LFM2.5-VL-3B：Liquid AI がエッジデバイス向けに発表した新しい視覚言語モデル

Liquid AIは、エッジデバイス向けの3.1Bパラメータの視覚言語モデルLFM2.5-VL-3Bのリリースを発表した。このモデルは、SigLIP2 400M NaFlexビジョンエンコーダと同社のLFM2.5-2.6Bテキストバックボーンを組み合わせ、約34兆トークンでトレーニングされており、ビジョンデータは以前のバージョンの4倍である。このモデルは、スクリーン理解、グラウンディング、マルチイメージ推論など、多くのビジョンベンチマークで同サイズクラスにおいて最先端の結果を達成している。また、指示追従やツール使用などのテキストのみのタスクでも高いパフォーマンスを示す。LFM2.5-VL-3Bはオンデバイス推論向けに最適化されており、M5 Maxでは毎秒228トークン、Ryzen AI Max+ 395では毎秒116トークン、Galaxy S26 Ultraでは毎秒20トークンという処理速度を実現している。また、マルチフレーム入力を低レイテンシでサポートし、GPU上での高スループットを実現しており、高並列時には毎秒約11,000出力トークンを達成する。このモデルはHugging Faceで入手可能で、transformers、vLLM、llama.cppなどの主要な推論フレームワークと互換性がある。