Liquid AI rzuca rękawicę gigantom: Dwukierunkowe modele LFM2.5 zmieniają zasady gry w wyszukiwaniu

350 milionów parametrów kontra 600 milionów w modelu Qwen3 od Alibaby. Wynik? Zwycięstwo mniejszego gracza. Liquid AI udowadnia, że w wyszukiwaniu wielojęzycznym liczy się nie rozmiar, a architektura, wprowadzając modele LFM2.5-Embedding oraz LFM2.5-ColBERT. To pierwsza dwukierunkowa ofensywa w historii systemów Liquid Foundation Models.

Dlaczego to ważne właśnie teraz? Premiera tych modeli wyszukiwania wpisuje się w szerszą strategię Liquid AI na czerwiec 2026 roku, polegającą na przenoszeniu zaawansowanych zadań AI bezpośrednio na urządzenia użytkownika. Jak podkreśla zespół Liquid AI: „LFM2.5 to nowa rodzina hybrydowych modeli zaprojektowanych do wdrażania na urządzeniach (on-device deployment)”. Zamiast wysyłać zapytania do chmury, użytkownik otrzymuje precyzję klasy korporacyjnej lokalnie, przy minimalnym zużyciu energii.

Architektura LFM w służbie precyzyjnego wyszukiwania

Inżynierowie odeszli od dotychczasowej architektury kauzalnej, w której każdy token widzi tylko swoich poprzedników. W nowych modelach zastosowano niekauzalne sploty i specjalne maski dwukierunkowe, co pozwala systemowi rozumieć pełny kontekst zdania jednocześnie z obu stron. To fundament skutecznego wyszukiwania międzyjęzykowego, wspieranego przez potężne dane treningowe – warto wspomnieć, że większe modele z tej samej rodziny, jak LFM2.5-8B-A1B, szkolono na oszałamiającej liczbie 38 bilionów tokenów.

Dwa podejścia: Gęste wektory kontra późna interakcja

Firma oferuje dwa narzędzia o różnym przeznaczeniu:

• LFM2.5-Embedding-350M: Klasyczny bi-encoder tworzący jeden 1024-wymiarowy wektor dla całego dokumentu. Mistrz szybkości i niskich kosztów utrzymania.
• LFM2.5-ColBERT-350M: Wykorzystuje mechanizm późnej interakcji (late interaction), generując wektory dla każdego tokenu z osobna. To gwarantuje chirurgiczną precyzję dopasowania zapytań kosztem większego zajęcia pamięci.

Benchmarki: Mały model, wielkie możliwości

W testach NanoBEIR oraz MKQA-11 nowe jednostki zostawiły w tyle znacznie cięższą konkurencję. Model ColBERT osiągnął średni wynik NDCG@10 na poziomie 0.605 w wyszukiwaniu obejmującym 11 języków, w tym trudne dla wielu algorytmów skrypty niełacińskie. Aby poprawić obsługę tych języków, firma zwiększyła słownik tokenizera do 128 000 pozycji, co pozwala na znacznie dokładniejsze przetwarzanie specyficznych znaków i zwrotów.

Wydajność brzegowa i szerokie spektrum zastosowań

Największą siłą rodziny LFM2.5 jest ich wydajność. Na MacBooku Pro z układem M4 Max czas wyszukiwania w przetworzonych dokumentach schodzi poniżej 10 milisekund. Jeśli dysponujemy profesjonalnym akceleratorem H100, opóźnienie spada do absurdalnej jednej milisekundy. Co istotne dla deweloperów, modele są dostępne w formacie GGUF, co pozwala na ich uruchomienie przez llama.cpp nawet na domowym laptopie.

Praktyczne zastosowania? Od e-commerce, gdzie koreański klient znajduje angielskie produkty, po korporacyjne systemy RAG mapujące dziesiątki języków na jedną bazę wiedzy. Dzięki otwartym licencjom Liquid AI rzuca wyzwanie zamkniętym ekosystemom, stawiając na prywatność i pracę offline bez kompromisów w jakości.