Большинство корпоративных разговоров об искусственном интеллекте по-прежнему строится вокруг чат-ботов: модель получает запрос, формирует длинный ответ, а сотрудник или другая программа пытается понять, что с ним делать дальше. Liquid AI предлагает иной сценарий. В семействе LFM3 компания выделяет компактные модели, которые должны не столько разговаривать, сколько возвращать прикладной результат: категорию, координаты объекта, оценку вероятности или следующий шаг в процессе.
Это важный сдвиг в архитектуре корпоративного AI. Вместо одной универсальной модели бизнес может использовать набор небольших специализированных компонентов — локально, дешевле и с меньшим объёмом данных, отправляемых во внешнее облако.
Иллюстрация: ИИ
Что вошло в семейство LFM3
В состав LFM3 входят шесть моделей примерно двухмиллиардного класса:
- текстовая LFM3-1.7B;
- визуальная LFM3-VL-2B;
- аудиомодель LFM3-Audio-2B;
- мультимодальная LFM3-Omni-2B;
- две decision-модели — d1-2B и d1-Omni-2B.
Все они происходят от общей базовой модели LFM3-1.7B-Base. Текстовая версия поддерживает контекст до 256 тысяч токенов, а компания заявляет, что её можно дообучать на одной GPU. В 4-битном формате модель занимает около 1 ГБ памяти. Это не означает, что любой смартфон автоматически превращается в полноценный AI-сервер, но делает локальные сценарии более реалистичными для ноутбуков, периферийных устройств и некоторых мобильных систем.
По заявлению Liquid AI, модель обучалась на 22 триллионах токенов. В финальную часть обучения вошли данные, связанные с вызовом инструментов, агентными сценариями и корпоративными процессами. Поэтому релиз рассчитан не только на генерацию текста, но и на работу внутри цепочек действий.
Decision-модель — это не маленький чат-бот
Главная особенность LFM3 — d1-2B и d1-Omni-2B. Их задача не обязательно состоит в том, чтобы написать связный ответ человеку. Они должны быстро обработать входные данные и вернуть результат в форме, которую можно сразу передать другой системе.
Например, такая модель может:
- определить категорию обращения клиента;
- понять, нужно ли передать сообщение оператору;
- проверить, есть ли на фотографии счета обязательное поле;
- найти дефект на изображении товара;
- извлечь текст из документа;
- оценить состояние объекта по заданным критериям;
- выбрать следующий шаг в интерфейсе или бизнес-процессе.
Компания также указывает на поддержку координат объектов, числовых оценок, диапазонов вероятности и нескольких вариантов ответа. Для CRM, системы обработки заявок или производственной линии это практичнее длинного текста. Вместо ответа «похоже, клиенту нужна помощь с оплатой» система получает метку payment_issue, уровень уверенности и указание на очередь, куда следует направить обращение.
Такой формат уменьшает число промежуточных операций. Не нужно отдельно заставлять большую языковую модель объяснять решение, затем извлекать из объяснения нужную метку и проверять, не изменилась ли структура ответа. Специализированный компонент сразу возвращает данные для следующего шага.
Иллюстрация: ИИ
Где компактность действительно может помочь
Потоковые операции
В контакт-центре или интернет-магазине ежедневно появляются тысячи похожих запросов. Для их первичной классификации необязательно использовать крупную модель с дорогой генерацией текста. Небольшой локальный компонент может распределять обращения по очередям, а сложные и неоднозначные случаи передавать человеку или более мощной модели.
Работа с чувствительными данными
Документы, записи разговоров, внутренние инструкции и изображения с производственных площадок не всегда желательно отправлять во внешний API. Локальный запуск не устраняет все риски, но позволяет сократить объём передаваемых данных и лучше контролировать, где именно происходит обработка.
Работа при нестабильном соединении
Для складов, транспорта, розничных точек и оборудования на удалённых объектах важна не только цена запроса, но и доступность сервиса. Модель, работающая на устройстве или локальном сервере, может продолжать выполнять базовую классификацию при временном отсутствии связи с облаком.
Предсказуемая интеграция
Структурированный результат проще встроить в существующую систему, чем свободный текст. Бизнес-правила могут использовать метки, оценки и координаты напрямую, а не интерпретировать каждый новый ответ модели.
Почему «меньше» не всегда означает «лучше»
У компактных моделей есть цена. Они могут быть эффективны в узком, заранее описанном сценарии, но уступать крупным системам в сложном рассуждении, работе с редкими знаниями, программировании или задачах, где нужно удерживать длинную цепочку зависимостей.
Поэтому разумная архитектура не обязательно предполагает полный отказ от облачных моделей. Более практичный вариант выглядит так:
- Локальная decision-модель обрабатывает массовый поток.
- Простые случаи закрываются автоматически.
- Неуверенные результаты попадают на проверку человеку.
- Сложные запросы передаются более мощной облачной или локальной модели.
- Внешний сервис получает только необходимый контекст.
Иллюстрация: ИИ
В таком подходе AI становится не одним универсальным собеседником, а системой маршрутизации и специализированных функций.
К заявленным бенчмаркам стоит относиться осторожно
Liquid AI приводит собственные результаты тестов. В частности, компания сообщает, что LFM3-1.7B показала лучший результат, чем более крупная модель Qwen3.5-2B, в сценарии браузерной автоматизации на 65 задачах для macOS: 64% против 48%. Такие цифры интересны, но сами по себе не доказывают универсальное превосходство модели.
Результат зависит от набора задач, формулировок запросов, агентной оболочки, доступных инструментов и правил оценки. Модель может заметно выигрывать в конкретном сценарии автоматизации и при этом уступать на других типах нагрузки. Перед внедрением бизнесу нужен собственный тестовый набор: реальные документы, типичные обращения, пограничные случаи и измеримые критерии ошибки.
Кроме того, открытые веса не равны полной свободе коммерческого использования. Лицензионные условия нужно проверять отдельно, особенно если модель становится частью платного продукта или сервиса для клиентов.
Вывод: корпоративный AI будет состоять из компонентов
Релиз LFM3 показывает направление, в котором AI становится менее заметным для пользователя, но более полезным для процесса. Модель не обязана вести диалог — иногда ей достаточно вернуть метку, число или команду для следующей системы.
Для бизнеса это возможность сократить стоимость массовых операций, уменьшить зависимость от облака и сделать интеграции предсказуемее. Но выгода появляется только там, где задача действительно повторяемая, результат можно формализовать, а ошибки контролируются.
Компактная модель не заменяет архитектуру, тестирование и человеческую проверку. Она лишь даёт ещё один строительный блок — и в прикладном AI именно набор таких блоков может оказаться важнее очередного универсального чат-бота.
