Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com7. Dezember 2025 · Q011340

LFM2 Breakthrough: Small Models That Outrun Giants on Phones and Laptops

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht stellt LFM2 als für Geräte wie Telefone und Laptops optimierte Modellfamilie vor, mit einem hybriden Aufbau sowie Varianten für Text, Vision, Audio und Retrieval. Laut den im Artikel beschriebenen Tests erreicht sie auf bestimmten Prozessoren höhere Geschwindigkeit als ähnlich große offene Modelle; genaue Benchmarktabellen und unabhängige Bestätigungen fehlen im Bericht.

Mittel

Der Bericht beschreibt LFM2 als Modellfamilie von Liquid AI, die auf lokale Ausführung mit begrenztem Speicher, Rechenleistung und Energieverbrauch zugeschnitten sei. Sie umfasst dichte Modelle von 350 Millionen bis 2,6 Milliarden Parametern, ein MoE-Modell mit 8,3 Milliarden Parametern insgesamt und etwa 1,5 Milliarden aktiven Parametern pro Token sowie Vision-, Audio- und Retrieval-Varianten.

Architektonisch kombiniere LFM2 überwiegend CPU-freundliche Gated-Short-Convolution-Blöcke mit einigen Grouped-Query-Attention-Schichten. Der Artikel führt außerdem ein gestuftes Training, eine Top-K-Destillation mit 32 Lehrer-Logits und eine Nachbearbeitung aus Feintuning, Präferenzanpassung und Modellzusammenführung an. Vision und Audio nutzen jeweils spezialisierte Encoder; LFM2-ColBERT dient der Suche mit tokenweisen Einbettungen.

Laut den im Bericht wiedergegebenen Tests mit Q4-Quantisierung auf einem Snapdragon-S25- und einem Ryzen-HX-370-Prozessor seien Vorverarbeitung und Ausgabe etwa 1,5- bis 3-mal schneller als bei ähnlich großen offenen Vergleichsmodellen. Der Text nennt allerdings keine genauen Benchmarktabellen und liefert keine unabhängige Bestätigung. Die Leistungsangaben beziehen sich auf die beschriebenen Testbedingungen.

Ausführlich lesen

Der Bericht stellt LFM2 als Modellfamilie von Liquid AI vor, die für den Einsatz auf Mobiltelefonen, Laptops und anderen Geräten mit begrenztem Speicher, Rechenleistung und Energie ausgelegt sei. Der Artikel beschreibt dichte Modelle mit 350 Millionen bis 2,6 Milliarden Parametern, ein Mixture-of-Experts-Modell mit insgesamt 8,3 Milliarden und rund 1,5 Milliarden je Token aktiven Parametern sowie Vision-, Audio- und Retrieval-Varianten. Die Angaben und Leistungsbewertungen stammen aus dem Bericht; unabhängige Bestätigungen werden darin nicht vorgelegt.

Als zentrales Gestaltungsprinzip nennt der Text die Ausrichtung auf Gerätebedingungen. Der hybride Modellaufbau bestehe überwiegend aus Gated-Short-Convolution-Blöcken, die lokale Informationen verarbeiten und laut Artikel für CPU-Caches geeignet seien. Weniger häufig eingesetzte Grouped-Query-Attention-Schichten sollen weitreichende Beziehungen zwischen Tokens erfassen. Ergänzt werde das durch SwiGLU-MLPs, RMSNorm, RoPE und QK-Norm. Beim MoE-Modell würden Tokens an ausgewählte Experten weitergeleitet, sodass trotz der größeren Gesamtzahl an Parametern der Rechenaufwand pro Token begrenzt bleibe.

Der Bericht beschreibt außerdem das Training: Auf ein Basistraining mit ungefähr 10 bis 12 Billionen Tokens bei 4K Kontext folge ein Zwischentraining mit einer Billion höherwertiger Tokens und 32K Kontext. Für die Destillation auf kleinere Modelle werde eine Top-K-Methode mit den 32 stärksten Lehrer-Logits verwendet. Sie trenne laut Erklärung den Abgleich der Gesamtwahrscheinlichkeit innerhalb dieser Auswahl vom Abgleich der bedingten Verteilung darin. Danach folge eine dreistufige Nachbearbeitung mit überwachtem Feintuning, Präferenzanpassung und Modellzusammenführung.

Für Vision nennt der Artikel einen SigLIP2-Encoder mit leichtgewichtigem Anschluss und Kachelung hochauflösender Bilder; die Anzahl der Vision-Tokens könne demnach gegen Laufzeit abgewogen werden. Die Audio-Version verarbeite Sprache mit einem kontinuierlichen Encoder und könne Audioausgaben über diskrete Mimi-RVQ-Codes und einen Detokenisierer erzeugen. LFM2-ColBERT sei ein 350-Millionen-Parameter-Retriever mit tokenweisen Einbettungen und MaxSim-Auswertung.

Zu den Ergebnissen berichtet der Text von Tests auf einem Snapdragon-S25-Telefonprozessor und einem Ryzen-HX-370-Laptopprozessor mit Q4-Quantisierung in llama.cpp. Gegen ähnlich große offene Vergleichsmodelle seien Vorverarbeitung und Token-Ausgabe je nach Messgröße und Kontext etwa 1,5- bis 3-mal schneller; bei Aufgaben wie Instruktionsbefolgung, Mathematik und Mehrsprachigkeit schnitten die Modelle laut Artikel häufig besser ab als größere Modelle. Die genaue Auswertung bleibt jedoch begrenzt: Der Bericht enthält keine numerischen Benchmarktabellen, sondern verweist dafür auf Liquid AI (2025), und nennt keine unabhängige Prüfung. Die Laufzeitaussagen sind zudem an die genannten Geräte, Quantisierung und Vergleichsbedingungen gebunden. Das Beispiel zur lokalen Ausführung wird ausdrücklich als konzeptionell und nicht als direkt nutzbares Skript bezeichnet.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Beide Zusammenfassungen von Luna sind inhaltlich treu, die kurze ohne erfundene Angaben und die mittlere mit fehlenden Genauigkeitsangaben; bewertet wurde die mittlere Fassung. Die meisten Sammelfragen betreffen Rechts-, Aufsichts- und Verlernfragen, die der technische Medium-Artikel nicht behandelt, daher fallen die Einordnungen insgesamt niedrig aus.

Im Bericht, aber nicht in der Zusammenfassung

  • Genauigkeitsangaben: Laut Bericht übertrifft LFM2 bei Anweisungsbefolgung, Mathematik und mehrsprachigen Aufgaben oft größere Modelle
  • Trainingsumfang: etwa 10 bis 12 Billionen Tokens Basistraining und 1 Billion Tokens Mid-Training mit 32K-Kontext

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 42 %beantwortet teilweise oder widerspricht
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 48 %gleiches Oberthema, hilft nicht
    • drex 57 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V5-T02 Würde man lieber einem großen, überwachten Modell vertrauen oder vielen kleinen, nicht überwachten? Luna: Stufe 3 · 39 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 34 %nur am Rande erwähnt
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 58 %einzelne zitierbare Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 28 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 44 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 27 %Hintergrund, keine Belege
    • amos 55 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →