Liquid AI发布LFM2.5-VL-3B：一款适用于端侧屏幕阅读、对象定位与工具调用的紧凑型视觉语言模型

Liquid AI 发布了 LFM2.5-VL-3B，这是一个 3.1B 参数的视觉-语言模型，专为设备端部署而设计。该模型能够阅读移动端、网页端和桌面端的数字屏幕，将对象定位到坐标，解析文档和图表，并从文本或图像输入调用工具。它在 28 个视觉基准测试中的平均得分为 69.4，与 InternVL-3.5-4B 相当，比 Qwen3.5-4B 落后 0.7 分，而这两个模型都是 4.7B 参数。该模型为非推理模型，以保持低延迟，占用约 3 GB 内存，在 Apple M5 Max 上每秒可解码 228 个 token。检查点提供原生、GGUF、ONNX 和 MLX 格式，并支持 llama.cpp、MLX、vLLM、SGLang 和 ONNX 运行时。LFM 开放许可证 v1.0 基于 Apache 2.0，但当公司年收入达到 1000 万美元时，免费商业使用即终止。与之前版本相比，主要改进包括 ScreenSpot-v2 平均得分达到 80.7，RefCOCO 平均精确率@1 从 57.1 提高到 87.9，以及新增的函数调用能力，ToolSandbox 得分从 26.4 提高到 59.5。