Kvíz spojený s průvodcem · Střední úroveň

Kvíz Liquid AI a Liquid Foundation Models

Propojte původní kontinuální výzkum Liquid AI s datovanou hybridní architekturou LFM2 a rozsahem zjištěných zpráv pro okrajové odvození.

Související vodicí cestyModely Liquid AI a Liquid Foundation
Otázka 1 z 8

Co znamená zkratka „LFM“ v technické zprávě LFM2?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená zkratka „LFM“ v technické zprávě LFM2?
    • Liquid Foundation Model
    • Latent Feature Mapper
    • Long-Form Memory
    • Linear Forecasting Module
  2. Jakou architekturu podle technické zprávy LFM2 kombinuje její hybridní páteřní síť?
    • Only a dense layer with no sequence processing
    • Gated short convolutions with a small number of grouped-query attention blocks
    • A vision-only encoder and a decision tree
    • A single unchanging recurrent state with no attention
  3. Jaký je počet aktivních parametrů u modelu LFM2-8.3B typu mixture-of-experts?
    • All 8.3 billion parameters are active for every token
    • About 350 million total parameters
    • About 1.5 billion active parameters
    • The report gives no active parameter count
  4. Jakou délku kontextu uvádí zpráva LFM2 pro tuto rodinu modelů?
    • 2K tokens only
    • 128K tokens for every variant
    • The report lists only audio duration
    • 32 tisíc tokenů
  5. Pro jaké nastavení nasazení zpráva LFM2 explicitně optimalizuje svou architekturu?
    • On-device inference under latency, memory, and energy constraints, including phone- and laptop-class hardware
    • Guaranteed private operation on every car and phone
    • Cloud-only training on large GPU clusters
    • A fixed constant-memory budget independent of context and model size
  6. What CPU speed comparison did the November 2025 LFM2 report make against similarly sized models?
    • Exactly 2× higher accuracy on every benchmark
    • Up to 2× faster prefill and decode
    • A fixed 32× reduction in memory for every device
    • A guaranteed 2× improvement over every Transformer workload
  7. What constraint guided the hardware-in-the-loop architecture search described in the LFM2 report?
    • The need to maximize image resolution only
    • A requirement to train exclusively on one dataset
    • Edge-device latency and memory limits
    • The number of labels available for medical diagnosis
  8. What is LFM2-ColBERT designed to provide?
    • An audio-only speech synthesizer
    • A general-purpose image decoder
    • A controller for training liquid time-constant networks
    • A low-latency encoder for queries and documents used in retrieval