[ release · 28.10.2026 ]

וכשמפעילים עשרות או מאות סוכנים, ההבדל בעלויות ובמשאבים הנדרשים יכול להיות משמעותי מאוד, מי שעוקב אחרי פה יודע שאני אומר את זה המון...

אבל ההשקה הזאת לא עוסקת רק בטקסט ובסוכנים. החברה הציגה גם את LFM3-VL-2B, מודל ראייה עם כ־1.9 מיליארד פרמטרים, שמסוגל לנתח תמונות, להבין סרטונים, לזהות אובייקטים, לפרש יחסים מרחביים ולפתור בעיות שדורשות הבנה חזותית. לפי הנתונים שפרסמה החברה, המודל השיג ציון ממוצע של 71.4 על פני 62

בתחום האודיו החברה הציגה את LFM3-Audio-2B, מודל שמסוגל לקבל הוראות בדיבור, להבין צלילים ואירועים בהקלטות, להפעיל כלים ולהחזיר תשובות בטקסט או בדיבור. אחד הדברים המעניינים בו הוא שהמודל יכול להתחיל לעבד את קלט המיקרופון בזמן שהמשתמש עדיין מדבר, במקום לחכות לסיום המשפט ורק אז להתחיל לעבוד. במבחן פנימי של החברה להפעלת כלים באמצעות דיבור, הוא השיג ציון של 58.5 לעומת 44.3 של Qwen2.5-Omni-3B. בנוסף, החברה הציגה את LiquidCodec, טכנולוגיה חדשה שמאפשרת להמיר טוקנים לדיבור במהירות גבוהה מאוד גם באמצעות ליבת CPU אחת.

ויש גם את LFM3-Omni-2B, שמיועד למשימות המשלבות כמה סוגי מידע במקביל. תחשבו למשל על סוכן שמסתכל על סרטון, שומע את מה שנאמר בו ומבין את הקשר בין השניים. או על משתמש שמצלם משהו, נותן הוראה קולית והסוכן צריך להבין גם מה מופיע בתמונה וגם מה המשתמש רוצה לעשות. לפי החברה, המודל הגיע לציון 70.1 במבחן Daily-Omni, לעומת 61.3 של Qwen2.5-Omni-7B, למרות שהוא קטן ממנו משמעותית.

אבל מבחינתי, אחד הדברים הכי מעניינים בהשקה הוא דווקא האפשרות להתאים את המודלים למשימות ספציפיות. החברה טוענת שכל אחד מששת המודלים ניתן לכוונון עדין, או fine-tuning, באמצעות GPU יחיד. כלומר, במקום להשתמש במודל כללי ולצפות ממנו להבין כל תחום בעולם, אפשר לקחת מודל קטן, לאמן אותו על נתונים שרלוונטיים לתחום מסוים ולהתאים אותו למשימה שאנחנו באמת צריכים לבצע. אם אימון מודלים מעניין אתכם, אפשר לדבר גם על זה.

והם גם הציגו דוגמה שממחישה את הרעיון הזה בצורה טובה. החברה לקחה את מודל הראייה שלה ואימנה אותו על כ־3,000 תמונות של טורבינות רוח, במטרה ללמד אותו לזהות פגמים. האימון נמשך כמה שעות בלבד על כרטיס A100 אחד. לאחר מכן בדקו את המודל על כ־1,400 תמונות שלא נכללו באימון, וגילו שדיוק סיווג הפגמים הגיע ל־67%, לעומת פחות מ־10% לפני ההתאמה. זה עדיין רחוק ממערכת מושלמת, וגם לא בהכרח מספיק לשימוש תעשייתי ללא בדיקות נוספות, אבל מדובר בשיפור עצום באמצעות התאמה ממוקדת של מודל קטן יחסית.

וזה בדיוק מה שמעניין אותי בכל הסיפור הזה. לא תמיד צריך מודל שיודע לכתוב שירה, לפתור בעיות מתמטיות מסובכות, לנתח מאמרים מדעיים ולתכנת מערכת שלמה. לפעמים צריך מודל שיודע לזהות חריגות בחשבוניות, לסווג פניות שירות, לנתח מסמכים, לזהות פגמים בתמונות או להפעיל כלי מסוים בצורה אמינה. אם אפשר לאמן מודל קטן לבצע את המשימה הזאת היטב, לא בטוח שיש הצדקה לשלוח כל בקשה למודל ענק בענן.

בהתאם לטרנד, החברה הציגה גם שני מודלים שמיועדים במיוחד לקבלת החלטות, d1-2B ו־d1-Omni-2B. כידוע, בניגוד למודלים שמייצרים תשובות ארוכות בשפה טבעית, כאן הדגש הוא על קבלת מידע והחזרת תוצאה מובנית שמערכת תוכנה יכולה להשתמש בה ישירות. למשל, אפשר להעביר חשבונית ולקבל את ה