обучения с использованием 30%-й цели маскированного языкового моделирования (masked language modeling, MLM). Обучение проходило в два этапа: сначала на контексте длиной 1 024 токена для формирования общей языковой компетенции, затем расширение контекста до 8 192 токенов. Модель на 350 млн параметров достигла среднего показателя 81,02 по 17 задачам, заняв четвёртое место среди 14 моделей, уступив XLM-R XL (3,5 млрд), ModernBERT-large (395 млн) и XLM-R large (560 млн). Модель на 230 млн параметров показала результат 79,29, превзойдя ModernBERT-base и все модели EuroBERT. При контексте 8 тысяч токенов на центральном процессоре (Central Processing Unit, CPU) модель на 230 млн выполняет один прямой проход примерно за 28 секунд, тогда как ModernBERT-base требуется более 90 секунд. Энкодеры предназначены для периферийных устройств, регулируемых локальных систем и высоконагруженных конвейеров. Они загружаются через transformers с параметром trust_remote_code=True и требуют тонкой настройки (fine-tuning). Liquid AI также предоставила пять демонстраций, работающих только на CPU, на платформе Hugging Face Spaces.