LFM2.5-VL-3B для улучшения и ускорения возможностей компьютерного зрения на периферии

LFM2.5-VL-3B: улучшенные и более быстрые возможности компьютерного зрения для периферийных устройств LFM2.5-VL-3B — наша самая функциональная зрительно-языковая модель, которую можно запускать на собственном оборудовании. Она одинаково хорошо понимает документы и экраны, определяет положение объектов и умеет вызывать инструменты. Модель отвечает напрямую, не выполняя рассуждения, поэтому её ответы остаются быстрыми в приложениях реального времени и на устройствах.

LFM2.5-VL-3B расширяет возможности компьютерного зрения и работы с языком, представленные в наших предыдущих релизах, благодаря четырём основным улучшениям:

• Понимание экранов и интерфейсов: глубокое понимание цифровых экранов на различных устройствах.
• Определение положения объектов: улучшенные возможности определения положения и обнаружения объектов с помощью запросов на естественном языке.
• Ввод нескольких изображений: улучшенное рассуждение по нескольким изображениям.
• Вызов функций: значительно более эффективный вызов функций как в текстовых, так и в зрительно-текстовых сценариях.

Как мы обучали нашу самую функциональную зрительно-языковую модель

LFM2.5-VL-3B объединяет зрительный энкодер SigLIP2 400M NaFlex с той же предварительно обученной базовой моделью, что и текстовая модель LFM2.5-2.6B. Она предварительно обучена примерно на 34 трлн токенов, причём объём данных о зрении в четыре раза больше, чем раньше; данные взяты из отобранных и синтетических наборов изображений с подписями, OCR, определения положения объектов и следования инструкциям. Для поддержки нелатинских письменностей мы вдвое увеличили словарь до 128 тысяч токенов, расширив токенизатор на месте, а не обучая его с нуля.

Дообучение проходит в два этапа. Первый — supervised fine-tuning (SFT), включающий дистилляцию знаний от более крупной модели-учителя и обучение Antidoom. Второй — обучение с подкреплением (RL) с несколькими функциями вознаграждения.

Результаты тестирования

Мы оценили LFM2.5-VL-3B по тестам как для зрения, так и для текста.

Тесты для зрения охватывают многоязычное понимание изображений, следование инструкциям, визуальные математические и научные рассуждения, понимание документов, обнаружение объектов, работу с несколькими изображениями и понимание экранов. LFM2.5-VL-3B лидирует среди моделей своего размера в задачах с реальными изображениями, а также хорошо читает цифровой контент — от документов и диаграмм до элементов пользовательского интерфейса на экране.

Задача	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)
Общие	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 (изображения)	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
Многоязычные	MMMB	83.0	81.9	73.3	80.4	76.3	81.5	75.9	82.0
Многоязычный MMBench	79.5	76.3	62.8	71.2	70.9	76.6	69.9	77.0
Мультимодальное следование инструкциям	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 (mini)	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
Документы, OCR и диаграммы	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
Определение положения объектов	RefCOCO-avg	87.9	57.1	67.3	72.1	82.9	88.8	78.5	86.6
Несколько изображений	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
Галлюцинации	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
Среднее	-	69.4	57.2	52.0	59.7	64.6	69.4	63.7	70.1

*Все значения в таблице нормированы к диапазону 0–100. Оценка выполняется с использованием vLLM 0.26.0 и рекомендуемых для каждой модели параметров генерации, если они доступны. Во всех случаях используется режим без рассуждений, а моделям предлагается отвечать напрямую, не приводя рассуждения.

Мы также оценили LFM2.5-VL-3B по текстовым тестам на следование инструкциям и использование инструментов. Следование инструкциям улучшилось по всем направлениям, а применение инструментов заметно усилилось. В использовании инструментов LFM2.5-VL-3B сопоставима с Gemma-4-E2B и Qwen3.5-2B.

Задача	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)
Следование инструкциям	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
Использование инструментов и вызов функций	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

*Модели InternVL 3.5 не поддерживают вызов функций.

Эти результаты показывают, что LFM2.5-VL-3B — мощная универсальная зрительно-языковая модель. Она справляется с повседневными задачами (создание подписей, ответы на вопросы по изображениям, понимание документов) и особенно хорошо определяет положение объектов, читает экраны и документы, а также вызывает инструменты.

Скорость вывода на CPU и GPU

LFM2.5-VL-3B с первого дня поддерживается всей экосистемой вывода, включая llama.cpp, MLX, vLLM, SGLang и ONNX.

Вывод на устройстве. LFM2.5-VL-3B декодирует 228 токенов/с на M5 Max и 116 токенов/с на Ryzen AI Max+ 395, занимая около 3 ГБ памяти. Она достигает даже 20 токенов/с на Galaxy S26 Ultra, поэтому её можно полностью запускать на устройстве.

Вывод на GPU. LFM2.5-VL-3B стабильно обеспечивает низкую задержку и является самой быстрой моделью при обработке нескольких кадров.

LFM2.5-VL-3B также демонстрирует самую высокую пропускную способность вывода среди всех протестированных нами моделей — около 11 тыс. токенов в секунду при высокой параллельной нагрузке. Это примерно в два раза больше, чем у более крупных моделей класса 4B, и выше, чем даже у меньших моделей класса 2B, что соответствует почти 1 млрд выходных токенов в день на одном H100.

Как использовать LFM2.5-VL-3B

Выбирайте LFM2.5-VL-3B, когда вам нужен интеллект на устройстве для высоконагруженных рабочих процессов.

Установите последнюю версию transformers (совместимую с transformers>=5.0.0):

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

Затем загрузите и запустите модель:

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": "Опишите это изображение двумя краткими предложениями."},
        ],
    }
]

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 кошки спят на розовом диване, рядом с ними лежат два пульта дистанционного управления.

Больше практических примеров использования LFM2.5-VL3B для работы с несколькими изображениями, определения положения объектов, OCR, вызова инструментов и других задач можно найти в нашей документации. Примеры видео доступны в нашем блоге о выпуске.

Демонстрация LFM2.5-VL-3B

Попробуйте браузерную демонстрацию LFM2.5-VL-3B, где модель обеспечивает работу интерфейса чата с поддержкой зрения. Она позволяет сделать или загрузить несколько изображений и взаимодействовать с ними с помощью модели, включая определение положения объектов, OCR и использование инструментов.

Начало работы

LFM2.5-VL-3B уже доступна на Hugging Face.

С LFM2.5 мы воплощаем наше видение ИИ, работающего где угодно. Эти модели можно:

• Скачать: LFM2.5-VL-3B на Hugging Face.
• Попробовать: запустить демонстрацию WebGPU в браузере без настройки.
• Дообучить: адаптировать LFM2.5-VL-3B под свою задачу с помощью наших руководств по дообучению.

Нам не терпится увидеть, что вы создадите.

Цитирование

Пожалуйста, цитируйте эту статью следующим образом:

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

Или используйте цитирование в формате 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},
}

Поддержать

3

• 
• 
• 

Модели, упомянутые в этой статье 2

Пространства, упомянутые в этой статье 1