infosave/LFM3-1.7B-cmf

LFM3-1.7B — CMF

Liquid AI LFM3-1.7B — a 1.7B text model for local agents, tool calling and structured output on Liquid's tri-hybrid architecture (24 layers: 13 gated short-convolution, 6 full-attention and 5 sliding-window attention layers; 262,144-token context; thinking on by default) — packaged as single CMF files. They run with cortiq, a Rust inference engine with no Python and no ML framework: NVIDIA, AMD and Intel GPUs through Vulkan/DX12, and the CPU.

English · Русский · 中文

Quick start

cargo install cortiq-cli
hf download infosave/LFM3-1.7B-cmf lfm3-1.7b-q8_2f.cmf --local-dir .
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "Write a Python function that merges two sorted lists." --max-tokens 2048

Use cortiq 0.8.49 or later; prebuilt binaries for Linux, macOS and Windows are on the releases page. The engine picks the GPU and its settings itself. The model thinks before it answers, and the thinking counts toward --max-tokens (default 256), so give it room; --no-think asks for a direct answer.

Files

file	weights	size	wiki ppl	top-1 vs original	recommended for
lfm3-1.7b-q8_2f.cmf	8-bit	1,756,991,387 B (1.76 GB)	13.14	97.7 %	default: near-lossless
lfm3-1.7b-q4tp.cmf	4-bit	927,275,931 B (0.93 GB)	15.15	80.4 %	the smallest memory footprint
bf16 original (Transformers)	—	3.46 GB	13.10	—	—

Perplexity over the first 4096 tokens of wikitext-2 test (with BOS); top-1 vs original: positions where the file's top prediction matches the bf16 checkpoint run in float32 by Transformers over the same tokens. The 1.7B instruct model is sensitive to 4-bit weights: prefer q8_2f unless memory is the limit. Norms, the short-convolution taps and the per-head attention gates stay 16-bit in both files; the tied embedding / output head follows the file's codec.

The conversion is exact: an f16 conversion of the checkpoint matches Transformers float32 position for position on the CPU (perplexity 13.186 against 13.186, top-1 100 %), and greedy chat continuations are text-identical.

Performance

cortiq bench --core --ignore-eos, one stream, cortiq 0.8.49, NVIDIA A40 (48 GB, Vulkan):

file	decode, tok/s	decode at 1k / 4k	1k / 4k-token prompt, tok/s	first token, 4k prompt
q8_2f	166	135 / 130	749 / 623	7.6 s
q4tp	231	184 / 165	695 / 574	8.0 s

Resident weights: 1.73 GB (q8_2f), 0.90 GB (q4tp). Every layer of a token runs in one GPU submission.

Usage

cortiq run lfm3-1.7b-q8_2f.cmf                                  # interactive chat
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "..." --max-tokens 4096 # one answer, thinking first
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "..." --no-think        # direct answer
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "..." --greedy          # deterministic output

The files carry Liquid's recommended general sampling — temperature 0.1, top-k 50, repetition penalty 1.1 — as the run and serve defaults; for math and science Liquid recommends --temperature 1.0 --top-p 0.95 --top-k 20. The embedded chat template is the checkpoint's own (the generation prompt ends with <think>; --no-think writes <think></think>).

OpenAI-compatible server

cortiq serve lfm3-1.7b-q8_2f.cmf --port 8080

curl http://localhost:8080/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "lfm3", "max_tokens": 2048,
       "messages": [{"role": "user", "content": "Explain how a B-tree splits a full node."}]}'

Endpoints: /v1/chat/completions (streamed or not), /v1/completions, /v1/models, plus a web dashboard on the same port. --host 127.0.0.1 keeps the server local. A thinking reply reads <think>…</think>answer; "enable_thinking": false gives a direct answer.

Tool calling

Send tools in the OpenAI format; the template lists them the way the model was trained, and the model answers with <tool_call><function=NAME><parameter=KEY>value</parameter></function></tool_call>. The server returns that as message.tool_calls with finish_reason: "tool_calls". In the test conversation (a weather tool, then the answer from its result) both files made the call with the right arguments and answered from the result, with and without thinking.

Hardware

NVIDIA / AMD / Intel (Vulkan, DX12). Both files fit any card with 2 GB of free memory. cortiq gpu lists the adapters; CMF_GPU_ADAPTER=1 (index or name substring) picks one. On headless Linux install libvulkan1 libglvnd0 libegl1 libgl1 libglx0 and set XDG_RUNTIME_DIR=/tmp.

CPU only. CMF_GPU=0.

The numbers above are measured on NVIDIA through Vulkan; Apple silicon has not been measured with this model yet.

Long context

The model supports 262,144 tokens; the KV cache holds 32,768 by default. CMF_MAX_SEQ=262144 raises it. The 13 short-convolution layers keep a fixed 0.6 MB state and the 5 sliding-window layers only their last 256 positions, so KV grows by about 25 KB per token (812 MB at 32k, ~6.5 GB at 262k). At a 32,768-token prompt (A40) the prompt reads at ~540 tok/s and decoding runs at 92 (q8_2f) / 117 (q4tp) tok/s.

Verify the download

sha256sum -c lfm3-1.7b-q8_2f.cmf.sha256
cortiq verify lfm3-1.7b-q8_2f.cmf
cortiq info lfm3-1.7b-q8_2f.cmf

file	sha256
lfm3-1.7b-q8_2f.cmf	a388bee1a90fc5f0602c03f7b393f762e908c78a151f4761310d355216272e55
lfm3-1.7b-q4tp.cmf	8bada149217fa5614d01eaf346d208089952e499912ba5a8e01273ce8fbe2a98

Reproduce

cortiq convert --model LiquidAI/LFM3-1.7B --quant q8_2f \
  --output lfm3-1.7b-q8_2f.cmf --also-output q4tp=lfm3-1.7b-q4tp.cmf \
  --sampling temperature=0.1,top_k=50,repetition_penalty=1.1

The scripts used for these files (Transformers reference, per-position comparison, chat parity, tool-call test, benchmarks) are in scripts/lfm3.

License

These files are a modified form of Liquid AI's LFM3-1.7B: the weights were converted to CMF and quantized (8-bit q8_2f, 4-bit q4tp) by cortiq. They remain under the LFM Open License v1.0, a copy of which is in this repository (LICENSE); among its terms, commercial use by an entity with annual revenue of US$10 million or more is not licensed. See the upstream card.

---

Документация на русском

LFM3-1.7B от Liquid AI — текстовая модель на 1.7 млрд параметров для локальных агентов, вызова инструментов и структурированного вывода на трёхгибридной архитектуре Liquid (24 слоя: 13 слоёв короткой свёртки с гейтами, 6 слоёв полного внимания и 5 слоёв внимания со скользящим окном; контекст 262 144 токена; рассуждения включены по умолчанию), в виде отдельных файлов CMF для движка cortiq на Rust без Python и ML-фреймворков.

Быстрый старт

cargo install cortiq-cli
hf download infosave/LFM3-1.7B-cmf lfm3-1.7b-q8_2f.cmf --local-dir .
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "Напиши функцию на Python, которая сливает два отсортированных списка." --max-tokens 2048

Нужен cortiq 0.8.49 или новее. Модель рассуждает перед ответом; рассуждение входит в --max-tokens (по умолчанию 256), поэтому дайте запас; --no-think просит ответ сразу.

Файлы

файл	веса	размер	ppl wiki	top-1 к оригиналу	назначение
lfm3-1.7b-q8_2f.cmf	8 бит	1.76 ГБ	13.14	97.7 %	по умолчанию: почти без потерь
lfm3-1.7b-q4tp.cmf	4 бита	0.93 ГБ	15.15	80.4 %	минимум памяти
bf16-оригинал (Transformers)	—	3.46 ГБ	13.10	—	—

Инструктивная 1.7B чувствительна к 4-битным весам: берите q8_2f, если память позволяет. Конвертация точная: f16-конвертация чекпойнта на CPU совпадает с Transformers float32 по каждой позиции (ppl 13.186 против 13.186, top-1 100 %).

Скорость

NVIDIA A40 (48 ГБ, Vulkan), cortiq 0.8.49:

файл	генерация, ток/с	на глубине 1k / 4k	промпт 1k / 4k, ток/с	первый токен, промпт 4k
q8_2f	166	135 / 130	749 / 623	7.6 с
q4tp	231	184 / 165	695 / 574	8.0 с

Сэмплирование по умолчанию — рекомендованное Liquid (temperature 0.1, top-k 50, repetition penalty 1.1); для математики Liquid советует --temperature 1.0 --top-p 0.95 --top-k 20. cortiq serve даёт OpenAI-совместимый API с вызовом инструментов (message.tool_calls; проверено на обоих файлах, с рассуждением и без). Контекст до 262 144 токенов: CMF_MAX_SEQ=262144 (по умолчанию 32 768); KV растёт примерно на 25 КБ на токен (812 МБ при 32k), скользящие слои хранят только последние 256 позиций. Apple silicon с этой моделью пока не измерялся.

Файлы — изменённая форма LFM3-1.7B от Liquid AI (конвертация в CMF и квантование cortiq) и распространяются по LFM Open License v1.0 (копия — LICENSE); в частности, коммерческое использование организацией с годовой выручкой от 10 млн долларов США лицензией не покрывается.

中文说明

LFM3-1.7B 是 Liquid AI 的 1.7B 文本模型，面向本地智能体、工具调用与结构化输出，采用 Liquid 三混合架构 （24 层：13 层门控短卷积、6 层全注意力、5 层滑动窗口注意力；262,144 token 上下文；默认开启思考）。本仓库提供可由 Rust 推理引擎 cortiq（0.8.49 及以上） 加载的 CMF 文件。

cargo install cortiq-cli
hf download infosave/LFM3-1.7B-cmf lfm3-1.7b-q8_2f.cmf --local-dir .
cortiq run lfm3-1.7b-q8_2f.cmf --prompt "你好" --max-tokens 2048

文件	权重	大小	wiki ppl	与原模型 top-1 一致率	适用
lfm3-1.7b-q8_2f.cmf	8 位	1.76 GB	13.14	97.7 %	默认：近无损
lfm3-1.7b-q4tp.cmf	4 位	0.93 GB	15.15	80.4 %	内存最小
bf16 原模型（Transformers）	—	3.46 GB	13.10	—	—

该指令模型对 4 位权重较敏感，内存允许时请使用 q8_2f。转换是精确的：检查点的 f16 转换在 CPU 上与 Transformers float32 逐位置一致（ppl 13.186 对 13.186，top-1 100 %）。NVIDIA A40（48 GB，Vulkan）上 q8_2f 生成 166 token/s、4k 提示词 623 token/s，q4tp 生成 231 token/s、4k 提示词 574 token/s。默认采样为 Liquid 推荐的 temperature 0.1、top-k 50、repetition penalty 1.1。cortiq serve 提供 OpenAI 兼容接口与工具调用。CMF_MAX_SEQ=262144 可开启完整 262,144 token 上下文 （默认 32,768）；KV 每 token 约 25 KB（32k 时 812 MB）。Apple silicon 尚未针对 该模型测量。

这些文件是 Liquid AI LFM3-1.7B 的修改形式（由 cortiq 转换为 CMF 并量化），仍受 LFM Open License v1.0 约束（副本见 LICENSE）；其中，年收入 1000 万美元 及以上的实体进行商业使用不在许可范围内。