LFM2.5-VL-3B за по-добри и по-бързи визуални възможности за периферни устройства

LFM2.5-VL-3B за по-добри и по-бързи визуални възможности за периферни устройства LFM2.5-VL-3B е най-способният ни модел за зрение и език, който можете да стартирате на собствения си хардуер. Той разбира както документи, така и екрани, локализира обекти и може да извиква инструменти. Отговаря директно, вместо да разсъждава, така че отговорите остават бързи в приложенията за работа в реално време и на устройството.

LFM2.5-VL-3B разширява възможностите за зрение и език на предишните ни версии с четири основни подобрения:

• Разбиране на екрани/потребителски интерфейси: Отлично разбиране на цифрови екрани на различни устройства.
• Локализиране: Подобрено локализиране и откриване на обекти чрез заявки на естествен език.
• Вход с множество изображения: Подобрено разсъждение върху множество изображения.
• Извикване на функции: Значително по-добри възможности за извикване на функции в ситуации само с текст и със зрение и текст.

Как обучихме най-способния си модел за зрение и език

LFM2.5-VL-3B комбинира визуален енкодер SigLIP2 400M NaFlex със същия предварително обучен гръбнак като текстовия ни модел LFM2.5-2.6B. Той е предварително обучен върху около 34 трилиона токена, с четири пъти повече визуални данни от преди, извлечени от подбрани и синтетични набори от изображения и надписи, OCR, локализиране и следване на инструкции. За да поддържаме нелатински писмености, удвоихме речника до 128K, като разширихме токенизатора на място, вместо да го обучаваме от нулата.

Дообучаването протича на два етапа: първият е контролирано дообучаване (SFT) с дистилация на знания от по-голям учител и обучение Antidoom. Вторият е обучение с подсилване (RL) с множество награди.

Резултати от сравнителните тестове

Оценихме LFM2.5-VL-3B както по визуални, така и по текстови сравнителни тестове.

Визуалните сравнителни тестове обхващат многоезично визуално разбиране, следване на инструкции, визуална математика и научно разсъждение, разбиране на документи, откриване на обекти, разбиране на множество изображения и разбиране на екрани. LFM2.5-VL-3B е водещ в своя размерен клас при задачи с изображения от реалния свят, като същевременно чете добре цифрово съдържание — от документи и диаграми до елементи на потребителски интерфейси на екрана.

Задача	Сравнителен тест	LFM2.5-VL-3B (3.1B)	LFM2-VL-3B (3.1B)	gemma-4-E2B-it (5.1B)	gemma-4-E4B-it (8B)	InternVL 3.5 2B (2.4B)	InternVL 3.5 4B (4.7B)	Qwen3.5-2B (2.3B)	Qwen3.5-4B (4.7B)
Общи	MMStar	63.3	57.7	45.3	52.9	57.7	65.5	55.1	59.3
MME	73.1	73.0	54.9	67.6	73.6	81.0	76.2	79.5
RealWorldQA	73.1	71.1	60.0	64.3	61.6	67.7	65.1	67.1
SimpleVQA	35.4	33.0	27.3	30.4	30.5	33.7	35.2	40.7
SEED-Bench (изображение)	77.7	76.6	71.4	75.3	75.4	76.4	75.8	76.1
MMBench (dev EN v1.1)	81.0	80.0	64.2	71.6	76.2	81.1	73.1	78.4
CountBenchQA	87.3	92.2	70.4	80.5	70.4	82.5	83.8	86.7
Многоезични	MMMB	83.0	81.9	73.3	80.4	76.3	81.5	75.9	82.0
Многоезичен MMBench	79.5	76.3	62.8	71.2	70.9	76.6	69.9	77.0
Мултимодален IF	MM-IFEval	60.6	51.4	65.6	68.2	47.1	54.5	55.4	63.1
STEM	LogicVista	37.4	32.2	29.5	34.5	30.9	36.2	34.0	37.6
MathVista (мини)	68.5	62.1	37.8	45.2	56.8	67.1	48.7	63.6
MMMU-Pro	30.5	28.7	26.9	32.6	21.3	22.7	24.9	36.0
MMMU (val)	48.4	45.6	41.1	49.3	52.0	60.7	44.1	50.3
Документи, OCR и диаграми	ChartQA (test)	81.3	80.4	43.2	42.1	81.7	86.2	78.4	84.2
DocVQA (val)	91.1	89.8	85.7	87.4	88.4	91.8	92.6	94.8
InfographicVQA (val)	70.2	67.8	54.4	60.9	69.3	76.9	73.5	80.3
OCRBench v1	84.2	81.7	70.2	73.5	83.9	82.0	84.4	85.6
OCRBench v2 (En)	47.5	43.9	44.4	48.8	45.5	49.1	47.7	58.7
TextVQA (val)	84.3	83.0	62.5	69.0	76.6	77.5	77.3	81.2
Локализиране	RefCOCO-avg	87.9	57.1	67.3	72.1	82.9	88.8	78.5	86.6
Множество изображения	BLINK	61.5	50.2	45.2	52.2	52.0	57.2	48.6	58.7
MuirBench	58.3	34.9	32.9	51.8	45.0	53.5	48.2	62.0
Халюцинации	HallusionBench	47.2	46.4	41.8	49.8	47.6	52.1	49.3	51.7
POPE	88.7	89.2	84.0	86.9	88.0	88.9	88.6	86.0
GUI	ScreenSpot-v2 Desktop	78.7	6.0	28.1	45.8	79.9	82.0	63.8	76.3
ScreenSpot-v2 Mobile	81.2	7.6	42.9	60.3	86.2	87.8	69.7	81.4
ScreenSpot-v2 Web	82.2	2.5	22.4	47.6	79.9	82.6	65.9	77.8
Средно	-	69.4	57.2	52.0	59.7	64.6	69.4	63.7	70.1

*Всички стойности в таблицата са нормализирани до 0–100. Оценяването е извършено с vLLM 0.26.0 и препоръчителните параметри за генериране на всеки модел, когато са налични. Навсякъде е използван режим без разсъждение, а на моделите е зададено да отговарят директно, без разсъждение.

Оценихме LFM2.5-VL-3B и по текстови сравнителни тестове за следване на инструкции и използване на инструменти. Следването на инструкции се подобрява във всички направления, а използването на инструменти се подобрява значително. При използването на инструменти LFM2.5-VL-3B е наравно с Gemma-4-E2B и Qwen3.5-2B.

Задача	Сравнителен тест	LFM2.5-VL-3B (3.1B)	LFM2-VL-3B (3.1B)	gemma-4-E2B-it (5.1B)	gemma-4-E4B-it (8B)	InternVL 3.5 2B (2.4B)	InternVL 3.5 4B (4.7B)	Qwen3.5-2B (2.3B)	Qwen3.5-4B (4.7B)
Следване на инструкции	IFEval	82.3	72.9	83.0	87.9	32.4	35.4	73.6	86.2
IFBench	25.8	20.8	34.1	39.2	24.4	24.5	28.9	33.5
Multi-IF	59.4	46.5	69.4	77.4	16.3	16.9	53.5	66.7
Използване на инструменти и извикване на функции	ToolSandbox	59.5	26.4	56.5	61.6	N/A	N/A	47.7	65.0
BFCL V4	32.5	20.5	33.2	40.0	N/A	N/A	33.9	53.6

*Моделите InternVL 3.5 не поддържат извикване на функции.

Тези резултати показват, че LFM2.5-VL-3B е силен модел за зрение и език с общо предназначение. Той обхваща ежедневни задачи (генериране на надписи, визуални въпроси и отговори, разбиране на документи) и е особено добър в локализирането на обекти, четенето на екрани и документи и извикването на инструменти.

Скорост на инференция върху CPU и GPU

LFM2.5-VL-3B се предлага с поддръжка още от първия ден в цялата екосистема за инференция, включително llama.cpp, MLX, vLLM, SGLang и ONNX.

Инференция на устройството. LFM2.5-VL-3B декодира 228 токена/сек на M5 Max и 116 токена/сек на Ryzen AI Max+ 395 и заема около 3 GB памет. Той достига дори 20 токена/сек на Galaxy S26 Ultra, така че можете да го изпълнявате изцяло на устройството.

GPU инференция. LFM2.5-VL-3B поддържа постоянно ниска латентност и е най-бързият при входове с множество кадри.

LFM2.5-VL-3B е и най-бързият по пропускателна способност при генериране на изход сред всички тествани от нас модели, като достига около 11K токена в секунда при висока конкурентност. Това е приблизително два пъти повече от по-големите модели от клас 4B и изпреварва дори по-малките модели от клас 2B, което се равнява на почти 1 милиард генерирани изходни токена дневно на един H100.

Как се използва LFM2.5-VL-3B

Изберете LFM2.5-VL-3B, когато се нуждаете от интелигентност на устройството за работни натоварвания с голям обем.

Инсталирайте най-новата версия на transformers (съвместима с transformers>=5.0.0):

%pip install -q torch torchvision accelerate "transformers>=5.10.1"

След това заредете и стартирайте модела:

import torch
from transformers.image_utils import load_image
from transformers import AutoModelForImageTextToText, AutoProcessor
from IPython.display import display

MODEL_ID = "LiquidAI/LFM2.5-VL-3B" 

processor = AutoProcessor.from_pretrained(MODEL_ID)
model = AutoModelForImageTextToText.from_pretrained(
    MODEL_ID,
    device_map="auto",
    dtype="bfloat16",
)

img_url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/coco_sample.png"
input_image = load_image(img_url)
display(input_image)

messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": input_image},
            {"type": "text", "text": "Опишете това изображение с две кратки изречения."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        do_sample=True,
        temperature=0.2,
        top_k=50,
        repetition_penalty=1.0,
        max_new_tokens=256,
    )

output = processor.batch_decode(outputs[:, inputs["input_ids"].shape[1]:], skip_special_tokens=True)[0]
print(output)

Две котки спят на розов диван с два дистанционни пулта.

Още практически примери за използване на LFM2.5-VL3B с входове от множество изображения, локализиране, OCR, извикване на инструменти и други ще намерите в нашата документация. Разгледайте блога за представянето ни за видео примери.

Демонстрация на LFM2.5-VL-3B

Разгледайте тази браузърна демонстрация на чат интерфейс с визуални възможности, задвижван от LFM2.5-VL-3B. Тя ви позволява да заснемате или качвате множество изображения и да взаимодействате с тях чрез модела, включително за локализиране, OCR и използване на инструменти.

Първи стъпки

LFM2.5-VL-3B е наличен в Hugging Face още днес.

С LFM2.5 реализираме визията си за AI, който работи навсякъде. Тези модели са:

• Изтегляне: LFM2.5-VL-3B в Hugging Face.
• Изпробване: стартирайте демонстрацията WebGPU във вашия браузър, без да е необходима настройка.
• Дообучаване: адаптирайте LFM2.5-VL-3B към вашата задача с нашите уроци за дообучаване.

Нямаме търпение да видим какво ще създадете.

Цитиране

Моля, цитирайте тази статия, както следва:

Liquid AI, "LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge", Liquid AI Blog, Aug 2026.

Или използвайте цитата във формат BibTeX:

@article{liquidAI2026VL3B,
  author  = {Liquid AI},
  title   = {LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge},
  journal = {Liquid AI Blog},
  year    = {2026},
  note    = {www.liquid.ai/blog/lfm2-5-vl-3b},
}

Глас „за“

3

• 
• 
• 

Модели, споменати в тази статия 2

Пространства, споменати в тази статия 1