Liquid AI 27 октября выпустила семейство LFM3 — компактные модели для самостоятельного запуска. Среди них появилась первая у компании модель, объединяющая изображение, звук и текст: LFM3-Omni-2B принимает фотографии, видео со звуковой дорожкой и голосовые вопросы, а отвечает текстом или речью. Её веса доступны на Hugging Face; всего в модели 2,17 млрд параметров.

Такой помощник может сопоставить произнесённый вопрос с тем, что видно на экране или в кадре. По устройству модели разработчику больше не нужно соединять отдельные системы распознавания речи, анализа изображения, текстовых ответов и озвучивания. Omni также формирует команды для внешних инструментов. Компания ориентирует её на локальные приложения: обработку можно выполнять на собственном оборудовании, хотя скорость и расход памяти зависят от устройства и способа запуска.

В собственных испытаниях Liquid AI модель набрала 70,1 балла на Daily-Omni — тесте понимания видео со звуком — против 61,3 у Qwen2.5-Omni-7B, у которой 10,7 млрд параметров с учётом всех компонентов. Преимущество не универсально: в OmniBench, объединяющем изображения и аудио, LFM3 получила 46,3 против 49,7 у той же Qwen. Это результаты разработчика на выбранных наборах, а не независимое подтверждение превосходства маленькой модели над большими.

У Omni окно контекста составляет 32 тысячи токенов; заявленные для текстовой LFM3 256 тысяч к ней не относятся. В карточке русский есть среди текстовых языков, но отсутствует в перечне поддерживаемых языков речи. Открытые веса тоже не означают неограниченную коммерческую лицензию: LFM Open License устанавливает порог годовой выручки в $10 млн, а для компаний выше него Liquid AI предлагает отдельную платную лицензию.