Liquid AI представи LFM2.5-VL-3B за бързи задачи на периферни устройства
Liquid AI представи LFM2.5-VL-3B — модел за разбиране на изображения и текст с 3.1B параметра, предназначен за работа на локален хардуер. Той обработва документи и екрани, открива обекти по заявки на естествен език, работи с множество изображения и поддържа извикване на функции. Моделът отговаря директно, вместо да извършва продължително разсъждение, което според компанията помага за бързи реакции в приложения в реално време и на устройството.
Моделът съчетава зрителен енкодер SigLIP2 400M NaFlex с предварително обучената основа на текстовия модел LFM2.5-2.6B. Обучението е използвало около 34T токена и четири пъти повече визуални данни спрямо предишни версии. Речникът е разширен до 128K токена за поддръжка на нелатински писмености. Последващото обучение включва контролирано дообучаване с дистилация от по-голям модел и Antidoom обучение, последвани от обучение с подсилване с множество награди.
В оценките на Liquid AI моделът води своя клас по размер в няколко задачи с реални изображения и има средна оценка 69.4 във визуалните тестове. Поддържа llama.cpp, MLX, vLLM, SGLang и ONNX. Използва около 3 GB памет, достига 228 токена/сек. на M5 Max и 20 токена/сек. на Galaxy S26 Ultra, и е достъпен в Hugging Face с браузърна WebGPU демонстрация.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на Hugging Face. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.