LFM2.5-VL-3B для кращих і швидших можливостей комп’ютерного зору для периферійних пристроїв

LFM2.5-VL-3B для кращих і швидших можливостей роботи із зображеннями на периферійних пристроях LFM2.5-VL-3B — наша найпотужніша модель для роботи із зображеннями та мовою, яку можна запускати на власному обладнанні. Вона однаково добре розуміє документи й екрани, визначає розташування об’єктів і може викликати інструменти. Вона відповідає безпосередньої генерації міркувань, тому відповіді залишаються швидкими в реальному часі та в додатках на пристрої.

LFM2.5-VL-3B розширює можливості роботи із зображеннями та мовою, представлені в наших попередніх релізах, завдяки чотирьом основним покращенням:

• Розуміння екранів та інтерфейсів: Високий рівень розуміння цифрових екранів на різних пристроях.
• Визначення розташування: Покращене визначення розташування та виявлення об’єктів за допомогою запитів природною мовою.
• Введення кількох зображень: Покращене міркування на основі кількох зображень.
• Виклик функцій: Значно кращі результати під час виклику функцій у текстових і візуально-текстових ситуаціях.

Як ми навчали нашу найпотужнішу модель для роботи із зображеннями та мовою

LFM2.5-VL-3B поєднує візуальний енкодер SigLIP2 400M NaFlex із тією самою попередньо навченою базовою моделлю, що й наша текстова модель LFM2.5-2.6B. Вона попередньо навчалася приблизно на 34 трильйонах токенів, причому обсяг візуальних даних був у 4 рази більшим, ніж раніше, і складався з відібраних та синтетичних наборів зображень і підписів, OCR, визначення розташування та виконання інструкцій. Для підтримки нелатинських писемностей ми подвоїли словник до 128 тисяч токенів, розширивши токенізатор на місці, а не перенавчаючи його з нуля.

Післянавчання відбувається у два етапи: перший — контрольоване донавчання (SFT) із дистиляцією знань від більшої моделі-вчителя та навчанням Antidoom. Другий — навчання з підкріпленням на основі кількох винагород (RL).

Результати бенчмарків

Ми оцінювали LFM2.5-VL-3B за візуальними й текстовими бенчмарками.

Візуальні бенчмарки охоплюють багатомовне розуміння зображень, виконання інструкцій, візуальні математичні та наукові міркування, розуміння документів, виявлення об’єктів, розуміння кількох зображень і розуміння екранів. LFM2.5-VL-3B є лідером у своєму класі за розміром у завданнях із реальними зображеннями, а також добре читає цифровий контент — від документів і діаграм до елементів інтерфейсу на екрані.

Завдання	Бенчмарк	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)
Загальні	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 (зображення)	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
Багатомовні	MMMB	83.0	81.9	73.3	80.4	76.3	81.5	75.9	82.0
Багатомовний MMBench	79.5	76.3	62.8	71.2	70.9	76.6	69.9	77.0
Мультимодальне виконання інструкцій	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 (міні)	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 (перевірка)	48.4	45.6	41.1	49.3	52.0	60.7	44.1	50.3
Документи, OCR і діаграми	ChartQA (тест)	81.3	80.4	43.2	42.1	81.7	86.2	78.4	84.2
DocVQA (перевірка)	91.1	89.8	85.7	87.4	88.4	91.8	92.6	94.8
InfographicVQA (перевірка)	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 (перевірка)	84.3	83.0	62.5	69.0	76.6	77.5	77.3	81.2
Визначення розташування	RefCOCO-avg	87.9	57.1	67.3	72.1	82.9	88.8	78.5	86.6
Кілька зображень	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
Галюцинації	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
Графічний інтерфейс	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
Середнє	-	69.4	57.2	52.0	59.7	64.6	69.4	63.7	70.1

*Усі значення в таблиці нормалізовано до діапазону 0–100. Оцінювання виконано за допомогою vLLM 0.26.0 і рекомендованих параметрів генерації кожної моделі, якщо вони доступні. Усюди використовується режим без міркувань, а моделям пропонується відповідати безпосередньо, не демонструючи міркувань.

Ми також оцінили LFM2.5-VL-3B за текстовими бенчмарками для виконання інструкцій і використання інструментів. Виконання інструкцій покращилося за всіма напрямами, а використання інструментів — суттєво. У використанні інструментів LFM2.5-VL-3B не поступається Gemma-4-E2B і Qwen3.5-2B.

Завдання	Бенчмарк	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)
Виконання інструкцій	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
Використання інструментів і виклик функцій	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

*Моделі InternVL 3.5 не підтримують виклик функцій.

Ці результати демонструють, що LFM2.5-VL-3B — потужна універсальна модель для роботи із зображеннями та мовою. Вона охоплює повсякденні завдання (створення підписів, відповіді на запитання за зображеннями, розуміння документів) і особливо добре визначає розташування об’єктів, читає екрани та документи й викликає інструменти.

Швидкість виведення на CPU і GPU

LFM2.5-VL-3B від першого дня підтримується всією екосистемою виведення, зокрема llama.cpp, MLX, vLLM, SGLang і ONNX.

Виведення на пристрої. LFM2.5-VL-3B декодує 228 токенів/с на M5 Max і 116 токенів/с на Ryzen AI Max+ 395 та займає близько 3 ГБ пам’яті. Вона навіть досягає швидкості 20 токенів/с на Galaxy S26 Ultra, тож її можна повністю запускати на пристрої.

Виведення на GPU. LFM2.5-VL-3B забезпечує стабільно низьку затримку й є найшвидшою для вхідних даних із кількох кадрів.

LFM2.5-VL-3B також є найшвидшою за пропускною здатністю виведення серед усіх протестованих нами моделей, досягаючи близько 11 тисяч токенів на секунду за високої паралельності. Це приблизно вдвічі більше, ніж у більших моделей класу 4B, і більше, ніж у навіть менших моделей класу 2B, що дає майже 1 мільярд вихідних токенів на день на одному H100.

Як використовувати LFM2.5-VL-3B

Обирайте LFM2.5-VL-3B, коли вам потрібен інтелект на пристрої для високонавантажених робочих процесів.

Встановіть останню версію transformers (сумісну з transformers>=5.0.0):

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

Потім завантажте та запустіть 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": "Describe this image in two concise sentences."},
        ],
    }
]

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)

Двоє котів сплять на рожевому дивані, поруч із ними лежать два пульти дистанційного керування.

Більше практичних прикладів використання LFM2.5-VL3B для введення кількох зображень, визначення розташування, OCR, виклику інструментів та іншого можна знайти в нашій документації. Відвідайте блог із релізом, щоб переглянути відеоприклади.

Демонстрація LFM2.5-VL-3B

Перегляньте цю браузерну демонстрацію чат-інтерфейсу з підтримкою роботи із зображеннями на основі LFM2.5-VL-3B. Вона дає змогу зробити або завантажити кілька зображень і взаємодіяти з ними за допомогою моделі, зокрема визначати розташування, виконувати OCR і використовувати інструменти.

Початок роботи

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

З LFM2.5 ми втілюємо наше бачення ШІ, який працює будь-де. Ці моделі:

• Завантажити: LFM2.5-VL-3B на Hugging Face.
• Спробувати: запустіть демонстрацію WebGPU у своєму браузері без додаткового налаштування.
• Донавчити: адаптуйте LFM2.5-VL-3B до свого завдання за допомогою наших посібників із донавчання.

Ми з нетерпінням чекаємо, що ви створите.

Цитування

Будь ласка, цитуйте цю статтю так:

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

Або скористайтеся цитуванням у форматі 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},
}

Підтримати

3

• 
• 
• 

Моделі, згадані в цій статті 2

Простори, згадані в цій статті 1