LiquidAI 推出 LFM2.5-VL-3B，可在本地设备实现更快更强的视觉语言能力

LiquidAI 推出 LFM2.5-VL-3B，定位为可在本地硬件上运行的“最强”视觉-语言模型。官方称该模型能理解文档与屏幕内容，进行对象 grounding，并能调用工具；它采用“直接回答而非推理”的模式以保持实时响应和在设备上运行的速度。模型在屏幕/UI 理解、grounding、跨多图推理和函数调用能力上相较此前版本有四项主要改进。

架构方面，LFM2.5-VL-3B 将 SigLIP2 400M NaFlex 视觉编码器与与 LFM2.5-2.6B 文本模型相同的预训练主干结合。预训练使用约34T token，并包含比以前多4倍的视觉数据，数据来自策划与合成的图像-字幕、OCR、grounding 和指令跟随集合。为支持非拉丁文字，词表从原先扩展到128K，通过在位扩展分词器实现而非从头重训。后训练分两阶段：监督微调（含来自更大教师模型的知识蒸馏和 Antidoom 训练）以及多奖励强化学习。

评测方面，团队在多项视觉与文本基准上测试了模型。视觉基准覆盖多语种视觉理解、指令跟随、视觉数学与科学推理、文档理解、对象检测、多图理解和屏幕理解。官方给出的表格显示 LFM2.5-VL-3B 在其规模类别上的真实图像任务中表现领先，并能较好地读取文档、图表与屏幕 UI 元素。文本基准上，指令跟随能力与工具使用能力均有提升；在工具使用上，其表现与 Gemma-4-E2B 和 Qwen3.5-2B 相当。

部署与推理性能方面，LFM2.5-VL-3B 在多种推理生态（如 llama.cpp、MLX、vLLM、SGLang、ONNX）当天支持即可运行。官方给出的速度指标包括：在 M5 Max 上解码 228 tokens/s，在 Ryzen AI Max+ 395 上为 116 tokens/s，内存占用约 3 GB；在 Galaxy S26 Ultra 上可达 20 tokens/s，可实现完全本地运行。GPU 上该模型在多帧输入下保持低延迟，并在高并发下达到约 11K tokens/s 的输出吞吐，团队称相当于比 4B 级更大模型快约 2 倍。文末还提供了在 transformers 中加载与运行模型的示例代码片段。