Liquid AI LFM3 系列第一个全模态模型，2.17B 参数：一个端到端模型同时理解文字、图片、视频（连同声音）和音频，用文字、24 kHz 语音或文字语音交错回答，可以在手机、笔记本上替代 ASR、视觉语言模型、LLM、TTS 四个模型。
上升分 144 · 点赞 146 · 下载量 714
理由
- 官方自测音视频联合理解：Daily-Omni 70.09、WorldSense 47.10、AV-SpeakerBench 46.79，都高于对比的 Qwen2.5-Omni 7B（61.32 / 45.37 / 43.24）；但 OmniBench 整体 46.32 低于 Qwen2.5-Omni 3B 的 47.11。
- 语音输出覆盖 19 个语言或口音（含中文，英语分英式、美式），可选男声或女声；官方称英文 TTS 的 UTMOSv2 为 3.80（Qwen2.5-Omni 3B 为 3.42），英文 ASR 平均 WER 6.36，VoiceBench 64.73 低于 Gemma 4 E4B 的 72.90。
- 支持用语音发起工具调用，视频按 2 fps 采样（默认 4–384 帧），32K 上下文；GGUF 版可在 llama.cpp 上跑实时语音服务。10 月 21 日发布，此前各期没有收录。上升分 144 只代表关注度。
用法
- Transformers ≥5.20.2：AutoModelForMultimodalLM.from_pretrained("LiquidAI/LFM3-Omni-2B", trust_remote_code=True)，编解码器用 processor.audio_tokenizer；generate 时 generation_mode 选 "text"、"audio" 或 "interleaved"。
- 用系统提示词切任务：Perform ASR in <语言>. 做转写；Perform TTS in American English using a female voice. 做合成；Respond in interleaved text and audio. 做语音对话。语音输出用 audio_temperature=0.4、audio_repetition_penalty=1.2，文字输出贪心解码即可。
- SGLang 只服务文字输出；llama.cpp 用 GGUF 版，视频固定 2 fps；卡里附 SFT 微调笔记本。
风险
- 非推理模型，不支持 enable_thinking；文字语言 16 种、语音语言 19 个，两者不完全重合。
- 许可是 LFM Open License v1.0，不是 Apache / MIT，商用前要看条款；需要 trust_remote_code。
- 所有分数都是 Liquid AI 自测；模型卡没有提到音色克隆，也没有人工自然度评测。
编辑：它以理解为主，但能直接输出语音（含 TTS），这里归生成类。