Liquid AI发布LFM2.5-VL-3B：31亿参数端侧多模态模型

端侧部署导向的多模态能力升级

Liquid AI于近日发布LFM2.5-VL-3B——一款参数量为3.1B的视觉-语言（Vision-Language）模型，核心设计目标是高效运行于终端设备。该模型可跨平台读取移动、网页与桌面界面内容，支持物体坐标级空间定位（grounding）、结构化文档与图表解析，并能基于文本或图像输入直接触发工具调用。官方称其在28项主流视觉基准测试中平均得分为69.4，与参数量更大的InternVL-3.5-4B（4.7B）持平，仅比Qwen3.5-4B（4.7B）低0.7分。

关键能力四项突破

相比前代LFM2-VL-3B，本次升级聚焦四大维度：

• 屏幕与UI理解显著提升：在ScreenSpot-v2评测中综合得分为80.7（桌面78.7、移动端81.2、网页82.2），大幅领先Gemma-4-E4B（51.2）和Qwen3.5-4B（78.5），仅次于InternVL-3.5-4B（84.1）；
• 首次引入函数调用能力：作为VL系列新特性，ToolSandbox分数从26.4跃升至59.5，BFCL v4从20.5升至32.5；工具调用以Python风格语法输出，由特殊token `<|tool_call_start|>` 和 `<|tool_call_end|>` 包裹；
• 物体定位精度跨越式增长：RefCOCO-avg precision@1达87.9，较前代57.1提升30.8分，主要得益于合成数据驱动的接地训练增强；
• 多图输入能力强化：BLINK得分由50.2升至61.5，MuirBench由34.9升至58.3。

架构与训练细节

模型语言主干采用LFM2.5-2.6B，视觉编码器为SigLIP2 NaFlex架构的400M参数优化版，支持原生分辨率处理——将大图切分为非重叠512×512块并辅以缩略全图。上下文长度达32,768 tokens，支持16种语言。预训练使用约34万亿tokens，词表扩展至128K（原地扩容），显著改善非拉丁语系覆盖。视觉预训练数据量扩大4倍，涵盖精选与合成的图文描述、OCR、接地标注及指令遵循样本。后训练阶段采用监督微调（SFT），融合知识蒸馏（来自更大教师模型）与Antidoom训练，并叠加多奖励强化学习。模型明确采用非推理（non-reasoning）设计，以保障低延迟响应。

性能与部署支持

LFM2.5-VL-3B内存占用约3GB，在Apple M5 Max芯片上解码速度达228 tokens/秒，在三星Galaxy S26 Ultra（推测为未来型号）上为20 tokens/秒。模型提供四种格式权重：原生格式、GGUF、ONNX与MLX，开箱支持llama.cpp、MLX、vLLM、SGLang及ONNX等主流运行时。

商业授权与适用场景

采用LFM Open License v1.0（基于Apache-2.0，唯一限制为年营收超1000万美元的企业需另行协商商业许可），允许独立开发者、初创公司及年营收低于该阈值的中小企业免费商用；科研、教育与非营利用途无营收限制。目标行业包括消费电子、汽车、工业与机器人、金融、医疗、电商，以及GUI自动化领域的QA与RPA服务商。典型应用涵盖端侧屏幕智能体、GUI测试自动化、带版式标签的PDF结构化提取、发票与收据OCR、车载近实时物体检测、菜单与路标离线翻译，以及多图像比对任务。