LFM2-350M-ENJP-MT
Based on the LFM2-350M model, this checkpoint has been fine-tuned for near real-time bi-directional Japanese/English translation of short-to-medium inputs.
LFM2-350M-ENJP-MT delivers translation quality that is on par with models more than 10 times its size.
📊 Translation Quality
Below are sample translations produced by the model. These examples are meant to give you a feel for its strengths and typical style in both directions (English ➡️ Japanese and Japanese ➡️ English).
They include a mix of everyday text, technical descriptions, business communication, and news reporting, so you can gauge performance across different domains.
EN ➡️ JP
These examples demonstrate the model's strength in product descriptions, technical passages, and formal explanations when translating into Japanese.
JP ➡️ EN
These examples demonstrate the model’s ability to preserve nuance in news reporting, colloquial phrasing, and business contexts when translating into English.
[!NOTE] 📝 While LFM2-350M-ENJP-MT delivers strong out-of-the-box general-purpose English ↔️ Japanese translation, our primary goal is to provide a versatile, community-empowering base model—a foundation designed to make it easy to build best-in-class, task-specific translation systems.
Like any base model, there are open areas for growth—in particular with extreme context lengths and specialized or context-sensitive translations, such as:
- Technical & professional language (medical, legal, engineering)
- Novel proper nouns (new products, brands, cultural references)
- Industry-, domain-, or company-specific nuance (e-commerce, finance, internal corporate terminology)
These are precisely the kinds of challenges that fine-tuning—by both Liquid AI and our developer community—can address. We see this model not just as an endpoint, but as a catalyst for a rich ecosystem of fine-tuned translation models tailored to real-world needs.
📄 Model details
Generation parameters: We recommend the following sampling parameters:
temperature: 0.5
top_p: 1.0
min_p: 0.1
repetition_penalty: 1.05
System prompts: LFM2-ENJP-MT requires one of the two following system prompts:
- "Translate to Japanese." for English to Japanese translation.
- "Translate to English." for Japanese to English translation.
[!WARNING] ⚠️ The model cannot work as intended without one of these two system prompts.
Chat Template
The chat template can be applied using the dedicated .apply_chat_template() function from Hugging Face transformers.
However, you must supply the system prompt that specifies the translation directionality.
E.g.
chat = [
{"role": "system", "content": "Translate to Japanese."},
{"role": "user", "content": "What is C. elegans?"}
]
tokenizer.apply_chat_template(chat, tokenize=False)
With the model response:
<|startoftext|><|im_start|>system
Translate to Japanese.<|im_end|>
<|im_start|>user
What is C. elegans?<|im_end|>
<|im_start|>assistant
C. elegansとは何ですか？<|im_end|>
[!WARNING] ⚠️ The model is intended for single turn conversations.
🏃 How to run LFM2
- Huggingface: LFM2-350M
- llama.cpp: LFM2-350M-ENJP-MT-GGUF
- LEAP: LEAP model library
You can use the following Colab notebooks for easy inference and fine-tuning:
| Notebook | Description | Link |
|---|---|---|
| Inference | Run the model with Hugging Face's transformers library. | |
| SFT (TRL) | Supervised Fine-Tuning (SFT) notebook with a LoRA adapter using TRL. | |
| DPO (TRL) | Preference alignment with Direct Preference Optimization (DPO) using TRL. | |
| SFT (Axolotl) | Supervised Fine-Tuning (SFT) notebook with a LoRA adapter using Axolotl. | |
| SFT (Unsloth) | Supervised Fine-Tuning (SFT) notebook with a LoRA adapter using Unsloth. |
📬 Contact
- Got questions or want to connect? Join our Discord community
- If you are interested in custom solutions with edge deployment, please contact our sales team.
Citation
@article{liquidai2025lfm2,
title={LFM2 Technical Report},
author={Liquid AI},
journal={arXiv preprint arXiv:2511.23404},
year={2025}
}
LFM2-350M-ENJP-MT (日本語)
LFM2-350Mモデルをベースに、本チェックポイントは短文から中程度の入力に対する 日本語/英語の双方向リアルタイム翻訳 用にファインチューニングされています。
LFM2-350M-ENJP-MTは、サイズが10倍以上大きいモデルに匹敵する翻訳品質を実現します。
📊 翻訳品質
以下は本モデルが生成した翻訳例です。英語➡️日本語、日本語➡️英語の両方向における強みと典型的なスタイルを示しています。
日常文、技術的記述、ビジネス文書、報道などを含んでおり、さまざまな領域での性能を確認できます。
英語 ➡️ 日本語
これらの例は、日本語翻訳において、製品説明、技術文、形式的な解説での強みを示しています。
日本語 ➡️ 英語
これらの例は、ニュース記事のニュアンス、口語表現、ビジネス文脈を保ちながら英語に翻訳できるモデルの能力を示しています。
[!NOTE] 📝 LFM2-350M-ENJP-MTは汎用的な英日翻訳において高い性能を発揮しますが、我々の主な目標は、コミュニティに力を与える柔軟な基盤モデルを提供することです。
これは一流のタスク特化型翻訳システムを容易に構築できるよう設計された基盤です。すべての基盤モデルと同様に、成長の余地があります。特に以下のような場面です：
- 極端に長い文脈や専門的/文脈依存の翻訳
- 専門分野の言語（医療、法律、工学）
- 新しい固有名詞（新製品、ブランド、文化的参照）
- 業界・分野・企業特有のニュアンス（EC、金融、社内用語）
これらはLiquid AIおよび開発者コミュニティによるファインチューニングで解決可能な課題です。
本モデルを最終到達点ではなく、実世界に即した多様な翻訳モデル群を生み出す触媒として位置付けています。
📄 モデル詳細
生成パラメータ: 以下の生成パラメータを使用すること推奨します:
temperature: 0.5
top_p: 1.0
min_p: 0.1
repetition_penalty: 1.05
システムプロンプト: LFM2-ENJP-MTは以下のいずれかのシステムプロンプトを必須とします:
- 英語 → 日本語翻訳:
"Translate to Japanese." - 日本語 → 英語翻訳:
"Translate to English."
[!WARNING] ⚠️ これらのシステムプロンプトがなければモデルは意図通りに動作しません。
チャットテンプレート
チャットテンプレートは、Hugging Face Transformers の専用関数 .apply_chat_template() を使用して適用できます。
ただし、翻訳方向を指定するシステムプロンプトを与える必要があります。
例：
chat = [
{"role": "system", "content": "Translate to Japanese."},
{"role": "user", "content": "What is C. elegans?"}
]
tokenizer.apply_chat_template(chat, tokenize=False)
モデルからの出力例：
<|startoftext|><|im_start|>system
Translate to Japanese.<|im_end|>
<|im_start|>user
What is C. elegans?<|im_end|>
<|im_start|>assistant
C. elegansとは何ですか？<|im_end|>
[!WARNING] ⚠️ 本モデルはシングルターン会話用に設計されています。
🏃 LFM2の実行方法
- Hugging Face: LFM2-350M
- llama.cpp: LFM2-350M-ENJP-MT-GGUF
- LEAP: LEAP モデルライブラリ
| ノートブック | 説明 | リンク |
|---|---|---|
| 推論 | Hugging Faceのtransformersライブラリを使用してモデルを実行します。 | |
| SFT (TRL) | TRLを使用したLoRAアダプターによる教師あり学習（SFT）を行います。 | |
| DPO (TRL) | TRLを使用したDPOによる選好アライメントを行います。 | |
| SFT (Axolotl) | Axolotlを使用したLoRAアダプターによる教師あり学習（SFT）を行います。 | |
| SFT (Unsloth) | Unslothを使用したLoRAアダプターによる教師あり学習（SFT）を行います。 |
📬 お問い合わせ
エッジ環境への導入を含むカスタムソリューションにご興味がある方は、営業チームまでお問い合わせください。
引用
@article{liquidai2025lfm2,
title={LFM2 Technical Report},
author={Liquid AI},
journal={arXiv preprint arXiv:2511.23404},
year={2025}
}