LFM3-1.7B

Fiche modèle · Liquid AI · lfm3-1.7b

LFM3-1.7B is Liquid AI's open-weight 1.73B text model for local agents and specialized applications, the text post-trained checkpoint of the LFM3 family (Oct 27, 2026). New tri-hybrid architecture: 24 layers (13 gated short convolutions, 5 sliding-window attention with 256-token window, 6 global attention), head-wise gated attention, partial RoPE, sandwich norm. Pre-trained on 22T tokens; 256K context; 128K vocabulary; 16 languages. Post-trained (SFT, mixed RL, multi-domain on-policy distillation, agentic RL) for harnesses like Hermes Agent, Pi, and OpenClaw; reasoning on by default; supports deferred tools / tool search. Fits in ~1 GB at 4-bit. Vendor says it is not recommended for agentic coding or complex multi-step reasoning. Hugging Face: LiquidAI/LFM3-1.7B (+ Base, FP8, NVFP4, GGUF, MLX, ONNX). License: LFM Open License v1.0. Catalog benches are self-reported from the vendor table. No catalog id (recorded here only): LiveClaw 45.60, Claw-Eval pass^3 51.40, BrowseComp-Plus (OpenClaw subset) 37.00, EnterpriseOps-Gym 28.20, ToolSandbox 80.36, IFStruct 93.72, LiveCodeBench Pro 25Q2 31.74 (pass rate; catalog id is Elo), AA-Omniscience accuracy 7.07 and non-hallucination 92.93. Launch partners include OpenRouter and Vercel, but no gateway id or price was listed at time of adding, so no provider row. Sources: https://www.liquid.ai/blog/lfm3 · https://huggingface.co/LiquidAI/LFM3-1.7B.

Fiches modèles

Identité

OrganisationLiquid AI
Pays—
Famille—
Typellm
Date de sortie2026-10-27
Licencelfm open license v1.0
Licence commercialeoui
Licence open sourcenon
Poids ouvertsoui
Auto-hébergement (DGX Spark)oui — ≤ 107 Md (Q8/FP8)
Modalités—
Fenêtre de contexte262 144
KV cache / token (Q8)24.6 ko/token
Paramètres totaux1.73 B
Paramètres actifs (session)1.73 B
Source des paramètres actifsactifs = total (modèle dense, config HF (LiquidAI/LFM3-1.7B)) ; total : config Hugging Face (LiquidAI/LFM3-1.7B)
Curation des paramètres actifs2026-11-04
Prix par session—
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)—
Tokens d'entraînement22 000 000 000 000
Coupure de connaissance—
Créé le2026-11-02T18:10:22.658834Z
Mis à jour le2026-11-04T06:04:49.583209Z
SourceLLM Stats
URLhttps://llm-stats.com/models/lfm3-1.7b
Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
chat0.90
instruction_following0.90
knowledge0.50
language0.90
long_context0.60
math0.20
physics0.50
reasoning0.40
science0.50
structured_output0.90
frontend_development0.40
general0.50
agents0.50
biology0.50
chemistry0.50
code0.30
communication0.90
tool_calling0.50
vision0.10

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
aa-lcrreasoning0.531.000.53nonoui2026-11-04T06:04:49.763229Z
aa-omniscience-indexknowledge0.50200.00—nonoui2026-11-04T06:04:49.750251Z
automationbenchagents0.411.000.41nonoui2026-11-04T06:04:49.613491Z
bfcl-v4tool_calling0.711.000.71nonoui2026-11-04T06:04:49.623137Z
claw-evalcode0.691.000.69nonoui2026-11-04T06:04:49.593603Z
gpqareasoning0.631.000.63nonoui2026-11-04T06:04:49.723203Z
humanity's-last-examreasoning0.071.000.07nonoui2026-11-04T06:04:49.733282Z
humanity's-last-exam-(with-tools,-text-only)reasoning0.141.000.14nonoui2026-11-04T06:04:49.743316Z
ifbenchinstruction_following0.731.000.73nonoui2026-11-04T06:04:49.700061Z
ifevalchat0.971.000.97nonoui2026-11-04T06:04:49.693802Z
livecodebench-v6reasoning0.731.000.73nonoui2026-11-04T06:04:49.670651Z
mcp-atlasreasoning0.331.000.33nonoui2026-11-04T06:04:49.632987Z
multi-ifchat0.891.000.89nonoui2026-11-04T06:04:49.713239Z
ruler-128klong_context0.661.000.66nonoui2026-11-04T06:04:49.769947Z
scicodereasoning0.281.000.28nonoui2026-11-04T06:04:49.680435Z
swe-bench-multilingualreasoning0.231.000.23nonoui2026-11-04T06:04:49.663213Z
swe-bench-verifiedreasoning0.431.000.43nonoui2026-11-04T06:04:49.648480Z
tau3-benchagents0.681.000.68nonoui2026-11-04T06:04:49.643105Z
terminal-bench-2.1reasoning0.131.000.13nonoui2026-11-04T06:04:49.667403Z
webarena-verifiedagents0.381.000.38nonoui2026-11-04T06:04:49.599005Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
chat10.9034.072trueskill2026-11-04T08:08:43.789169Zrankings
knowledge310.504.011trueskill2026-11-04T08:08:45.139626Zrankings
agents97—18.126trueskill2026-11-03model_history
code218—7.396trueskill2026-11-03model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04