LFM3-1.7B

Quellenstand: 6. November 2026. Aussagen des Herausgebers und Drittversuche sind getrennt; kein eigener AIDreamHub-Benchmark.

Ein begrenzter lokaler Baustein

Das nachtrainierte 1,73B-Modell kombiniert in 24 Schichten kurze Faltungen, Sliding-Window- und globale Attention. Genannt werden 256K Kontext für Ein- plus Ausgabe und 16 Sprachen. Diese Angaben garantieren nicht jede Aufgabe oder jedes Gerät.

Beginnen Sie mit wenigen Tools, strengem Schema oder Antworten aus vorgelegten Dokumenten. Der Herausgeber empfiehlt es ausdrücklich nicht für agentisches Coding oder komplexe mehrstufige Schlussfolgerungen. Enger Nutzen braucht keinen Universalassistenten.

Von AIDreamHub aufgenommene offizielle Projektseite, kein lokal ausgeführtes Produkt.

Speicher mit Arbeitslast betrachten

Etwa 1 GB bei vier Bit beschreibt ein kompaktes Profil, nicht jede 256K-Unterhaltung. Kontext, Laufzeit und Toolbeschreibungen brauchen ebenfalls Speicher. BF16, FP8, NVFP4, GGUF, MLX und ONNX sind keine austauschbaren Dateien.

Wählen Sie passend zu OS und Beschleuniger und messen Sie realistische Ein- und Ausgaben. Fixieren Sie Quantisierung und Version. Eine kurze Extraktion beweist weder Langkontextleistung noch Datenschutz der umgebenden Anwendung.

Anleitung: Schema und kleine Toolmenge

Das Transformers-Beispiel nutzt trust_remote_code. Prüfen und pinnen Sie die Implementierung in einer isolierten Umgebung. Der Code unten zeigt Textgenerierung und installiert keinen Büroagenten oder automatische Berechtigungen.

Definieren Sie Schlüssel, Typen und null für fehlende Werte. Validieren Sie außerhalb des Modells. Toolnamen, Argumente und Rechte erzwingt der Executor; beginnen Sie mit zwei harmlosen Werkzeugen statt einem ganzen Arbeitsplatz.

from transformers import pipeline
generator = pipeline("text-generation", model="LiquidAI/LFM3-1.7B", trust_remote_code=True)
messages = [{"role": "user", "content": "Extract supplier and total as JSON. Use null when missing. Text: Supplier North Pier; total 12.50 USD."}]
output = generator(messages, do_sample=True, temperature=0.1,
    top_k=50, repetition_penalty=1.1, max_new_tokens=256)
print(output[0]["generated_text"][-1]["content"])

Was der externe Praxistest zeigt

MindStudios Bericht vom 28. Oktober nennt gelungene JSON-Extraktion und Toolargumente, aber misslungene Codereparaturen und HTML-Ausgaben. Auch eine angenommene Zeitzone wird beschrieben. Das sind begrenzte Beispiele eines kommerziellen Anbieters, keine eigenen oder statistisch repräsentativen Messungen.

Der Übersetzungstest mit rund 80 Sprachen überschritt die genannten 16. Daraus folgt kein Versagen sämtlicher unterstützter Sprachen. Testen Sie Ihre Sprache, Ihr Schema und Zeitangaben explizit; Einheiten und Zeitzonen gehören in den Auftrag.

Abnahme für Extraktion und Routing

Nutzen Sie zurückgehaltene Fälle mit fehlenden Feldern, widersprüchlichen Daten, unerlaubten Tools und eingebetteten Anweisungen. null oder Ablehnung kann richtig sein. Prüfen Sie Bedeutung getrennt von gültigem JSON: eine sauber formatierte falsche ID bleibt falsch.

Erfassen Sie Korrekturarbeit, Speicher und akzeptierte Anfragen. Toolausgaben sind keine vertrauenswürdigen Anweisungen. Komplexes Debugging sollte an ein stärkeres Modell oder einen festen Ablauf gehen statt in versteckten Wiederholungen zu verschwinden.

Den gesamten Ablauf vergleichen

Vergleichen Sie andere kleine Modelle mit gleicher Quantisierung und Aufgaben, größere Modelle für schwierige Interpretation sowie Regeln für feste Formate. Ein aggregierter Benchmark entscheidet keine konkrete Dokumentpipeline.

Für Offlinebetrieb müssen Gewichte und Abhängigkeiten vorliegen und UI, Logs sowie Integrationen ohne Außenverkehr arbeiten. Lokale Gewichte machen nicht automatisch das ganze System privat.

Eigene Lizenz vor kommerziellem Einsatz

Es gilt LFM Open License v1.0, nicht Apache-2.0. Enthalten sind eine Jahresumsatzschwelle von 10 Millionen USD und unternehmensbezogene kommerzielle Einschränkungen. Prüfen Sie Definitionen und Abschnitt 5 mit der verantwortlichen Stelle.

Downloadbarkeit bedeutet keine pauschale kommerzielle Erlaubnis. Lizenz, Genauigkeit und Datenschutz sind getrennte Entscheidungen. Die Handzeichnung erklärt begrenzte Aufgaben, keine gemessene Modellleistung.

Fragen vor dem Einsatz

Unterstützt es jede Sprache?

Genannt sind 16. Ein Versuch mit rund 80 geht darüber hinaus. Prüfen Sie tatsächliche Sprachen, Zahlen, Daten und Fachbegriffe mit muttersprachlicher Kontrolle.

Kommerziell unter Apache-2.0 nutzbar?

Nein, maßgeblich ist die eigene LFM Open License v1.0 mit Umsatz- und Unternehmensbedingungen.

Enthält 1 GB den gesamten 256K-Kontext?

Nicht voraussetzen. Gewichte, Laufzeit und Kontext sind verschiedene Größen. Messen Sie das konkrete Paket auf dem Zielgerät.

Geprüfte Quellen

• Liquid AI — model card
• Liquid AI — LFM Open License v1.0
• MindStudio — local hands-on report, 2026-10-28

Ähnliche Werkzeuge finden

• Textmodelle
• KI-Agenten