lõi của LFM3 là sự kết hợp giữa ba loại toán tử: tích chập ngắn có cổng (gated short convolution), attention cửa sổ trượt (SWA) và attention toàn cục. Trong 24 lớp của mô hình, 13 lớp là tích chập, 5 lớp dùng SWA với cửa sổ 256 token và 6 lớp dùng attention toàn cục.

So với LFM2, kích thước kernel của tích chập cũng tăng từ 3 lên 7, giúp mô hình nắm bắt ngữ cảnh tốt hơn mà chi phí tính toán gần như không đổi.

Một số cải tiến đáng chú ý khác gồm:

• Attention có cổng theo từng head: cổng sigmoid cho phép mỗi head tự "tắt" khi không cần thiết, giúp giảm các giá trị ngoại lai ảnh hưởng đến lượng tử hóa.
• RoPE một phần: các lớp attention toàn cục chỉ xoay nửa tần số cao của mỗi head, giữ nửa tần số thấp nguyên vẹn để biểu diễn nội dung độc lập với khoảng cách.
• Chuẩn hóa sandwich: mỗi khối chuẩn hóa cả đầu vào lẫn đầu ra, giúp giữ giá trị kích hoạt ổn định.

Đáng chú ý, Liquid AI đã mở rộng quy trình tìm kiếm kiến trúc tự động từ 2 tổ hợp thiết bị ở LFM2 lên 14 tổ hợp cho LFM3, bao gồm điện thoại Samsung Galaxy S26 Ultra, OnePlus 15, Raspberry Pi 5, laptop Apple M4 Max, AMD Ryzen AI, CPU đám mây Arm/x86 và NPU Qualcomm Hexagon.

Sáu mô hình, một xương sống chung

Tất cả sáu mô hình trong đợt phát hành đầu tiên đều phân nhánh từ xương sống LFM3-1.7B-Base, nằm trong dải 2 tỷ tham số. Bốn mô hình đầu bao phủ các phương thức đầu vào khác nhau, hai mô hình còn lại là mô hình ra quyết định chuyên biệt hóa từ bản thị giác và omni.

LFM3-1.7B: mô hình văn bản

Đây là mô hình dành cho các tác nhân AI cục bộ với cửa sổ ngữ cảnh 256K token. Mô hình được huấn luyện hậu kỳ để hoạt động trong các khung tác nhân như Hermes Agent, Pi hay OpenClaw.

Theo Liquid AI, mô hình có thể phân loại hộp thư, quản lý lịch, nghiên cứu trên web, gửi bản tin buổi sáng qua WhatsApp và dùng tìm kiếm công cụ để chọn đúng trong hàng nghìn lựa chọn. Trên các bài kiểm tra tác nhân, LFM3-1.7B thường vượt trội so với các mô hình lớn gấp nhiều lần.

"Trên các tác vụ tác nhân, LFM3-1.7B cạnh tranh được với những mô hình có kích thước gấp nhiều lần. Nó dẫn đầu về tuân thủ chỉ dẫn và gọi hàm trên BFCL và ToolSandbox."

Tuy nhiên, các mô hình lớn vẫn thắng ở mảng lập trình tác nhân và kiến thức nền, nơi kích thước đóng vai trò quyết định. Điểm đáng chú ý là nhờ khả năng tìm kiếm, khoảng cách kiến thức được thu hẹp đáng kể, gần như nhân đôi điểm số trên bài kiểm tra Humanity's Last Exam.

Về hiệu năng thực tế, khi chạy trên thiết bị với llama.cpp ở định dạng Q4_0 và ngữ cảnh 32K token, LFM3-1.7B là mô hình nhanh nhất trên cả ba thiết bị được thử nghiệm, tốc độ giải mã nhanh gấp 1,8 đến 2,8 lần so với mô hình kế tiếp, đồng thời tiêu tốn ít bộ nhớ nhất.

LFM3-VL-2B: thị giác hiểu video

Đây là lần đầu một mô hình thị giác của Liquid nhận video làm đầu vào. Mô hình có thể xem, suy luận và hiểu thế giới vật lý, hỗ trợ cả khả năng suy luận theo từng bước trước khi trả lời.

Điểm mạnh đáng chú ý là suy luận không gian và hình thể, tức khả năng định vị vật thể và lý giải quan hệ không gian giữa chúng — nền tảng quan trọng cho các ứng dụng robot.

Trên 62 bài kiểm tra thị giác, LFM3-VL-2B vượt trội so với mọi mô hình cùng cỡ ít nhất 7,4 điểm, thậm chí ngang ngửa Gemma 4 12B dù nhỏ hơn hơn 6 lần.

Liquid AI cũng giới thiệu bộ mã hóa thị giác nội bộ mới, dùng ít hơn 3 lần phép tính so với SigLIP2 trước đây. Với video, bộ mã hóa nhúng từng cặp khung hình vào một lát đặc trưng thời gian, giảm một nửa độ dài chuỗi.

LFM3-Audio-2B: âm thanh đa ngôn ngữ

Mô hình âm thanh nhỏ gọn nhưng đầy đủ tính năng này chạy cục bộ trên laptop và thiết bị biên, nhận văn bản hoặc âm thanh và trả lời bằng văn bản, giọng nói hoặc cả hai.

Các khả năng mới bao gồm:

• Trò chuyện thoại: đặt câu hỏi bằng giọng nói và nhận phản hồi dạng văn bản lẫn giọng nói theo thời gian thực.
• Giọng nói đa ngôn ngữ: phiên âm, tổng hợp và dịch trên 18 ngôn ngữ.
• Hiểu và suy luận âm thanh: lý giải bản ghi âm và trả lời câu hỏi về lời nói, âm thanh, sự kiện.
• Gọi công cụ: biến yêu cầu nói thành lệnh gọi công cụ để điều khiển ứng dụng, thiết bị.

Bộ mã hóa âm thanh mới hoàn toàn nhân quả, cho phép xử lý micro trực tiếp và thực hiện prefill ngay khi người dùng đang nói, giúp thời gian đến token đầu tiên chỉ còn khoảng 50 ms.

LFM3-Omni-2B: nhìn, nghe và nói

Đây là mô hình omni đầu tiên của Liquid, kết hợp thị giác, âm thanh và ngôn ngữ trong một mô hình duy nhất. Nó hỗ trợ hỏi đáp thị giác bằng giọng nói, hiểu video có âm thanh đồng bộ và gọi công cụ đa phương thức.

Với 2,2 tỷ tham số, mô hình có thể chạy trực tiếp trên thiết bị, mở ra các ứng dụng như gia sư nhìn bài toán viết tay và trả lời câu hỏi nói, máy tính bảng cầm tay hỏi về những gì nó thấy, hay trợ lý trong xe kết hợp camera và lời nói của tài xế.

"Tham vọng của chúng tôi là làm cho tương tác giữa tài xế và xe trở nên tự nhiên, trực quan nhất có thể. Cùng với Liquid, chúng tôi đang khám phá cách AI trên thiết bị mạnh mẽ có thể nâng cao hơn nữa MBUX Virtual Assistant, đồng thời mang lại trải nghiệm nhanh, riêng tư và không phụ thuộc đám mây." — Jörg Burzer, CTO Mercedes-Benz Group AG.

d1-2B và d1-Omni-2B: quyết định trong vài mili giây

Hai mô hình quyết định mới không viết câu trả lời mà đưa ra quyết định ngay lập tức. Cho chúng một tình huống (phiếu hỗ trợ, hóa đơn, màn hình ứng dụng, ảnh, tin nhắn thoại) cùng danh sách câu hỏi, chúng trả lời tất cả trong một lượt lan truyền xuôi duy nhất, mỗi câu kèm xác suất hiệu chỉnh.

So với d1-3B tiền nhiệm, d1-2B ít hơn một phần ba tham số nhưng mạnh hơn: chỉ số quyết định trên bộ công khai tăng từ 49,0 lên 51,1.

Vì sao điều này quan trọng với người dùng Việt Nam

Với các nhà phát triển và doanh nghiệp Việt Nam, LFM3 mở ra hướng tiếp cận thực tế hơn nhiều so với việc phụ thuộc hoàn toàn vào API đám mây nước ngoài.

Thứ nhất, mô hình mở trọng số và có thể tinh chỉnh trên một GPU duy nhất. Một đội nhóm nhỏ hoàn toàn có thể huấn luyện mô hình chuyên biệt cho ngành nghề cụ thể, ví dụ kiểm tra hình ảnh trong nông nghiệp, đọc hóa đơn tiếng Việt hay hỗ trợ khách hàng bằng giọng nói.

Thứ hai, việc chạy cục bộ giải quyết bài toán chủ quyền dữ liệu — vấn đề mà nhiều doanh nghiệp Việt Nam đặc biệt quan tâm, nhất là trong lĩnh vực tài chính, y tế và cơ quan nhà nước.

Thứ ba, hỗ trợ đa ngôn ngữ 18 ngôn ngữ của LFM3-Audio có thể tinh chỉnh thêm cho tiếng Việt, mở ra tiềm năng xây dựng trợ lý giọng nói thuần Việt chạy trên thiết bị giá rẻ.

Bắt đầu như thế nào

LFM3 hiện đã có mặt trên Hugging Face và API của Liquid AI, hỗ trợ gốc cho llama.cpp, MLX và vLLM trên phần cứng Apple, AMD, NVIDIA và Qualcomm. Các hãng đối tác trong ngày ra mắt gồm Ambarella, AMD, Arm, Intel, NVIDIA, OpenRouter, Qualcomm và Vercel.

Có thể thấy Liquid AI đang đặt cược vào một luận điểm rõ ràng: tương lai của AI không chỉ nằm ở những mô hình khổng lồ trên đám mây, mà còn ở những mô hình nhỏ, chuyên biệt và chạy ngay trên thiết bị của bạn.