Liquid AI presenta LFM2.5-VL-3B: un modelo compacto de visión y lenguaje para lectura de pantalla, anclaje de objetos y llamada de herramientas en el dispositivo

Liquid AI ha anunciado el lanzamiento de LFM2.5-VL-3B, un modelo de lenguaje y visión de 3.1 mil millones de parámetros diseñado para su implementación en dispositivos. El modelo lee pantallas digitales en móvil, web y escritorio, localiza objetos en coordenadas, analiza documentos y gráficos, y llama a herramientas a partir de texto o imágenes. Obtiene un promedio de 69.4 en 28 puntos de referencia de visión, igualando a InternVL-3.5-4B y situándose 0.7 puntos por detrás de Qwen3.5-4B, ambos modelos de 4.7 mil millones de parámetros. El modelo no es de razonamiento para mantener una latencia baja, ocupa aproximadamente 3 GB de memoria y decodifica 228 tokens por segundo en un Apple M5 Max. El checkpoint está disponible en formatos nativos, GGUF, ONNX y MLX, con soporte desde el primer día para llama.cpp, MLX, vLLM, SGLang y los runtimes de ONNX. La Licencia Abierta LFM v1.0 se basa en Apache-2.0, pero el uso comercial gratuito termina cuando los ingresos anuales de una empresa alcanzan los 10 millones de dólares. Las mejoras clave con respecto a la versión anterior incluyen un promedio de 80.7 en ScreenSpot-v2, un aumento en la precisión@1 promedio de RefCOCO de 57.1 a 87.9, y nuevas capacidades de llamada a funciones con puntuaciones de ToolSandbox que mejoran de 26.4 a 59.5.