Il nostro @LiquidAI_ LFM2-Audio-1.5 in poche parole: - sia testo che audio in - sia testo che audio out - 1.5B -> funziona localmente - licenza open-weight

Continuiamo a scalare la nostra serie di modelli linguistici super efficienti LFM2 di @LiquidAI_ con LFM2-2.6B

Abbiamo addestrato il nostro modello LFM2-350M di @LiquidAI_ 1400 volte oltre il "compute optimal" > Leggi di scaling di Chinchilla: ~20 token per parametro > LFM2-350M: ~28.000 token per parametro (1400 volte di più) Perché? Perché Chinchilla si preoccupa solo del calcolo di addestramento, mentre noi ci preoccupiamo del costo di inferenza.