LFM3-1.7B

Fuentes comprobadas el 6 de noviembre de 2026. Se distinguen afirmaciones del editor y experiencias ajenas; no es un benchmark propio de AIDreamHub.

Un componente con alcance limitado

Tiene 1,73B parámetros y 24 capas que combinan convoluciones cortas y atención local y global. La ficha anuncia 256K de entrada más salida y 16 idiomas. Especificaciones no equivalen a garantías en todos los dispositivos.

Empiece con enrutamiento entre pocas herramientas, esquemas estrictos o respuestas basadas en material dado. El editor no lo recomienda para código agéntico o razonamiento complejo de varios pasos. Puede ser útil sin reemplazar un asistente general grande.

Página oficial capturada por AIDreamHub, no ejecución local del producto.

Memoria con una carga concreta

Aproximadamente 1 GB a cuatro bits describe un perfil compacto, no cualquier conversación de 256K. Runtime, contexto y descripciones de herramientas consumen memoria. BF16, FP8, NVFP4, GGUF, MLX y ONNX no son archivos intercambiables.

Elija según sistema y acelerador, fije versión y cuantización y mida entradas realistas. Una extracción corta no demuestra velocidad de contexto largo, fiabilidad universal ni privacidad de toda la aplicación.

Cómo usarlo: esquema y pocas herramientas

El ejemplo Transformers utiliza trust_remote_code. Inspeccione y fije la implementación en un entorno aislado. El código inferior es generación limitada de texto, no instalación automática de un agente o permisos.

Defina claves, tipos y null para ausencias; valide fuera del modelo. El ejecutor impone nombres y argumentos permitidos, permisos y errores concretos. Empiece con dos herramientas inocuas antes que con todo el equipo.

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"])

Aprender también de los fallos externos

MindStudio, el 28 de octubre, describe extracción JSON y argumentos correctos junto con fallos al arreglar código y crear HTML. También señala una suposición de zona horaria. Son ejemplos de un proveedor comercial, no mediciones nuestras ni una muestra estadística.

Su prueba de unos 80 idiomas excedía los 16 declarados. No demuestra fallos en todos los idiomas admitidos. Pruebe el idioma, esquema y contrato reales y especifique zona horaria y unidades.

Aceptación de extracción y rutas

Reserve casos con campos ausentes, fechas contradictorias, herramientas no admitidas e instrucciones incrustadas. null o rechazo pueden ser respuestas correctas. Distinga JSON válido de significado: un identificador falso bien formateado sigue siendo incorrecto.

Registre correcciones, memoria y solicitudes aceptadas. La salida de herramientas no es una instrucción confiable. Si el trabajo pasa a depuración compleja, escale a otro modelo o proceso en lugar de ocultar reintentos.

Comparar el proceso completo

Compare modelos pequeños con igual cuantización y tareas, grandes para interpretación difícil y reglas para formatos fijos. Un promedio de benchmarks no decide una canalización documental concreta.

Para uso offline, prepare pesos y dependencias y compruebe que interfaz, logs e integraciones no se conectan fuera. Pesos locales no hacen privado automáticamente todo el sistema.

Revisar la licencia comercial propia

Usa LFM Open License v1.0, no Apache-2.0. Incluye umbral de ingresos anuales de 10 millones USD y límites comerciales por entidad. Lea definiciones y sección 5 con el responsable, sin convertir disponibilidad en permiso universal.

Licencia, precisión y privacidad son decisiones separadas. El dibujo ilustra asignar un trabajo limitado a un modelo pequeño; no es una medición ni salida del modelo.

Preguntas antes de adoptarlo

¿Admite todos los idiomas?

La ficha declara 16. La prueba externa de unos 80 excede ese alcance. Evalúe fechas, números y terminología con revisión nativa.

¿Puedo usarlo comercialmente bajo Apache?

No: rige LFM Open License v1.0 con condiciones por ingresos y entidad. Descargar los pesos no elimina esas cláusulas.

¿1 GB incluye una conversación 256K?

No lo suponga. Pesos, runtime y estado de contexto son distintos. Mida el paquete elegido en el dispositivo y carga reales.

Fuentes revisadas

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

Explorar herramientas relacionadas

• Modelos de texto
• Agentes IA