Liquid AI LFM3: Winzige 2B-Modelle für Sprache, Bild und Video in Ollama

Worum es geht

In der Ollama-Bibliothek sind am 27. Oktober 2026 drei neue Modelle aus der LFM3-Familie von Liquid AI erschienen: lfm3-audio, lfm3-omni und lfm3-vl. Alle drei sind mit rund 2 Milliarden Parametern sehr klein – Parameter sind grob gesagt die Stellschrauben, die ein Modell beim Training gelernt hat. Sie sind für den Einsatz direkt auf dem Gerät gedacht, also auf Laptops, Handys und anderer Edge-Hardware (Edge heißt: die Berechnung passiert lokal und nicht in der Cloud). Nach Angaben der Modellseiten gehört zur LFM3-Familie außerdem Base-, Text- und Decision-Modelle; diese sind hier aber nicht Thema.

Start per Kommandozeile: ollama run lfm3-audio, ollama run lfm3-omni oder ollama run lfm3-vl. Die Download-Zahlen sind zum Zeitpunkt der Meldung noch minimal (11 bis 24), die Modelle wurden vor gut 30 Minuten eingestellt.

LFM3-Audio-2B: Sprechen, Zuhören, Übersetzen

LFM3-Audio-2B ist das Hauptmodell dieser Meldung. Es nimmt Text oder Audio entgegen und antwortet mit Text, gesprochener Sprache oder beidem gemischt. Laut Beschreibung kann es:

• Sprachchat: Du stellst eine Frage laut und bekommst die Antwort gestreamt als Text und Sprache. Bei reinen Textantworten kann das Modell vor der Antwort „nachdenken“.
• Mehrsprachige Sprachverarbeitung: Sprache transkribieren (in Text umwandeln), synthetisieren (aus Text erzeugen) und übersetzen, in 18 Sprachen. Die Liste enthält Deutsch, Französisch, Spanisch, Italienisch, Japanisch, Koreanisch, Chinesisch, Arabisch und weitere. Englisch ist als britische und amerikanische Variante aufgeführt, daher zählt die Tabelle 19 Einträge für 18 Sprachen.
• Audioverständnis: Aufnahmen interpretieren und Fragen zu Sprache, Geräuschen und Ereignissen darin beantworten.
• Tool Calling: Gesprochene Wünsche werden in Werkzeugaufrufe übersetzt, um Apps oder Geräte zu steuern – mit Text oder Sprache als Begleitung.

Neu gegenüber dem Vorgänger LFM2.5-Audio sind ein hauseigener Audio-Encoder (der Teil, der Töne in eine für das Modell verarbeitbare Form bringt) und der Audio-Tokenizer „LiquidCodec“ (er zerlegt Sprache in diskrete Bausteine, sogenannte Token). Das soll die Sprachqualität verbessern – ein Herstellerversprechen, Messwerte liefert die Seite nicht.

Technische Eckdaten

Der Kontext ist die Textmenge, die das Modell auf einmal im Blick behalten kann (Eingabe und Ausgabe zusammen). Das Audio-Modell arbeitet im Streaming-Modus: Es kodiert Audio kausal (nur anhand des bereits Gehörten), füllt den Kontext schrittweise und erzeugt Sprache fortlaufend. Dadurch können Antworten starten, noch bevor die Eingabe komplett verarbeitet ist.

LFM3-Omni-2B: Alles in einem Modell

Omni ist laut Liquid AI das erste omni-modale Modell der LFM3-Familie. Es versteht Text, Bilder, Video und Audio und antwortet in Text und Sprache. Der Anspruch: Ein Modell ersetzt eine sonst übliche Kette aus ASR (Spracherkennung), Vision-Language-Modell, Sprachmodell und TTS (Text-to-Speech). Bei Videos mit Ton sieht und hört es gleichzeitig, kann also Fragen beantworten, die beides brauchen. Bilder und Videos werden in nativer Auflösung verarbeitet; jeder 2×2-Block an Bildausschnitten (Patches) wird zu einem Sprach-Token, Video wird mit 2 Bildern pro Sekunde abgetastet. Der Text-Wortschatz umfasst 128.000 Token. Texte versteht das Modell in 16 Sprachen, darunter Deutsch; die Sprachausgabe deckt dieselben Sprachen wie das Audio-Modell ab. Thinking wird ausdrücklich nicht unterstützt.

LFM3-VL-2B: Bildverständnis mit Denkmodus

Das Vision-Language-Modell kombiniert das LFM3-Sprachmodell mit einem neuen eigenen Vision-Encoder. Neu sind laut Seite:

• Videoverständnis – als „soon“ gekennzeichnet, also noch nicht verfügbar. Es wäre das erste LFM-Visionmodell mit Videoeingabe.
• Thinking: Das Modell überlegt Schritt für Schritt vor der Antwort, was bei Mathe, Diagrammen und mehrstufigen Aufgaben helfen soll.
• Räumliches Denken: Objekte finden und ihre Lage zueinander einschätzen, gedacht als Grundlage für Robotik.

Architektonisch besteht das Modell aus 24 Schichten: 13 gated Short Convolutions, 5 Sliding-Window-Attention- und 6 Global-Attention-Schichten – ein Mix, der weniger rechenintensiv sein soll als reine Attention-Modelle. Der Kontext beträgt 128K Token. Einsatzgebiete laut Hersteller: Dokumente, Diagramme und App-Bildschirme lesen, Objekte in Bildern finden, räumliches Denken für Roboter. Nicht empfohlen für Coding, Mehrfach-Dialoge oder komplexes Schlussfolgern.

Was du zum Ausprobieren brauchst

Die Quelle nennt keine VRAM-Werte. Bei rund 2 Milliarden Parametern ist als grobe Schätzung bei 4-bit-Quantisierung mit etwa 3 GB Grafik- oder Arbeitsspeicher zu rechnen, mehr bei längerem Kontext. Das sollte auf einem normalen Laptop ohne dedizierte Grafikkarte, auf einem Mac mit Apple Silicon oder per CPU möglich sein; die Geschwindigkeit hängt aber von deiner Hardware ab. Plane einige GB freien Speicherplatz ein. Für Sprachchat brauchst du Mikrofon und Lautsprecher bzw. eine Oberfläche, die Audio-Ein- und -Ausgabe an Ollama anbindet; wie weit Ollama selbst die Sprachausgabe unterstützt, geht aus der Seite nicht hervor.

Einordnung

Dass ein 2B-Modell Spracheingabe, Sprachausgabe und – bei Omni – Bild und Video in einem Netz vereint, ist für lokale Assistenten interessant: Es spart die Kette aus mehreren Modellen und damit Speicher und Latenz. Deutsch wird sowohl bei Text als auch Sprache unterstützt. Offen bleibt, wie gut die Qualität tatsächlich ist: Die Ollama-Seiten enthalten keine Benchmarks, Vergleiche mit Konkurrenten oder Hörproben, alle Qualitätsangaben sind Herstellerversprechen. Der Hersteller warnt selbst, dass die Modelle für wissensintensive Aufgaben auf Suche oder Retrieval angewiesen sind und wegen ihrer Größe nicht für agentisches Coding oder komplexe mehrstufige Aufgaben taugen. Die LFM Open License v1.0 ist eine eigene Lizenz; wer kommerziell einsetzen will, sollte ihre Bedingungen vorher lesen. Außerdem ist das Videofeature von VL noch nicht verfügbar.