Компанія Liquid AI, заснована колишніми науковцями з комп’ютерних наук Массачусетського технологічного інституту, сьогодні представила свою найменшу на сьогодні мовну модель ШІ – LFM2.5-230M. Підприємствам варто розглянути її для завдань вилучення даних та локального розгортання на смартфонах, ноутбуках і робототехнічних пристроях.
Це базова модель із 230 мільйонами параметрів, спеціально розроблена для агентних робочих процесів на пристроях. Як зазначено в опублікованому компанією блозі, її невеликий розмір дозволяє запускати її практично «будь-де». За даними Liquid AI, вона перевершує моделі, що в 4 рази більші за неї, за певними тестами, зокрема, показує кращі результати у вилученні даних, ніж 800-мільйонна модель Alibaba Qwen3.5-0.8B (Instruct) та 1-мільярдна модель Google Gemma 3 1B.
Модель орієнтована на розробників та інженерів, які створюють легковагі системи вилучення даних та автономні периферійні системи.
Працюючи під ліцензією подвійного призначення, модель залишається безкоштовною для індивідуальних користувачів та компаній з річним доходом менше 10 мільйонів доларів США, тоді як для великих корпорацій вимагається платна угода.
Цей реліз відрізняється від інших невеликих моделей ШІ використанням архітектури LFM2 для досягнення високої швидкості виведення без значного споживання пам’яті, характерного для моделей з великою кількістю параметрів.
Тоді як великі компанії в сфері ШІ, як Anthropic, OpenAI, Google, Microsoft, Meta та інші, прагнуть до сотень мільярдів або трильйонів параметрів для досягнення передових результатів, паралельна розробка зосереджена виключно на периферійних та локальних розгортаннях.
Випуск Liquid AI моделі LFM2.5-230M сигналізує про ключовий зсув від масштабування силою до архітектурної ефективності. Стиснувши 19 трильйонів токенів попереднього навчання у модель із 230 мільйонами параметрів, компанія демонструє, що периферійні пристрої не потребують величезної обчислювальної потужності чи постійного підключення до хмари для виконання складних, багатоетапних агентних робочих процесів.
Як працює LFM2.5-230M
Модель LFM2.5-230M відрізняється від стандартних архітектур трансформерів, використовуючи натомість фреймворк LFM2. Ця архітектура функціонує як гібридна система, чергуючи gated short-range convolutions (згорточні мережі з воротами для короткострокових залежностей) з груповим запитовим увагою (grouped-query attention) для ефективної обробки інформації.
Для тих, хто стежить за еволюцією ефективних архітектур, підхід Liquid AI поділяє подібну концептуальну мету: ефективне керування довгими контекстами та послідовними даними на периферійному обладнанні без квадратичних витрат пам’яті чистих механізмів уваги. Модель підтримує розширене контекстне вікно до 32 тисяч токенів, що дозволяє їй обробляти значні обсяги документів або безперервні потоки телеметричних даних робота.
При аналізі діаграм продуктивності, представлених у релізі, архітектурна ефективність стає візуально очевидною. Модель підтримує використання пам’яті менше 400 МБ, досягаючи швидкості попереднього заповнення (prefill) та декодування, що перевищує показники аналогічних моделей, таких як Gemma 3 1B IT та Granite 4.0-H-350M.
На смартфоні Samsung Galaxy S25 Ultra з процесором Qualcomm Snapdragon Gen4 модель досягає швидкості декодування 213 токенів за секунду. Навіть на обмеженому Raspberry Pi 5 модель підтримує швидкість декодування 42 токени за секунду. Крім того, внутрішнє тестування показує, що GPU-стек виведення забезпечує нижчу наскрізну затримку порівняно з конкурентними малими моделями за всіх рівних умов паралелізму.
Чому це важливо для підприємств
Щоб зрозуміти, чому потрібна модель із 230 мільйонами параметрів, слід розглянути, як підприємства зараз керують даними.
Традиційно організації покладалися на жорсткі, засновані на правилах скрипти Extract, Transform, Load (ETL) для переміщення та обробки даних. Однак ці застарілі системи надзвичайно крихкі: проста зміна макета документа або оновлення схеми може зламати весь пайплайн.
Для вирішення цієї проблеми галузь переходить до «AI ETL», де машинне навчання автоматично визначає відображення, виявляє дрейф схеми та адаптується до змін. У сучасному легкому пайплайні вилучення даних модель ШІ підключається до неструктурованих джерел — таких як PDF, електронні листи або веб-форми — та структурує дані у формати на кшталт JSON без необхідності жорстко закодованих правил.
Для підприємств використання величезної флагманської моделі, як-от Claude Opus 4.6 (яка коштує 5,00 доларів США за мільйон вхідних токенів), для розбору стандартних рахунків-фактур, форматування адрес або маршрутизації телеметричних даних є економічно невигідним.
Саме тут моделі, як-от LFM2.5-230M, стають критично важливими. Розроблена спеціально як легкий механізм вилучення, вона дозволяє компаніям автоматизувати повторне форматування та розбір даних за частку вартості обчислень та затримки, працюючи безпосередньо на локальному обладнанні, а не покладаючись на дорогі, постійні виклики хмарних API.
Бенчмарки малих моделей: LFM проти класу 3B
У середині 2026 року в індустрії ШІ спостерігається ренесанс «малих» моделей, але визначення «малий» варіюється надзвичайно широко.
Нещодавно спільнота відкритих моделей була вражена моделлю VibeThinker-3B від Weibo, моделлю з 3 мільярдами параметрів, побудованою на базі Qwen2, яка досягла вражаючих 94,3 балів на математичному бенчмарку AIME 2026, конкуруючи з 600-мільярдними моделями завдяки агресивному куруванню даних та навчанню з підкріпленням.
Аналогічно, сімейство Gemma 4 від Google — яке нещодавно подолало позначку в 200 мільйонів завантажень — виводить передовий ШІ на периферію, включаючи E2B (2 мільярди параметрів), спеціально розроблену для мобільних пристроїв та IoT.
Навпаки, LFM2.5-230M від Liquid AI працює в зовсім іншій ваговій категорії. Маючи лише 230 мільйонів параметрів, вона приблизно вдесятеро менша за найменшу модель Gemma 4 від Google та VibeThinker-3B.
Завдяки своєму мініатюрному розміру, LFM2.5-230M не призначена для конкуренції у завданнях, що вимагають інтенсивного мислення, таких як розширена математика, програмування чи творче письмо — обмеження, яке Liquid AI прямо визнає.
Однак у своїх цільових сферах вилучення даних та виклику інструментів, модель значно перевершує свої розміри.
Бенчмарки, опубліковані Liquid AI, показують, що LFM2.5-230M отримала 43,26 балів у бенчмарку використання інструментів BFCLv3, перевершивши Granite 4.0-350M від IBM (39,58) та значно випередивши більші 1-мільярдні моделі, як-от Gemma 3 1B IT від Google (16,61).
На бенчмарку CaseReportBench для вилучення даних, вона показує результат 22,51, значно випереджаючи Qwen3.5-0.8B (Instruct).
LFM2.5-230M доводить, що хоча 3-мільярдні моделі, як-от VibeThinker, вирішують складні математичні задачі, 230-мільйонна модель є кращим, високооптимізованим вибором для виконання структурованих викликів інструментів та ефективної роботи агентних пайплайнів на обмеженому обладнанні.
Використання в передових дослідженнях
Завдяки своїм можливостям у виклику інструментів, LFM2.5-230M функціонує переважно як шар вибору навичок. Liquid AI продемонструвала цю можливість, розгорнувши модель на гуманоїдному роботі Unitree G1.
Працюючи повністю на пристрої через бортовий обчислювальний модуль NVIDIA Jetson Orin, модель успішно обробляє складні команди оточення.
Як зазначено в технічному блозі компанії, модель приймає вільну інструкцію, наприклад: *”Стій нерухомо 2 секунди, потім пройди вперед зі швидкістю 1 метр на секунду протягом 3 метрів, прийми позу одноногого коліна вперед на 5 секунд, і пройди назад зі швидкістю 0,5 метра на секунду протягом 3 метрів”*, і автоматично перетворює її на структурований багатоетапний план, що викликає попередньо навчені низькорівневі навички, надані фреймворком SONIC від NVIDIA.
Базова та дотренована моделі доступні негайно на Hugging Face, з нативною підтримкою “з першого дня” в екосистемі виведення для llama.cpp (GGUF), MLX, vLLM, SGLang та ONNX.
Ліцензія LFM Open License подвійного призначення, користувацька
Liquid AI випускає LFM2.5-230M під ліцензією LFM Open License v1.0. Незважаючи на слово «open» (відкрита) у назві, це не є ліцензією, що відповідає стандартам Open Source Initiative (OSI); вона функціонує як обмежена комерційна рамка подвійного призначення.
Для незалежних розробників, дослідників та стартапів на ранніх стадіях ліцензія функціонує ідентично до програмного забезпечення з відкритим вихідним кодом.
Користувачі отримують довічну, всесвітню, безроялті ліцензію на відтворення, модифікацію та розповсюдження моделі, за умови збереження оригінальних повідомлень про авторські права та чіткого зазначення будь-яких модифікацій.
Однак ліцензія включає суворе «Обмеження комерційного використання». Будь-яка юридична особа, що отримує 10 мільйонів доларів США або більше річного доходу, втрачає право використовувати модель комерційно за цією угодою.
Великі підприємства, що перевищують цей фінансовий поріг, повинні укласти окрему, платну комерційну угоду з Liquid AI для розгортання моделі у виробництві.
Ця стратегія захищає компанію від безкоштовного поглинання її інтелектуальної власності великими технологічними конгломератами, одночасно забезпечуючи поширення моделі на рівні розробників-початківців.
Як захиститися (Порада CryptoDom): Для захисту персональних даних та запобігання небажаному вилученню інформації, завжди використовуйте надійні паролі та вмикайте двофакторну автентифікацію на всіх важливих онлайн-сервісах. Уважно ставтеся до підозрілих електронних листів чи повідомлень, які можуть містити фішингові посилання, що намагаються викрасти ваші облікові дані.
Інформація підготовлена на основі матеріалів: venturebeat.com