tag: Liquid AI

Liquid AI ปล่อย LFM3 โมเดลขนาดกะทัดรัดระดับ 2B จำนวน 6 รุ่นที่รองรับทั้งข้อความ ภาพ และเสียง โดดเด่นด้วยการใช้หน่วยความจำเพียง 1 GB และรองรับ Context Window สูงถึง 256K

Liquid Foundation Models (LFMs) รุ่นล่าสุดมาพร้อม 6 โมเดลย่อยที่ครอบคลุมข้อความ ภาพ และเสียง บน backbone เดียวกัน ชูจุดเด่นด้านประสิทธิภาพสูงบนอุปกรณ์ Edge และรองรับการ Fine-tune ด้วย GPU เพียงตัวเดียว

Liquid AI เปิดตัว RIPL เอ็นจินสำหรับโมเดล LFM ที่ทำความหน่วงต่ำกว่า 50 ms โดยผลทดสอบบน NVIDIA B200 พบว่าเร็วกว่าการรัน Qwen3.5 บน vLLM สูงสุดถึง 28.4 เท่า

Liquid AI เปิดตัว d1-ultra โมเดลตัดสินใจสำหรับข้อความและรูปภาพที่รันแบบ one forward pass โดยไม่ต้องสร้าง output tokens ทำคะแนนสูงสุดอันดับ 1 บน Artificial Analysis Decision Index

Liquid AI เปิดตัวโมเดล LFM2.5-24B-A2B ขนาด 24B ที่ทำงานจริงเพียง 2B พารามิเตอร์ ชูจุดเด่นด้านการให้เหตุผลบนอุปกรณ์ (On-Device) พร้อมความเร็วถอดรหัสสูงสุด 184 tokens/s บน Apple M5 Max

LFM2.5-24B-A2B เป็นโมเดลการให้เหตุผลขนาด 24B ที่มีพารามิเตอร์ทำงานจริงเพียง 2B ออกแบบมาเพื่อการทำงานของ agent ที่รวดเร็วและปลอดภัยบนอุปกรณ์ โดยให้ประสิทธิภาพเหนือกว่าโมเดลที่มีขนาดใหญ่กว่า

Liquid AI เปิดตัว Open d1 โมเดล Multimodal แบบ open-weight สองรุ่นใหม่ d1-3B และ d1-omni-600M ชูจุดเด่นการส่งคืนคำตอบแบบความน่าจะเป็นได้ทันทีโดยไม่ต้องสร้างข้อความ ช่วยให้ตัดสินใจได้แบบเรียลไทม์

Liquid AI เปิดตัวโมเดลการตัดสินใจ d1-3B และ d1-omni-600M แบบ open-weight ชูจุดเด่นประมวลผลบนอุปกรณ์ปลายทางได้รวดเร็วและแม่นยำ พร้อมรองรับข้อมูลทั้งข้อความ ภาพ และเสียง

Liquid AI เปิดตัว d1 โมเดลการตัดสินใจที่เน้นคืนค่าความน่าจะเป็นที่ปรับเทียบแล้ว (calibrated probabilities) แทนการสร้างข้อความ ช่วยลดต้นทุนเอาต์พุตและตัดปัญหา JSON ผิดรูปแบบ

Liquid AI เปิดตัว DSpark รุ่นทดลองสำหรับ LFM2.5-VL-3B ช่วยเร่งความเร็วในการ Decode สูงสุด 3.13 เท่าบนอุปกรณ์พกพา โดยยังคงคุณภาพของผลลัพธ์ไว้เท่าเดิม

Liquid AI เปิดตัว Pipette แพลตฟอร์ม Open-Source สำหรับทดสอบประสิทธิภาพโมเดล AI บนอุปกรณ์พกพาและ Edge Devices โดยวัดผลครอบคลุมทั้งโมเดล การ Quantization และฮาร์ดแวร์จริง เพื่อแก้ปัญหาความคลาดเคลื่อนของข้อมูลจาก Model Card ทั่วไป

Liquid AI เปิดตัว DSpark draft model สำหรับโมเดลตระกูล LFM2.5 ช่วยเร่งความเร็วการประมวลผล (inference) สูงสุด 3.2 เท่าบน GPU และอุปกรณ์พกพา ผ่านเทคนิค speculative decoding โดยยังคงคุณภาพของผลลัพธ์ไว้เท่าเดิม พร้อมรองรับ llama.cpp และ SGLang ทันที

Liquid AI เปิดตัวโมเดล LFM2.5 ในรูปแบบ GGUF 4-bit ที่ใช้เทคนิค Quantization-Aware Distillation (QAD) ช่วยให้คงประสิทธิภาพได้สูงถึง 97% ของรุ่น BF16 เดิม แต่ยังประหยัดหน่วยความจำและทำงานได้รวดเร็วตามมาตรฐาน Q4_0

Liquid AI เปิดตัวโมเดล vision-language ขนาด 3.1 พันล้านพารามิเตอร์ ออกแบบมาเพื่อทำงานบนอุปกรณ์โดยเฉพาะ โดดเด่นด้านการวิเคราะห์หน้าจอ UI การระบุพิกัดวัตถุ และการเรียกใช้ฟังก์ชันที่มีประสิทธิภาพสูงขึ้น

Liquid AI เผยโฉม LFM2.5-VL-3B โมเดล Vision-Language ขนาด 3 พันล้านพารามิเตอร์ ชูจุดเด่นด้านการประมวลผลบนอุปกรณ์ที่รวดเร็วแบบเรียลไทม์ พร้อมความสามารถในการเข้าใจหน้าจอและเรียกใช้เครื่องมือที่เหนือกว่าคู่แข่งในระดับเดียวกัน

Liquid AI เปิดตัว LFM2.5-2.6B โมเดลขนาดเล็ก 2.6 พันล้านพารามิเตอร์ที่เน้นการทำงานเป็น AI Agent บนอุปกรณ์โดยตรง มีประสิทธิภาพเทียบเท่าโมเดลขนาดใหญ่กว่า 4 เท่า แต่ใช้หน่วยความจำไม่ถึง 2.5 GB

Liquid AI เปิดตัว LFM2.5-Encoder-230M และ 350M โมเดล Bidirectional Encoder แบบ open-weight ที่รองรับ Context สูงถึง 8,192 โทเค็น โดยรุ่น 350M ทำคะแนนทดสอบเป็นอันดับ 4 ของโลกเมื่อเทียบกับโมเดลกลุ่มเดียวกัน

Liquid AI ปล่อยโมเดลโมเดลตระกูล LFM2.5-Encoder ใหม่ 2 รุ่น ชูจุดเด่นด้านความเร็วในการประมวลผลบริบทขนาดยาวสูงสุด 8,192 tokens โดยมีประสิทธิภาพเหนือกว่า ModernBERT และรองรับการทำงานบน CPU ทั่วไปอย่างดีเยี่ยม