Liquid AI stellt LFM2.5-VL-3B vor: Ein kompaktes Vision-Language-Modell für Bildschirmlesen, Objektverankerung und Tool-Aufrufe auf dem Gerät

Liquid AI hat die Veröffentlichung von LFM2.5-VL-3B angekündigt, einem Vision-Language-Modell mit 3,1 Milliarden Parametern, das für den Einsatz auf Geräten entwickelt wurde. Das Modell liest digitale Bildschirme auf Mobilgeräten, im Web und auf dem Desktop, verankert Objekte an Koordinaten, analysiert Dokumente und Diagramme und ruft Tools auf Basis von Text- oder Bildeingaben auf. Es erreicht im Durchschnitt 69,4 über 28 Vision-Benchmarks und liegt damit auf Augenhöhe mit InternVL-3.5-4B und 0,7 Punkte hinter Qwen3.5-4B, wobei beide Modelle 4,7 Milliarden Parameter haben. Das Modell denkt nicht nach, um die Latenz niedrig zu halten, passt in etwa 3 GB Speicher und dekodiert 228 Tokens pro Sekunde auf einem Apple M5 Max. Der Checkpoint ist in den Formaten nativ, GGUF, ONNX und MLX verfügbar, mit Unterstützung von llama.cpp, MLX, vLLM, SGLang und ONNX-Runtimes ab dem ersten Tag. Die LFM Open License v1.0 basiert auf Apache-2.0, aber die kostenlose kommerzielle Nutzung endet, wenn der Jahresumsatz eines Unternehmens 10 Millionen US-Dollar erreicht. Zu den wichtigsten Verbesserungen gegenüber der vorherigen Version gehören ein ScreenSpot-v2-Durchschnitt von 80,7, eine Erhöhung der RefCOCO-Durchschnittspräzision@1 von 57,1 auf 87,9 und neue Funktionsaufruf-Fähigkeiten mit ToolSandbox-Werten, die von 26,4 auf 59,5 gestiegen sind.