Liquid AI เปิดตัว LFM3 — โมเดล 1.7B สถาปัตยกรรม tri-hybrid ที่ฝึกมาเพื่อ local agent ชนะ Qwen3.5-9B ใน WebArena และ BFCL ใช้ RAM แค่ ~1GB ที่ 4-bit รองรับภาษาไทย แต่ไลเซนส์ LFM Open จำกัดบริษัทรายได้เกิน $10M

Liquid AI เปิดตัวโมเดลรุ่นใหม่ LFM3 เมื่อ 27 ต.ค. 2026 ชุดแรกมี 6 โมเดลที่แตกออกมาจาก LFM3-1.7B-Base ตัวเดียวกัน ได้แก่รุ่นข้อความ (LFM3-1.7B), ภาพ (LFM3-VL-2B), เสียง (LFM3-Audio-2B), omni (LFM3-Omni-2B) และ decision model อีก 2 ตัว (d1-2B, d1-Omni-2B) ทุกตัวอยู่ในระดับราว 2B และเปิดน้ำหนักบน Hugging Face พร้อม GGUF, MLX, FP8 และ NVFP4 ตั้งแต่วันแรก

ตัวที่นักพัฒนาควรดูคือ LFM3-1.7B เพราะ Liquid ไม่ได้ทำเป็นแชตบอตขนาดเล็กทั่วไป แต่ post-train มาเพื่อเป็น “สมอง” ของ agent ที่รันบนเครื่อง รองรับบริบท 256K โทเคน และใน model card ระบุว่าฝึกกับ harness อย่าง Hermes Agent, Pi และ OpenClaw ตามตารางของผู้พัฒนา ในงาน agent ที่ใช้เบราว์เซอร์และแอปธุรกิจ โมเดลนี้ชนะ Qwen3.5-9B ซึ่งใหญ่กว่าเกือบ 6 เท่า และภาษาที่รองรับอย่างเป็นทางการก็มี ภาษาไทย ด้วย

ตัวเลขที่ชนะและที่แพ้

ตารางจากบล็อกของ Liquid (ตัวเลขทั้งหมดผู้พัฒนาวัดเอง ยังไม่มีผลทดสอบอิสระ)

Benchmark	LFM3-1.7B	Qwen3.5-4B	Qwen3.5-9B	Gemma 4 E4B
BFCL V4	71.39	55.12	62.83	48.25
ToolSandbox	80.36	75.40	76.41	69.27
WebArena-Verified	38.42	21.92	28.94	17.06
AutomationBench (public)	41.29	8.67	15.10	1.92
IFEval	96.66	92.52	92.08	90.02
SWE-bench Verified (OpenCode)	43.40	41.20	51.20	0.50
GPQA Diamond	63.37	75.76	80.40	57.88
RULER 128K	65.56	84.63	87.11	18.82

ภาพที่ได้ค่อนข้างชัด LFM3-1.7B เก่งเรื่อง เรียก tool, ทำตามคำสั่ง และทำงานหลายขั้นในเบราว์เซอร์ แต่ยังแพ้โมเดลที่ใหญ่กว่าในงานที่ต้องใช้ความรู้ (GPQA), coding agent (SWE-bench) และการดึงข้อมูลจากบริบทยาวจริง (RULER 128K ได้ 65.6 เทียบกับ 87.1) Liquid เองก็เขียนไว้ใน model card ว่า ไม่แนะนำให้ใช้กับ agentic coding หรือ reasoning หลายขั้นที่ซับซ้อน และแนะนำให้ต่อ retrieval/search สำหรับงานที่ต้องใช้ความรู้

สถาปัตยกรรมและความเร็วบนเครื่อง

config.json แสดงว่า LFM3-1.7B มี 24 ชั้น แบ่งเป็น gated short convolution 13 ชั้น, sliding-window attention 5 ชั้น (หน้าต่าง 256 โทเคน) และ global attention 6 ชั้น ซึ่ง Liquid เรียกว่า “tri-hybrid” เพราะมีเพียง 6 ชั้นที่เก็บ KV cache ยาวเต็มบริบท บริบท 128K จึงใช้ KV cache แค่ 1.6GB เทียบกับ 4.3GB ของ Qwen3.5-4B และ 5.6GB ของ MiniCPM5-2B

ตัวเลขอื่นที่ผู้พัฒนาให้มา:

• ที่ 4-bit ตัวโมเดลใช้หน่วยความจำ ราว 1GB
• วัดด้วย llama.cpp Q4_0 บริบท 32K บนอุปกรณ์ 3 แบบ LFM3-1.7B decode เร็วกว่าตัวที่เร็วรองลงมา 1.8–2.8 เท่า
• บน B300 ใบเดียวด้วย SGLang (BF16, 1,024 concurrent) สร้างได้ราว 3.6 พันล้านโทเคนต่อวัน
• ทีมค้นหาสถาปัตยกรรมบนอุปกรณ์/backend 14 แบบ ตั้งแต่ Galaxy S26 Ultra, Raspberry Pi 5, M4 Max ไปจนถึง Qualcomm Hexagon NPU

สำหรับการรัน model card ลิงก์คู่มือ llama.cpp, Ollama, LM Studio, vLLM และ SGLang ไว้ครบ และมี GGUF ทางการตั้งแต่ Q4_K_M ถึง BF16 การเรียก tool ใช้รูปแบบ XML (<tool_call>) และรองรับ deferred tools (defer_loading=True) ซึ่งเก็บ tool definition ไว้นอก prompt จนกว่า harness จะค้นเจอ เป็นแนวทางเดียวกับ tool search ของ agent ฝั่ง frontier ที่ช่วยประหยัดบริบทเวลามี tool จำนวนมาก

ไลเซนส์: เปิดน้ำหนัก แต่ไม่ใช่ open source

ไฟล์ LICENSE ในทุก repo คือ LFM Open License v1.0 ซึ่งใช้ข้อความแบบ Apache 2.0 แต่เพิ่มมาตรา 5 ว่า การใช้เชิงพาณิชย์จะได้รับสิทธิ์เฉพาะเมื่อองค์กรมีรายได้ต่อปีต่ำกว่า $10 ล้าน องค์กรที่มีรายได้เกินเกณฑ์นี้ต้องคุยไลเซนส์แยกกับ Liquid ส่วนองค์กรไม่แสวงกำไรที่ใช้เพื่อการวิจัยไม่ติดเกณฑ์นี้ เงื่อนไขนี้เหมือนกับที่ใช้กับ LFM2.5-24B-A2B และ d1-3B ก่อนหน้านี้ สตาร์ทอัปส่วนใหญ่ใช้ได้ แต่บริษัทใหญ่ที่จะฝังลงในแอปต้องเช็กให้ดี

มุมมอง AI Curator

LFM3 น่าสนใจเพราะ เลือกเล่นคนละเกมกับโมเดลเล็กทั่วไป Liquid ไม่ได้พยายามทำให้ 1.7B ตอบความรู้ได้เท่า 9B ซึ่ง GPQA บอกว่าทำไม่ได้ แต่ยอมแพ้ตรงนั้นแล้วไปทุ่มกับการเรียก tool และการทำงานหลายขั้น ช่องว่างใน AutomationBench (41.3 เทียบกับ 15.1 ของ Qwen3.5-9B) ใหญ่จนต้องรอคนวัดซ้ำ เพราะ Liquid เป็นคนเลือก benchmark และ harness เอง แต่ทิศทางนี้ถูกต้อง agent บนมือถือหรือเครื่องลูกค้าไม่จำเป็นต้องรู้ทุกอย่าง แค่ต้องเลือก tool ถูก ส่ง argument ถูก และไม่หลุดกลางทาง ความรู้ที่ขาดไปค่อยดึงจาก search เอา

สำหรับนักพัฒนาไทย จุดที่ควรลองมีสองอย่าง อย่างแรกคือภาษาไทยอยู่ในรายชื่อภาษาที่รองรับอย่างเป็นทางการ ซึ่งโมเดลระดับ 2B ส่วนใหญ่ไม่มี ถ้าคุณภาพใช้ได้จริง ก็เปิดทางให้ทำ agent ภาษาไทยที่รันบน Android ระดับกลางหรือ mini PC ในร้านค้า โดยไม่ต้องส่งข้อมูลลูกค้าขึ้นคลาวด์ อย่างที่สองคือ LFM3 ออกแบบมาให้ fine-tune บน GPU ใบเดียว สตาร์ทอัปไทยที่รายได้ต่ำกว่า $10M จึงเอาไปปรับกับ tool ภายในของตัวเองแล้วขายได้โดยไม่ติดไลเซนส์ ข้อควรระวังคือบริบท 256K บนกระดาษไม่ได้แปลว่าใช้ได้จริงถึงขนาดนั้น RULER 128K ที่ 65.6 บอกว่ายาวเกินครึ่งหนึ่งของบริบทแล้วความแม่นเริ่มตก งาน agent ที่สะสม log ยาวควรใช้ร่วมกับ compaction

แหล่งข่าว

• Liquid AI — LFM3: Every Modality for Specialized Intelligence (27 ต.ค. 2026)
• Hugging Face — LiquidAI/LFM3-1.7B (model card, ภาษาที่รองรับ, tool calling)
• Hugging Face — LFM3-1.7B config.json (24 ชั้น: 13 conv / 5 SWA / 6 global)
• Hugging Face — LFM Open License v1.0