LFM2.5-VL-3B：Liquid AI 面向边缘设备的新视觉语言模型

Liquid AI 宣布发布 LFM2.5-VL-3B，这是一款面向边缘设备的 3.1B 参数视觉语言模型。它将 SigLIP2 400M NaFlex 视觉编码器与该公司的 LFM2.5-2.6B 文本骨干网络相结合，并基于约 34 万亿个令牌进行训练，其中视觉数据量是之前版本的四倍。该模型在众多视觉基准测试中，其尺寸类别内达到了最先进的水平，包括屏幕理解、视觉定位和多图像推理。它在纯文本任务中也表现出色，如指令遵循和工具使用。LFM2.5-VL-3B 针对设备端推理进行了优化，在 M5 Max 上达到每秒 228 个令牌，在 Ryzen AI Max+ 395 上达到每秒 116 个令牌，甚至在 Galaxy S26 Ultra 上也能达到每秒 20 个令牌。它支持多帧输入，在 GPU 上具有低延迟和高吞吐量，在高并发下每秒可输出约 1.1 万个令牌。该模型已在 Hugging Face 上提供，并兼容包括 transformers、vLLM 和 llama.cpp 在内的主流推理框架。