Liquid AI'den 4 Kat Büyük Modelleri Geride Bırakan Yeni Cebir Modeli: LFM2.5-230M

Eski MIT bilim insanları tarafından kurulan Liquid AI, bugüne kadarki en kompakt ve en küçük yapay zeka dil modeli olan LFM2.5-230M'yi piyasaya sürdü. Şirketlerin veri çıkarma (data extraction) süreçleri ve akıllı telefonlar, dizüstü bilgisayarlar ile robotik sistemler gibi cihazlarda yerel olarak çalıştırılmak üzere özel olarak tasarlanan bu model, yalnızca 230 milyon parametreye sahip olmasına rağmen oldukça iddialı performans değerleri sunuyor. Geleneksel devasa yapay zeka modellerinin aksine, bu yeni mimari cihaz üzerinde (on-device) otonom iş akışları yürütmeyi amaçlıyor. Liquid AI tarafından yapılan açıklamaya göre model, neredeyse her yerde çalıştırılabilecek kadar hafif bir yapıya sahip. Ayrıca yayımlanan blog gönderisinde, belirli veri çıkarma kıyaslamalarında kendisinden dört kat daha büyük modelleri geride bıraktığı belirtiliyor. Bu durum, yapay zeka dünyasında hacim yerine verimliliğe odaklanan yeni bir dönemin habercisi olarak değerlendiriliyor.

Söz konusu modelin en büyük avantajı, veri çıkarma işlemlerinde sergilediği üstün performans olarak öne çıkıyor. Liquid AI'nın paylaştığı kıyaslama sonuçlarına göre LFM2.5-230M, 800 milyon parametreli Alibaba Qwen3.5-0.8B ve 1 milyar parametreli Google Gemma 3 1B gibi rakiplerini veri çıkarma görevlerinde geride bırakmayı başarıyor. Hafif veri işleme hataları ve otonom kenar (edge) sistemleri inşa eden geliştiricileri hedefleyen model, çift amaçlı bir ticari lisans altında kullanıcılara sunuluyor. Yıllık geliri 10 milyon doların altında olan bireyler ve şirketler için model tamamen ücretsiz olarak sunulurken, daha büyük şirketlerin ücretli bir kurumsal anlaşma yapması gerekiyor. Bu esnek lisanslama modeli, hem küçük geliştiricilerin yeniliği erişilebilir kılıyor hem de büyük ölçekli kurumsal entegrasyonlara olanak tanıyor.

LFM2.5-230M modeli, standart трансformator (transformer) mimarilerinden ayrılarak LFM2 çerçevesini kullanan hibrit bir sistem olarak dikkat çekiyor. Bu yenilikçi mimari, bilgiyi verimli bir şekilde işlemek için geçitli kısa menzilli evrişimleri (gated short-range convolutions) ve gruplandırılmış sorgu dikkati (grouped-query attention) yöntemlerini bir araya getiriyor. Bu sayede devasa parametre ağırlıklı modellerin aksine, yüksek çıkarım (inference) hızlarına ulaşırken bellek yükü minimumda tutuluyor. Model, 32K'lık geniş bir bağlam penceresini destekleyerek büyük belgelerin veya kesintisiz robot telemetri verilerinin kolayca işlenmesine imkan tanıyor. Sistem, 400MB'ın altındaki bir bellek ayak iziyle çalışırken, benzer büyüklükteki diğer modellere kıyasla çok daha hızlı veri işleme hızları elde ediyor.

Kullanılan donanım çeşitliliği açısından da modelin esnekliği göz alıcı bir performans sergiliyor. Samsung Galaxy S25 Ultra ve Qualcomm Snapdragon Gen4 işlemcili bir cihazda saniyede 213 token çözme (decode) hızına ulaşan model, oldukça sınırlı işlem gücüne sahip bir Raspberry Pi 5 üzerinde bile saniyede 42 token hızını koruyabiliyor. Şirketin iç kıyaslamaları, GPU çıkarım yığınının tüm eşzamanlılık seviyelerinde rakip küçük modellere kıyasla daha düşük uçtan uca gecikme süresi sunduğunu ortaya koyuyor. Bu seviyedeki verimlilik, özellikle sürekli ve yüksek maliyetli bulut API bağlantılarına ihtiyaç duymadan yerel donanımlar üzerinden karmaşık iş akışlarının yürütülebilmesini sağlıyor. Bu özellikleriyle model, mobil cihazlar ve nesnelerin interneti (IoT) gibi alanlarda çığır açabilecek bir potansiyel barındırıyor.

Kurumsal dünyada veri yönetimi giderek daha karmaşık bir hal alırken, devasa ve pahalı yapay zeka modelleri ile rutin fatura işlemleri yapmanın ekonomik bir geçerliliği kalmadı. Örneğin Claude Opus 4.6 gibi amiral gemisi modellerin her milyon girdi token'ı için 5 dolar istemesi, günlük veri ayrıştırma işlemleri için aşırı maliyetli bir çözüm oluşturuyor. İşte bu noktada LFM2.5-230M gibi modeller, kurumların rutin biçimlendirme ve veri analiz süreçlerini çok daha düşük bir işlem maliyetiyle otomatikleştirmesine olanak tanıyor. Geleneksel ETL (Çıkar, Dönüştür, Yükle) sistemlerinin aksine, bu yeni nesil yapay zeka modelleri doküman düzenindeki değişikliklere otomatik olarak uyum sağlayıp yapısal hataları minimize edebiliyor. Liquid AI'nin attığı bu adım, parametre boyutunu körü körüne artırmak yerine mimari verimliliğe odaklanan yapay zeka modellerinin gelecekteki endüstri standartlarını nasıl şekillendireceğinin net bir göstergesi olarak değerlendiriliyor.