LFM3: Model AI Kecil Open-Weight untuk AI Agent yang Jalan di Perangkat Sendiri (2026)

TL;DR: Liquid AI merilis LFM3 pada 27 Oktober 2026: keluarga enam model AI open-weight di kelas 2 miliar parameter yang mencakup teks, visi, audio, omni, dan model keputusan, semuanya dibangun di atas satu backbone yang sama. Model teksnya, LFM3-1.7B, hanya butuh sekitar 1 GB memori pada presisi 4-bit sehingga bisa jalan di HP dan laptop — dan diklaim mengalahkan model pendahulunya yang 35% lebih besar. Buat kamu, ini kabar penting: AI agent yang andal tidak lagi harus tinggal di cloud dan dibayar per token.

💡 Key Takeaway

• Enam model, satu backbone. LFM3 menghadirkan model teks, visi, audio, omni, plus dua model keputusan, semuanya turunan dari LFM3-1.7B-Base yang dilatih dengan 22 triliun token.
• Kecil tapi sanggup kerja agent. LFM3-1.7B mencetak 38,42 di WebArena-Verified, jauh di atas pendahulunya LFM2.5-2.6B yang hanya 3,02 — bukti model mungil kini bisa menangani tugas browsing dan aplikasi bisnis.
• Jalan di perangkat sendiri. Dengan kebutuhan memori sekitar 1 GB pada 4-bit, model ini bisa berjalan lokal di HP, laptop, bahkan Raspberry Pi 5, tanpa mengirim data ke server pihak ketiga.
• Gratis dimodifikasi. Bobotnya terbuka di Hugging Face dengan lisensi LFM Open License v1.0, dan setiap model bisa di-fine-tuning hanya dengan satu GPU.

Bayangkan ini: kamu menjalankan AI agent yang merapikan inbox, menyiapkan briefing pagi lewat WhatsApp, dan mengecek dokumen — semuanya langsung dari laptop di mejamu, tanpa biaya token per bulan dan tanpa data perusahaanmu keluar ke server orang lain. Selama ini, skenario itu terdengar seperti mimpi karena model yang cukup pintar biasanya terlalu besar untuk perangkat biasa. LFM3, yang diumumkan Liquid AI pada 27 Oktober 2026, mencoba mematahkan anggapan itu.

Apa itu LFM3 dan kenapa rilis ini berbeda?

LFM3 adalah generasi baru Liquid Foundation Models (LFM), keluarga model AI dari Liquid AI yang dirancang untuk “specialized intelligence” — AI yang menjadi ahli di satu tugas spesifik, bukan serba bisa tapi dangkal. Rilis pertamanya mencakup enam model di kisaran 2 miliar parameter, semuanya bercabang dari backbone yang sama, LFM3-1.7B-Base:

Keenam model itu adalah LFM3-1.7B (teks), LFM3-VL-2B (visi, termasuk video), LFM3-Audio-2B (audio dan suara), LFM3-Omni-2B (multimodal lengkap), serta dua model keputusan d1-2B dan d1-omni-2B yang menjawab dengan probabilitas terkalibrasi, bukan teks bebas. Model keputusan ini menarik buat bisnis: ia bisa memberi jawaban terstruktur seperti menunjuk objek, membaca nilai dari dokumen, atau memilih semua opsi yang berlaku — dalam satu kali proses.

Seberapa bagus model sekecil ini?

Angka-angka yang dipublikasikan Liquid AI memang klaim perusahaan, bukan pengujian independen, jadi bacalah dengan kacamata itu. Meski begitu, polanya konsisten: model kecil ini unggul justru di tugas agent, bukan di pengetahuan umum.

Pada benchmark agentic, LFM3-1.7B mencetak 38,42 di WebArena-Verified (tugas browsing dan aplikasi web nyata), berbanding 3,02 untuk pendahulunya LFM2.5-2.6B dan 28,94 untuk Qwen3.5-9B yang lima kali lebih besar. Di AutomationBench, skornya 41,29 berbanding 0,94 untuk pendahulu dan 15,10 untuk Qwen3.5-9B. Di sisi pemakaian tool, ia memimpin di BFCL V4 (71,39) dan ToolSandbox (80,36). Liquid AI sendiri jujur soal batasnya: kartu model menyatakan LFM3 tidak direkomendasikan untuk coding agentic atau penalaran multi-langkah yang kompleks karena ukurannya yang kecil.

Yang membuat angka ini relevan buat pembaca kategori AI agent di blog ini: tugas-tugas seperti triase email, riset web, dan otomatisasi aplikasi kantor justru adalah pekerjaan sehari-hari AI agent bisnis. Model sebesar ini tidak perlu mengalahkan model raksasa di semua hal — cukup andal di tugas yang berulang dan spesifik.

Kenapa “jalan di perangkat” penting buat bisnismu?

Ada tiga alasan praktis kenapa model on-device seperti LFM3 layak kamu perhatikan, terlepas dari apakah kamu akan memakainya langsung atau tidak:

1. Privasi data. Kalau agent berjalan lokal, dokumen internal, email, dan data pelanggan tidak perlu dikirim ke API pihak ketiga. Ini jawaban elegan untuk perusahaan yang ragu memakai AI karena alasan kerahasiaan.
2. Biaya nyaris nol setelah setup. Liquid AI sendiri menulis “since tokens are free” untuk skenario lokal: puluhan agent bisa berjalan terus di latar tanpa tagihan per token. Bandingkan dengan langganan API yang membengkak seiring pemakaian.
3. Kecepatan dan ketersediaan. Model ini diklaim decoding 1,8–2,8 kali lebih cepat dari pesaing di perangkat yang sama, dan konteks 128 ribu token hanya butuh 1,6 GB KV cache. Agent yang merespons dalam hitungan detik, bahkan tanpa internet, mengubah apa yang bisa diotomatisasi.

Contoh nyata dari Liquid AI: LFM3-VL-2B di-fine-tuning dengan sekitar 3.000 foto publik bilah turbin angin selama beberapa jam di satu GPU A100, dan akurasi klasifikasi cacatnya naik sampai 67%. Itu gambaran betapa murahnya kini membuat model menjadi ahli di satu ceruk — sesuatu yang dulu butuh tim riset dan anggaran besar.

Apa yang bisa kamu lakukan dengan LFM3 hari ini?

Kalau kamu penasaran, jalur termudah adalah mencoba modelnya di Playground Liquid AI atau mengunduh bobotnya dari Hugging Face. Buat yang lebih teknis, Liquid AI menyediakan notebook fine-tuning (SFT, DPO, GRPO, dan continued pre-training) untuk keempat model multimodalnya, plus dukungan native untuk llama.cpp, MLX, dan vLLM di perangkat Apple, AMD, NVIDIA, dan Qualcomm.

Buat pemilik bisnis yang tidak mau mengutak-atik model sendiri, pelajaran yang lebih penting adalah arah trennya: vendor dan developer kini berlomba membuat model kecil yang andal. Saat memilih arti kode error pada AI agent dan solusinya atau merancang agent untuk timmu, tanyakan apakah beban kerjanya memang butuh model raksasa di cloud — atau cukup model kecil lokal yang lebih murah, lebih privat, dan lebih cepat. Kamu juga bisa membandingkan pendekatan ini dengan pembahasan di kategori tutorial dan kategori riset AI blog ini untuk melihat pola yang sama dari sudut berbeda.

Perlu dicatat juga: LFM3 adalah model, bukan produk jadi. Kamu tetap butuh seseorang yang merakitnya menjadi agent, menghubungkannya ke tool bisnismu, dan mengujinya di data nyata. Model kecil yang salah dipasang tetap menghasilkan agent yang buruk — hanya saja lebih murah gagalnya.

Komunitech: Karyawan AI yang Terukur

Tren seperti LFM3 menegaskan satu hal: keunggulan AI ke depan bukan soal siapa memakai model terbesar, tapi siapa paling cepat mengubah model menjadi karyawan AI yang kerjanya terukur — jelas tugasnya, jelas outputnya, jelas ukurannya. Di workshop karyawan AI Komunitech, kamu belajar merancang agent seperti itu untuk pekerjaan nyata di bisnismu, dan lewat newsletter Komunitech kamu mendapat update rutin soal rilis dan praktik AI yang relevan buat karyawan, profesional, dan pemilik bisnis.

Pertanyaan yang Sering Ditanya

Apa itu LFM3?

LFM3 adalah keluarga model AI open-weight dari Liquid AI yang dirilis 27 Oktober 2026, terdiri dari enam model di kelas 2 miliar parameter untuk teks, visi, audio, omni, dan pengambilan keputusan, semuanya dibangun di atas satu backbone yang sama.

Apakah LFM3 gratis digunakan?

Bobot modelnya terbuka di Hugging Face di bawah LFM Open License v1.0, sehingga kamu bisa mengunduh dan memodifikasinya. Menjalankannya secara lokal tidak dikenai biaya token, meski kamu tetap butuh perangkat dan mungkin biaya listrik serta setup awal.

Perangkat apa saja yang bisa menjalankan LFM3?

Liquid AI mengujinya di 14 kombinasi perangkat dan backend, termasuk HP Samsung Galaxy S26 Ultra dan OnePlus 15, Raspberry Pi 5, laptop Apple M4 Max dan AMD Ryzen AI, CPU cloud Arm dan x86, GPU, serta NPU Qualcomm Hexagon. Model teksnya hanya butuh sekitar 1 GB memori pada presisi 4-bit.

Apakah LFM3 bisa menggantikan ChatGPT atau model besar lainnya?

Belum untuk semua hal. LFM3 unggul di tugas agent dan pemakaian tool, tapi Liquid AI sendiri menyatakan model ini tidak direkomendasikan untuk coding agentic atau penalaran multi-langkah yang kompleks. Model besar masih menang di pengetahuan umum dan tugas berat.

Apa bedanya model keputusan d1 dengan model biasa?

Model keputusan tidak menghasilkan teks bebas, melainkan jawaban terkalibrasi dengan probabilitas untuk tiap pertanyaan dalam satu proses — misalnya menunjuk objek, membaca nilai dokumen, atau mengestimasi angka beserta rentangnya. Ini berguna untuk alur bisnis yang butuh jawaban terstruktur dan terukur.

Bagaimana cara mencoba LFM3?

Kamu bisa mencobanya di Playground Liquid AI, mengunduh bobotnya dari Hugging Face, atau memanggilnya lewat Liquid AI API. Dokumentasi resmi di docs.liquid.ai menjelaskan cara menjalankan dan melakukan fine-tuning secara lokal.

Kesimpulan

LFM3 adalah sinyal kuat bahwa era “model besar atau tidak sama sekali” mulai berakhir: enam model open-weight di kelas 2B kini sanggup menangani tugas agent nyata, berjalan di perangkat sendiri, dan bisa di-fine-tuning dengan satu GPU. Buat kamu, langkah pertama yang paling masuk akal adalah mencoba modelnya di Playground Liquid AI, lalu menilai satu tugas berulang di bisnismu — triase inbox, klasifikasi dokumen, atau briefing harian — yang bisa dipindahkan dari API berbayar ke agent lokal. Dan kalau kamu ingin merancang agent semacam itu dengan cara yang terukur, workshop karyawan AI Komunitech adalah tempat memulainya.

Referensi

• Liquid AI, “Introducing LFM3: Every Modality for Specialized Intelligence”, 27 Oktober 2026, https://www.liquid.ai/blog/lfm3
• Unite.AI, “Liquid AI Launches LFM3 Family of Six Open-Weight 2B-Class Models”, https://www.unite.ai/liquid-ai-launches-lfm3-family-of-six-open-weight-2b-class-models/
• Daily AI Brief, “Liquid AI Releases LFM3, Six Open-Weight Models for On-Device AI”, https://dailyaibrief.com/news/liquid-ai-releases-lfm3-open-weight-on-device-models-cAGWxkSa

Disclaimer: Artikel ini bersifat edukatif dan disusun pada 28 Oktober 2026 berdasarkan sumber yang tercantum di atas; angka benchmark adalah klaim Liquid AI dan belum diuji secara independen. Harga, ketersediaan, dan spesifikasi model dapat berubah sewaktu-waktu.