L’ANALISI
LFM3: scegliere il modello prima di costruire una pipeline locale
Un percorso per scegliere tra i checkpoint LFM3, controllare modalità, codice remoto e confine dei dati e progettare una specializzazione misurabile.
In breve: Il nome della famiglia non basta per configurare un agente. La scelta proposta parte dagli input e dall’output richiesti, poi identifica un checkpoint, un runtime e una prova controllata: non tutte le varianti LFM3 leggono o producono le stesse modalità.
Dal backbone al checkpoint effettivo
La primaria presenta LFM3-1.7B, VL-2B, Audio-2B, Omni-2B, d1-2B e d1-omni-2B, con ingressi e uscite diversi. Per la selezione proposta, scrivere prima il contratto del compito: testo, immagini, video o audio in ingresso; risposta testuale, parlata o decisionale in uscita.
Un modello locale non rende locale tutto il flusso
Nell’architettura proposta, censire separatamente inferenza, download, strumenti, memoria e connettori. Se un’applicazione invia documenti a un servizio remoto, la presenza di un modello sul dispositivo non chiude quel percorso. Usare dati sintetici finché il confine non è stato verificato con traffico e configurazione reali.
Il codice remoto è una dipendenza da revisionare
Gli esempi ufficiali includono trust_remote_code per alcuni caricamenti. Prima della prova proposta, leggere il codice del repository, fissare la revisione e usare un ambiente senza credenziali o dati riservati. Non trasformare uno snippet del fornitore in un comando da eseguire automaticamente su una postazione di lavoro.
Specializzare soltanto dopo una baseline
Procedura proposta: raccogliere un piccolo insieme di compiti con risultato atteso, provare il checkpoint senza adattamento e classificare gli errori. Un intervento su prompt, dati o training dovrebbe rispondere a un errore osservato. Mantenere separati i casi usati per scegliere la configurazione da quelli usati per misurarla.
Condizioni e limitazioni
Le capacità non sono intercambiabili tra i sei checkpoint. Alcuni esempi richiedono trust_remote_code: codice, dipendenze e condizioni del modello scelto vanno verificati prima dell’esecuzione. Nessun test di inferenza o fine-tuning LFM3 è stato eseguito da Radar.
Checklist pratica
- Definire modalità in ingresso e output atteso prima del download.
- Fissare un checkpoint, la sua revisione e le condizioni d’uso.
- Revisionare il codice richiesto da trust_remote_code.
- Usare un ambiente isolato e dati sintetici per la prima prova.
- Misurare una baseline prima di proporre fine-tuning.
- Verificare quali parti del flusso restano realmente sul dispositivo.