LFM2.5-VL-3B 发布，主打端侧多模态

Liquid AI 在 Hugging Face 博客发布新一代视觉语言模型 LFM2.5-VL-3B，参数量约 3.1B，定位为可在本地硬件运行的轻量级多模态模型，支持文档与屏幕理解、目标定位、多图输入和函数调用，面向需要实时响应的端侧与设备端应用。模型直接给出答案而非经过长链推理，以保证实时与设备端应用的响应速度。

核心能力升级

相比前代 LFM2-VL-3B，新模型在四个方向有显著提升：

• 屏幕/UI 理解：跨设备的数字屏幕内容识别能力增强。
• 目标定位：通过自然语言查询进行更准确的物体检测。
• 多图输入：跨多张图像的推理能力改善。
• 函数调用：纯文本及视觉-文本场景下的工具调用能力显著增强。

架构与训练方法

LFM2.5-VL-3B 由 SigLIP2 400M NaFlex 视觉编码器与 LFM2.5-2.6B 文本模型主干组合而成。预训练数据规模约 34T token，其中视觉数据量为上一代的 4 倍，来源包括筛选与合成的图像-文本对、OCR、目标定位与指令跟随数据集。为支持非拉丁语系，词表扩展到 128K，通过原地扩展 tokenizer 实现，无需从头训练。

后训练分两阶段：第一阶段为监督微调（SFT），采用知识蒸馏以及 Antidoom 训练；第二阶段为多奖励强化学习（RL）。

基准测试表现

Liquid AI 在视觉与文本两大类基准上对 LFM2.5-VL-3B 进行了评测。视觉基准覆盖多语言视觉理解、指令跟随、视觉数学与科学推理、文档理解、目标检测、多图理解与屏幕理解。官方表示，在真实世界图像任务上，LFM2.5-VL-3B 在同类尺寸模型中处于领先位置，对数字内容——文档、图表到屏幕 UI 元素——也有良好识别能力。

部分视觉基准对比（数值为 0–100 归一化分数）：

• RealWorldQA：LFM2.5-VL-3B 73.1，前代 71.1
• DocVQA (val)：91.1，前代 89.8
• OCRBench v1：84.2，前代 81.7
• RefCOCO-avg（目标定位）：87.9，前代 57.1，定位能力大幅提升
• ScreenSpot-v2 Desktop：78.7，前代 6.0
• ScreenSpot-v2 Mobile：81.2，前代 7.6
• ScreenSpot-v2 Web：82.2，前代 2.5

整体平均得分 69.4，较前代的 57.2 提升显著，与 InternVL 3.5 4B 并列领先，略低于 Qwen3.5-4B 的 70.1。

文本基准方面，指令跟随与工具调用能力均明显改善：

• IFEval：82.3，前代 72.9
• Multi-IF：59.4，前代 46.5
• ToolSandbox：59.5，前代 26.4，与 Gemma-4-E2B、Qwen3.5-2B 相当
• BFCL V4：32.5，前代 20.5

所有评测使用 vLLM 0.26.0 与各模型推荐生成参数，采用非推理模式进行直接作答。

推理速度与生态支持

LFM2.5-VL-3B 在推理生态中具备发布即支持特性，覆盖 llama.cpp、MLX、vLLM、SGLang 与 ONNX。

端侧推理性能：

• Apple M5 Max：228 tokens/s
• Ryzen AI Max+ 395：116 tokens/s
• Galaxy S26 Ultra：20 tokens/s
• 显存/内存占用约 3 GB

GPU 推理方面，模型在多帧输入上保持稳定低延迟，是评测模型中输出吞吐最高的之一。在高并发场景下输出可达约 11K tokens/s，约为 4B 级别模型的两倍，可在一台机器上每天输出接近 10 亿 token。综合来看，LFM2.5-VL-3B 是一款面向边缘与设备端场景、以速度与屏幕/文档理解为核心卖点的通用多模态模型。