【ITニュース解説】Liquid LFM3 Explained: Is This the Most Efficient Local AI Model?

Liquid LFM3という新しいAIモデルが発表され、その非常に効率的な性能が注目を集めている。このモデルは、わずか約1ギガバイト（GB）という驚くほど小さなサイズでありながら、より大きなサイズのAIモデルに匹敵、あるいは特定のタスクではそれを上回る能力を持つとされている。システムエンジニアを目指す皆さんにとって、これはAIがどのような方向に進化しているのか、また、どのような技術が今後重要になるのかを知る上で非常に興味深い情報となるだろう。

LFM3の最も注目すべきモデルは「LFM3-1.7B」だ。このモデルは約17億のパラメータを持っており、このパラメータ数とは、AIモデルの賢さや知識量を測る目安の一つで、通常は数が多ければ多いほど高性能になると考えられる。しかし、LFM3-1.7Bは約1GBという小さなファイルサイズに収まるように設計されており、これは、モデルが4ビット精度という、より少ない情報量でデータを扱う方法を採用しているためだ。この小さなサイズにもかかわらず、25万6千トークンという非常に長いコンテキストウィンドウをサポートする。コンテキストウィンドウとは、AIが一度に記憶し、参照できる情報の量で、長いほど複雑な会話や長文の理解が可能になる。さらに、このモデルはオープンウェイト、つまりその内部構造や学習済みのデータが公開されており、開発者が自由に利用したり、改良したりできる点も重要だ。

LFM3は単一のモデルではなく、全部で6つのモデルからなる「ファミリー」として提供される。基本となるテキストモデルの他に、画像理解に特化した「Vision」、音声入力に対応する「Audio」、複数の入力タイプを組み合わせる「Omni」、そしてVisionとOmniから派生した二つの「Decision」モデルがある。これらのモデルはすべて、一般的なGPU（グラフィックス処理ユニット）1枚でファインチューニング、つまり特定の目的に合わせてさらに学習させることが可能だとされている。これは、開発者にとって手軽にAIをカスタマイズできる大きなメリットだ。

LFM3がこれほど効率的な性能を発揮できる秘密は、その「トライハイブリッドアーキテクチャ」にある。多くの最新AIモデルは「トランスフォーマー」という技術を基盤としており、その中心にある「アテンション（注目）」メカニズムが、データの中の重要な部分に注目することで文脈を深く理解する。しかし、このアテンションは、コンテキストウィンドウが長くなるにつれて、必要なメモリと計算量が爆発的に増えるという課題があった。LFM3は、この課題を解決するために24層のネットワークを3種類の層で構成している。まず、「畳み込み層」が13層使われている。これは、画像処理などでも使われる技術で、データの局所的なパターンを効率的に捉えることができ、計算が速いのが特徴だ。次に、「スライディングウィンドウアテンション層」が5層ある。これは、全てのデータを見るのではなく、直近の256トークンといった、ごく近い情報だけを見てアテンションを行うことで、計算量を大幅に削減する。そして最後に、「グローバルアテンション層」が6層配置されており、これは従来のトランスフォーマーのように、全てのコンテキストに対してアテンションを行い、全体的な文脈を捉える役割を果たす。Liquid AIはこの独自の設計を、実際にさまざまなデバイスで性能を測定する「ハードウェア・イン・ザ・ループ・アーキテクチャ探索」という手法を使って見つけ出した。携帯電話やRaspberry Pi、ラップトップ、クラウドCPU、GPUなど、14種類の異なるハードウェアで候補となる設計をテストし、最適な構成を見出したのだ。

この効率的なアーキテクチャにより、LFM3-1.7Bは、Qwen 3.5 9Bという、5倍以上も大きなモデルと比べても、特定のタスクで優れた結果を出している。特に、AIが自律的に目標を設定し、ツールを使いながら複雑な問題を解決するような「エージェントタスク」において、その能力が際立つ。例えば、ウェブブラウザ内で長いタスクを実行するWebArenaや、ビジネスアプリケーション内でタスクを自動化するAutomationBench、そしてAIが他のプログラムの機能を呼び出すFunction Callingといったベンチマークでは、LFM3がQwen 3.5 9Bを大きく上回るスコアを記録している。特にAutomationBenchでは、約3倍も高いスコアを出しており、指示に従う能力やツールを適切に使う能力でLFM3が非常に優れていることを示している。

しかし、LFM3も万能ではない。Liquid AI自身も、より大きなモデルが優位に立つ分野を明確に示している。例えば、実際のコードの問題を修正するSWE-benchのような高度なエージェントコーディングや、大学院レベルの科学知識を問うGPQAのような深い知識を必要とするタスクでは、Qwen 3.5 9Bのような大規模モデルには及ばない。これは当然のことで、17億パラメータのモデルは、90億パラメータのモデルほど多くの世界知識を蓄えることができないからだ。LFM3は、既存の大きなモデルの完全な代替品ではなく、特定の目的のために設計された、異なる種類のツールと考えるべきだろう。

LFM3の真の強みは、その驚異的な「効率性」にある。AIモデルが会話の履歴などを記憶するために使うメモリ領域である「KVキャッシュ」の消費量を見ても、LFM3-1.7Bは12万8千トークンのコンテキストでわずか1.6GBしか使わない。これは、Qwen 3.5 4Bの4.3GBやMiniCPM5 2Bの5.6GBと比べてもはるかに少なく、非常にメモリ効率が良いことを示している。また、実際のデバイスでの実行速度も非常に速く、3万2千トークンのコンテキストで比較すると、LFM3-1.7Bは次に速いモデルよりも1.8倍から2.8倍高速にテキストを生成できる。サーバー環境においても、単一の高性能GPUで1日あたり36億トークンを生成できる能力を持ち、30万を超えるLFM3エージェントを並行して動かすことも可能だ。このような高い効率性は、AIをより多くの場所で、より高速に実行できる可能性を広げる。

LFM3は、特定の利用シーンにおいて非常に有用なモデルとなる。例えば、古いノートパソコンやメモリが限られたデバイス、スマートフォンやエッジデバイスといった、性能が制約される環境でAIを動かしたい場合に最適だ。また、ツール呼び出しや指示への追従に重点を置くローカルAIエージェントの開発や、データをデバイス外に持ち出せないプライバシー重視の作業にも向いている。一方で、大規模なコードベースを扱うような複雑なプログラミング作業や、深い事実知識が不可欠なタスクには、より大きなAIモデルを利用する方が良い。LFM3は、そのような大きなモデルと組み合わせて使うことで、その真価を発揮する可能性も秘めている。

AMD、Qualcomm、Ambarellaといった主要な半導体企業がLFM3の発表を支持しており、彼らのハードウェア上でのLFM3の実行を計画していることからも、このモデルの将来性がうかがえる。AIの能力が巨大なデータセンターの中だけでなく、我々の手元のデバイスで、これほど効率的に動作するようになるという方向性は、システムエンジニアを目指す皆さんにとって、今後の技術開発における大きな可能性を示している。