Liquid AI تطلق LFM3: نماذج متعددة الوسائط بـ1.7B مع سياق 256K
بقلم علي المنتصر — محلل ومحرر تقني أول
أعلنت Liquid AI عن عائلة LFM3 من النماذج المفتوحة الأوزان بستة نماذج بحجم 2B مبنيّة على هيكل مشترك LFM3-1.7B-Base، مع سياق 256K وتوفير 35% في المعاملات. يتفوق النموذج النصي على LFM2.5-2.6B بفارق 38.42 مقابل 3.02 في WebArena-Verified، ويعمل على جهاز واحد بذاكرة 1GB بدقة 4-bit. جميع النماذج متاحة اليوم على Hugging Face وقابلة للتخصيص على GPU واحد.
الموجز الإحصائي السريع
أعلنت Liquid AI رسمياً عبر مدونة Hugging Face عن الجيل الثالث من نماذجها التأسيسية LFM3، وهو عبارة عن ستة نماذج متعددة الوسائط بحجم 2B مبنيّة على هيكل مشترك واحد LFM3-1.7B-Base. النماذج متاحة اليوم مجاناً على Hugging Face، وتأتي بسياق 256K رمزاً، وتوفير 35% في المعاملات، وأداء يتفوق على نماذج أكبر بستة أضعاف.
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مجاني ومفتوح الأوزان على Hugging Face (LFM3-1.7B-Base و5 نماذج مشتقة)؛ لا رسوم ترخيص. تكلفة التشغيل تقتصر على استضافة GPU واحد للتخصيص. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (مجموعة LFM3)؛ مكتبة transformers (5.19+ / 5.20.2+ / 5.21.0+)؛ llama.cpp؛ TensorRT FP16 على Jetson AGX Orin؛ أجهزة الهاتف وRaspberry Pi 5 والحواسيب وQualcomm Hexagon NPU. |
| ⚡ الأداء ومؤشرات السرعة | توفير 35% في المعاملات؛ سرعة 25% أعلى عند سياق 8K؛ WebArena-Verified: 38.42 مقابل 3.02؛ متوسط 62 معيار رؤية: 71.4؛ UTMOSv2: 3.83؛ زمن أول رمز صوتي 50ms؛ LiquidCodec بسرعة 87x الزمن الحقيقي؛ نجاح VLA 96.2% في LIBERO و45.7% في RoboCasa-GR1. |
| 🛡️ الأمان ومقاومة الاختراق | بوابة Head-wise gated attention بكبح التفعيلات الشاذة التي تؤثر على التكميم؛ تطبيع Sandwich norm لاستقرار التفعيلات؛ لا توجد معايير أمنية صريحة معلنة. |
| 🧠 سياق الذاكرة (Context Window) | 256K رمزاً في LFM3-1.7B (بعد تدريب متوسط على 3.5T رمز)؛ نافذة SWA بـ256 رمزاً؛ ذاكرة 1GB بدقة 4-bit. |
| 🌍 دعم اللغة العربية والمنطقة | مفردات 128K رمزاً مشتركة مع LFM2.5-8B-A1B؛ دعم 18 لغة في نموذج الصوت؛ لا إعلان صريح عن دعم عربي، لكن التخصيص على GPU واحد متاح لبيانات عربية. |
تفاصيل الإعلان والميزات التقنية الجديدة
تعتمد LFM3 على معمارية ثلاثية الهجين (Tri-hybrid) مكوّنة من 24 طبقة: 13 طبقة التفاف قصير مُبوّب، و5 طبقات انتباه بنافذة منزلقة (SWA) بحجم 256 رمزاً، و6 طبقات انتباه عالمي. رُفعت نواة الالتفاف من 3 إلى 7، وأُضيفت بوابة Head-wise gated attention بمُعامل sigmoid لكل رأس، وPartial RoPE يرخي فقط النصف الأعلى تردداً في طبقات الانتباه العالمي، مع تطبيع Sandwich norm لكل كتلة. النتيجة: تفوق LFM3-1.7B على LFM2.5-2.6B مع توفير 35% في المعاملات، وسرعة أعلى بنحو 25% عند سياق 8K رمزاً، بعد تدريب مسبق على 22 تريليون رمز.
يتفرع من الهيكل المشترك ستة نماذج: LFM3-1.7B للنص، وLFM3-VL-2B للصور والفيديو، وLFM3-Audio-2B للصوت والكلام، وLFM3-Omni-2B لكل الوسائط، وd1-2B وd1-omni-2B للقرارات المُعايَرة. أُضيف مُرمِّز رؤية داخلي بـ164 مليون معامل يستخدم 3x حوسبة أقل من SigLIP2 ويطابق دقة Qwen3.5-2B بـ2.2x عمليات FLOP أقل، ومُرمِّز صوتي سببي كامل بزمن أول رمز 50ms، وLiquidCodec الذي يحوّل الرموز إلى كلام بسرعة 87x الزمن الحقيقي على نواة CPU واحدة من Apple M4 Max.
المقارنة المعيارية والأداء التنافسي
في اختبار WebArena-Verified للوكلاء، سجّل LFM3-1.7B 38.42 مقابل 3.02 لسابقه LFM2.5-2.6B، وتجاوز Qwen3.5-9B في المهام الطويلة على المتصفحات وتطبيقات الأعمال. وفي الرؤية، رفع LFM3-VL-2B متوسط 62 معياراً من 57.6 إلى 71.4 مع 1.9B معامل فقط مقابل 3.1B لسابقه، ليعادل Gemma 4 12B الأكبر بستة أضعاف. وفي الصوت، سجّل UTMOSv2 3.83 مقابل 3.22. وفي الروبوتات، حقق VLA المدرَّب من LFM3-VL-2B نجاحاً بنسبة 96.2% في LIBERO و45.7% في RoboCasa-GR1، مع توليد حزم الحركة في أقل من 50ms على Jetson AGX Orin. كما يتفوق LFM3-Omni-2B على Qwen2.5-Omni-7B في Daily-Omni وWorldSense وAV-SpeakerBench، ويسجل d1-2B 75.5 مقابل 64.0 في ImajevBench.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يمثل LFM3 فرصة عملية للمطور العربي: فبفضل مفردات 128K رمزاً المشتركة مع LFM2.5-8B-A1B، يمكن ضغط النصوص العربية بكفاءة معقولة دون إعادة بناء المفردات، ما يخفض تكلفة التوكنز في التطبيقات المحلية. والأهم أن كل نموذج يُخصَّص على GPU واحد، ما يجعل تدريب نموذج عربي متخصص (فقهي، قانوني، أو خدمة عملاء) في متناول الشركات الناشئة في المنطقة بدل الاعتماد على واجهات سحابية مكلفة. نماذج d1-2B وd1-omni-2B مناسبة لمعالجة الفواتير والمستندات العربية بقرارات مُعايَرة في تمريرة واحدة، بينما يتيح LFM3-Audio-2B (18 لغة) بناء مساعد صوتي عربي على حاسوب محمول. التحدي الوحيد هو غياب إعلان صريح عن دعم عربي مدمج، ما يستدعي تخصيصاً بالبيانات المحلية.
الخلاصة والتطلعات القادمة
يُرسّخ LFM3 موقع Liquid AI في فئة النماذج الطرفية المتخصصة، حيث يقدم بديلاً عملياً عن النماذج العامة الضخمة بستة نماذج بحجم 2B على هيكل واحد، مع أداء يتفوق على نماذج أكبر بستة أضعاف في الرؤية والوكلاء. الخطوة التالية المنتظرة هي توسيع دعم اللغات منخفضة الموارد، وعلى رأسها العربية، عبر بيانات تدريب متوسطة إضافية أو أدوات تخصيص جاهزة.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: المصدر الأصلي | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
