Liquid AI представила LFM2.5-VL-3B для швидких периферійних завдань
Liquid AI представила LFM2.5-VL-3B — модель для роботи із зображеннями й текстом із 3.1B параметрами, призначену для локального обладнання. Вона аналізує документи та екрани, знаходить об’єкти за запитами природною мовою, приймає кілька зображень і підтримує виклик функцій. Модель відповідає без тривалого міркування; за словами компанії, це дає змогу зберігати високу швидкість у застосунках реального часу та на пристроях.
LFM2.5-VL-3B поєднує зоровий енкодер SigLIP2 400M NaFlex із попередньо навченою основою текстової моделі LFM2.5-2.6B. Навчання відбувалося приблизно на 34T токенів і використовувало вчетверо більше візуальних даних, ніж попередні версії. Словник розширили до 128K токенів для підтримки нелатинських писемностей. Післянавчання включало контрольоване донавчання з дистиляцією від більшої моделі та Antidoom training, а потім навчання з підкріпленням за кількома винагородами.
За оцінками Liquid AI, модель очолила свій клас за розміром у низці завдань із реальними зображеннями; середній результат на візуальних тестах становив 69.4. Вона підтримує llama.cpp, MLX, vLLM, SGLang і ONNX. Модель використовує близько 3 GB пам’яті, досягає 228 токенів/с на M5 Max і 20 токенів/с на Galaxy S26 Ultra. Вона доступна на Hugging Face разом із браузерною демонстрацією WebGPU.
Текст підготовлено ШІ Sakhanda Wire за матеріалом Hugging Face. Факти, цитати та повний контекст — в оригінальній статті нижче.