Η Liquid AI ανακοίνωσε δύο νέα encoder models στο Hugging Face, τα LFM2.5-Encoder-230M και LFM2.5-Encoder-350M. Η εταιρεία αναφέρει ότι διατηρούν την ποιότητα μεγαλύτερων μοντέλων, ενώ παραμένουν γρήγορα όσο μεγαλώνει το input, ακόμη και σε CPU.
Τι παρουσίασε η Liquid AI;
Σύμφωνα με την εταιρεία, τα δύο μοντέλα μπορούν να χρησιμοποιηθούν για εργασίες σε κλίμακα εγγράφου πάνω στο hardware που υπάρχει ήδη. Στο ίδιο πλαίσιο, αναφέρει ότι επιτρέπουν την ανάπτυξη intent routers, policy linters, PII detectors και text classifiers που λειτουργούν με χαμηλό κόστος και όλη μέρα.
📖 Διάβασε επίσης
- LFM2.5-Encoder-230M
- LFM2.5-Encoder-350M
- Διαθεσιμότητα στο Hugging Face
- Υποστήριξη για χρήση σε CPU
Γιατί η εταιρεία μιλά για general-purpose encoder;
Η Liquid AI εξηγεί ότι τα νέα encoders προέρχονται από την ίδια οικογένεια με τα LFM2.5-Retrievers, αλλά καλύπτουν ευρύτερες ανάγκες. Είναι pre-trained με masked-language objective, ώστε να μπορούν να fine-tune σε classification, token-level tasks και search.
Η εταιρεία σημειώνει ότι το search είναι μόνο μία από τις χρήσεις ενός encoder και γι’ αυτό επέλεξε ένα general-purpose model αντί να επαναχρησιμοποιήσει τα retrievers.
Πώς χτίστηκαν τα νέα μοντέλα;
Η Liquid AI αναφέρει ότι τα encoders ξεκινούν από τα αντίστοιχα LFM2 decoder backbones, τα LFM2.5-230M και LFM2.5-350M. Στη συνέχεια, κάθε causal decoder μετατρέπεται σε bidirectional encoder με ορισμένες αλλαγές.
Τι δείχνουν τα benchmark results;
Η εταιρεία λέει ότι fine-tuned κάθε μοντέλο σε κάθε task και παρουσίασε το αποτέλεσμα. Συνολικά, το υλικό περιλαμβάνει 14 models σε 17 tasks από τα GLUE, SuperGLUE και multilingual classification.
Η Liquid AI αναφέρει επίσης ότι τα αποτελέσματα είναι ο μέσος όρος πέντε held-out seeds, ενώ ολόκληρο το framework και τα raw results έχουν δοθεί ως open-source.
- Το LFM2.5-Encoder-350M κατατάσσεται τέταρτο ανάμεσα στα 14 models.
- Τα τρία μοντέλα που προηγούνται είναι όλα μεγαλύτερα, ανάμεσά τους και ένα 3.5B model.
- Το LFM2.5-Encoder-230M ξεπερνά το ModernBERT-base και κάθε EuroBERT model.
- Και τα δύο μοντέλα κινούνται πάνω από τα LFM2.5-Retrievers της εταιρείας.
Πού φαίνεται το πλεονέκτημα στο CPU inference;
Η Liquid AI αναφέρει ότι τα encoders κληρονομούν τη γρήγορη inference συμπεριφορά του LFM2 backbone. Επειδή τόσο τα encoders όσο και το ModernBERT υποστηρίζουν context 8.192 tokens, η σύγκριση έγινε σε όλο το εύρος.
Η εταιρεία λέει ότι το μεγαλύτερο προβάδισμα φαίνεται στο CPU. Εκεί, το LFM2.5-Encoder-230M είναι το ταχύτερο σε κάθε μήκος ακολουθίας, ακόμη και ταχύτερο από το μικρότερο ModernBERT-base για σύντομα inputs. Με την αύξηση του μήκους εισόδου, η απόδοση του ModernBERT μειώνεται έντονα, ενώ τα LFM2.5-Encoders ανεβαίνουν στο mid-range πριν αρχίσουν να υποχωρούν.
Στα 8.192 tokens, η εταιρεία παραθέτει σύγκριση με το ModernBERT, χωρίς να ολοκληρώνει την πρόταση στο διαθέσιμο υλικό.
Το άρθρο της Liquid AI δημοσιεύτηκε στις 28 Ιουλίου 2026 και παρουσιάστηκε ως team article στο Hugging Face.
