Liquid AI, yang didirikan oleh para ilmuwan komputer mantan MIT, baru saja meluncurkan model bahasa AI terkecil mereka, LFM2.5-230M. Model ini cocok banget untuk perusahaan yang memerlukan pemrosesan data serta penerapan lokal di smartphone, laptop, dan robotika.
Dengan 230 juta parameter, model ini dirancang untuk alur kerja mandiri di perangkat, dan ukuran kecilnya memungkinkan untuk dijalankan hampir di mana saja. Menurut Liquid, model ini mampu mengungguli model-model yang lebih besar hingga empat kali lipat pada beberapa pengujian, terutama dalam hal ekstraksi data dibandingkan dengan Alibaba Qwen3.5-0.8B dan Google Gemma 3 1B yang masing-masing memiliki 800 juta dan 1 miliar parameter.
Model ini ditujukan untuk para pengembang dan insinyur yang membangun pipeline ekstraksi data ringan dan sistem tepi otonom.
Berkat lisensi komersial dual-use, model ini tersedia gratis untuk individu dan perusahaan yang menghasilkan kurang dari 10 juta dolar per tahun, sementara perusahaan besar perlu menandatangani perjanjian berbayar. Peluncuran ini memang berbeda dari model AI kecil lainnya, karena LFM2.5 menggunakan arsitektur LFM2 yang memungkinkan kecepatan inference tinggi tanpa beban memori yang besar yang biasanya ditemukan pada transformer dengan parameter berat.
Sementara perusahaan-perusahaan besar seperti Anthropic, OpenAI, Google, Microsoft, dan Meta terus mendorong jumlah parameter ke ratusan miliar atau bahkan triliunan untuk mencapai performa yang lebih baik, ada juga perlombaan paralel yang berfokus pada penerapan lokal dan di tepi.
Peluncuran LFM2.5-230M oleh Liquid AI menandakan pergeseran penting menuju efisiensi arsitektur daripada hanya mengandalkan skala besar. Dengan menyisihkan 19 triliun token dari pelatihan awal ke dalam footprint 230 juta parameter, perusahaan ini menunjukkan bahwa perangkat tepi tidak memerlukan daya komputasi yang besar atau koneksi cloud yang terus menerus untuk menjalankan alur kerja otonom yang kompleks.
Bagaimana LFM2.5-230M Bekerja
Model LFM2.5-230M berbeda dari arsitektur transformer standar dengan mengandalkan kerangka kerja LFM2. Arsitektur ini berfungsi sebagai sistem hibrida, menggabungkan konvolusi jarak pendek dengan perhatian kueri terkelompok untuk memproses informasi dengan efisien.
Bagi kalian yang mengikuti evolusi arsitektur efisien, pendekatan Liquid ini memiliki tujuan konseptual yang sama: mengelola konteks panjang dan data berurutan secara efektif pada perangkat tepi tanpa biaya memori kuadratik dari mekanisme perhatian murni. Model ini mendukung jendela konteks yang luas hingga 32K, memungkinkannya untuk mengolah dokumen besar atau aliran data telemetri robotik yang berkelanjutan.
Dari grafik performa yang disediakan dalam rilis, efisiensi arsitektur model ini terlihat jelas. Model ini memiliki footprint memori di bawah 400MB sambil mencapai kecepatan pengisian dan decode yang melebihi model-model serupa seperti Gemma 3 1B IT dan Granite 4.0-H-350M.
Pada Samsung Galaxy S25 Ultra yang dilengkapi dengan CPU Qualcomm Snapdragon Gen4, model ini mencapai kecepatan decode 213 token per detik. Bahkan pada Raspberry Pi 5 yang memiliki keterbatasan tinggi, model ini masih mempertahankan laju decode 42 token per detik. Benchmark internal menunjukkan bahwa tumpukan inference GPU memberikan latensi end-to-end yang lebih rendah dibandingkan dengan model kecil lainnya di semua level keterhubungan.
Pentingnya untuk Perusahaan
Untuk memahami mengapa model dengan 230 juta parameter ini dibutuhkan, penting untuk memikirkan bagaimana perusahaan saat ini mengelola data.
Organisasi biasanya mengandalkan skrip Extract, Transform, Load (ETL) yang berbasis aturan yang kaku untuk memindahkan dan memproses data. Namun, sistem lama ini terkenal rapuh; perubahan sederhana pada tata letak dokumen atau pembaruan skema bisa merusak seluruh alur data.
Untuk mengatasinya, industri bergerak menuju “AI ETL”, di mana pembelajaran mesin melakukan inferensi mapping, mendeteksi perubahan skema, dan beradaptasi otomatis terhadap perubahan. Dalam pipeline ekstraksi data modern yang ringan, model AI terhubung dengan sumber tidak terstruktur—seperti PDF, email, atau formulir web—dan menyusun data ke dalam format seperti JSON tanpa memerlukan aturan yang telah ditentukan sebelumnya.
Bagi perusahaan, menggunakan model besar seperti Claude Opus 4.6 (yang biayanya $5.00 per satu juta token input) untuk memproses faktur rutin, memformat alamat, atau mengarahkan data telemetri bukanlah langkah ekonomi yang bijak.
Di sinilah model seperti LFM2.5-230M menjadi sangat penting. Dirancang sebagai mesin ekstraksi yang ringan, model ini memungkinkan perusahaan untuk mengotomatisasi proses pemformatan dan pemrosesan data secara berulang dengan biaya dan latensi komputasi yang jauh lebih rendah, dan bisa langsung berjalan pada perangkat lokal tanpa perlu panggilan API cloud yang mahal.
Benchmark Model Kecil: LFM vs. Kelas 3B
Industri AI di pertengahan 2026 melihat kembali kebangkitan model “kecil”, tetapi definisi “kecil” sangat bervariasi.
Baru-baru ini, komunitas open-weight terkejut oleh VibeThinker-3B dari Weibo, model dengan 3 miliar parameter yang dibangun di atas backbone gaya Qwen2 yang mencapai skor luar biasa 94.3 pada benchmark matematika AIME 2026, sebanding dengan monster 600 miliar parameter melalui kurasi data agresif dan pembelajaran penguatan.
Demikian juga, keluarga Gemma 4 dari Google—yang baru-baru ini melewati 200 juta unduhan—mendorong AI frontier ke tepi, termasuk E2B (2 miliar parameter) yang dirancang khusus untuk penerapan mobile dan IoT.
Di sisi lain, LFM2.5-230M dari Liquid AI beroperasi di kelas berat yang sama sekali berbeda. Dengan hanya 230 juta parameter, model ini sekitar sepuluh kali lebih kecil dari model Gemma 4 Google yang terkecil dan VibeThinker-3B.
Karenanya, LFM2.5-230M tidak dirancang untuk bersaing dalam beban kerja yang berat pada penalaran seperti matematika lanjutan, coding, atau penulisan kreatif—a yang diakui secara eksplisit oleh Liquid AI.
Namun, dalam domain ekstraksi data dan pemanggilan alat yang dimaksudkan, model ini tampil lebih baik dari kelas beratnya. Benchmark yang dirilis oleh Liquid AI menunjukkan LFM2.5-230M mencetak 43.26 pada benchmark penggunaan alat BFCLv3, mengalahkan Granite 4.0-350M (39.58) dan jauh di depan model-model 1 miliar parameter seperti Google Gemma 3 1B IT (16.61).
Dalam evaluasi CaseReportBench untuk ekstraksi data, model ini mencetak 22.51, menghancurkan Qwen3.5-0.8B (Instruct).
LFM2.5-230M membuktikan bahwa sementara model 3 miliar parameter seperti VibeThinker menyelesaikan kalkulus tingkat lanjut, model dengan 230 juta parameter ini adalah pilihan yang lebih unggul dan sangat teroptimasi untuk mengeksekusi panggilan alat terstruktur dan menjaga jalur otonom tetap berjalan efisien pada perangkat yang terbatas.
Kegunaan Riset Lanjutan
Karena unggul dalam pemanggilan alat, LFM2.5-230M berfungsi terutama sebagai lapisan pemilihan keterampilan. Liquid AI menunjukkan kemampuan ini dengan menerapkan model pada robot humanoid Unitree G1.
Bekerja sepenuhnya di perangkat melalui modul komputasi NVIDIA Jetson Orin yang dipasang pada robot, model ini berhasil memproses perintah lingkungan yang kompleks.
Seperti yang disebutkan dalam blog teknis perusahaan, model ini dapat mengambil instruksi bebas seperti, “Berdiri diam selama 2 detik, kemudian berjalan maju dengan kecepatan 1 meter per detik selama 3 meter, berlutut satu kaki ke depan selama 5 detik, dan berjalan mundur dengan kecepatan 0.5 meter per detik selama 3 meter,” lalu secara otomatis menerjemahkannya ke dalam rencana multi-langkah terstruktur yang memanfaatkan keterampilan tingkat rendah yang telah dilatih sebelumnya yang disediakan oleh kerangka kerja SONIC dari NVIDIA.
Model dasar dan yang telah dilatih tersedia segera di Hugging Face, dengan dukungan asli pada hari pertama untuk ekosistem inference seperti llama.cpp (GGUF), MLX, vLLM, SGLang, dan ONNX.
Lisensi LFM Open Dual-use Kustom
Liquid AI meluncurkan LFM2.5-230M di bawah LFM Open License v1.0. Meskipun terdapat kata “open” di dalamnya, ini bukan lisensi yang memenuhi syarat Open Source Initiative (OSI); ini beroperasi sebagai kerangka komersial terbatas dan dual-use.
Bagi pengembang independen, peneliti, dan startup tahap awal, lisensi ini berfungsi sama seperti perangkat lunak sumber terbuka.
Pengguna mendapatkan lisensi perpetuator, global, dan royalti gratis untuk mereproduksi, mengubah, dan mendistribusikan model, selama mereka mempertahankan pemberitahuan hak cipta asli dan menyatakan dengan jelas setiap modifikasi yang dilakukan.
Namun, lisensi ini mencakup batasan ketat pada penggunaan komersial. Entitas hukum yang menghasilkan 10 juta dolar atau lebih dalam pendapatan tahunan kehilangan hak untuk menggunakan model secara komersial berdasarkan perjanjian ini.
Perusahaan besar yang melampaui ambang finansial ini harus menegosiasikan perjanjian komersial terpisah dan berbayar dengan Liquid AI sebelum menggunakan model ini dalam produksi.
Strategi ini melindungi perusahaan dari kehilangan kekayaan intelektualnya kepada konglomerat teknologi besar secara gratis, sementara tetap mendistribusikan model ini di tingkat pengembang yang lebih dasar.
