Liquid AI 发布 LFM2.5-VL-3B：边缘侧的视觉语言新标杆，速度与精度的双重突破

Liquid AI 今日正式发布了 LFM2.5-VL-3B，这是一款专为边缘计算和实时交互设计的视觉语言模型（VLM）。它在保持极低延迟的同时，在屏幕理解、函数调用和指代定位等关键任务上实现了显著的性能飞跃，甚至在多项基准测试中超越了参数量两倍于它的竞争对手。

• 官方说明：https://www.liquid.ai/blog/lfm2-5-vl-3b
• 模型：https://huggingface.co/LiquidAI/LFM2.5-VL-3B

核心亮点：小身材，大智慧

LFM2.5-VL-3B 并非简单的参数堆砌，而是通过架构优化和数据质量提升，实现了“更小、更快、更强”的目标：

• 🖥️ 卓越的屏幕/UI 理解：
  在 ScreenSpot-v2 基准测试中取得 80.7 的高分，远超 Gemma-4-E4B (51.2) 和 Qwen 3.5 4B (78.5)，接近更大的 InternVL-3.5-4B (84.1)。这使其成为构建自动化 UI 代理、网页导航助手和桌面自动化工具的理想选择。
• 🛠️ 翻倍的函数调用能力：
  ToolSandbox 得分从 26.4 飙升至 59.5，BFCL v4 得分提升至 32.5。这意味着模型能更准确地识别何时需要调用外部工具（如搜索、计算器或 API），并生成正确的调用参数，极大地增强了其在实际工作流中的实用性。
• 🎯 精准的指代定位：
  RefCOCO precision@1 从 57.1 大幅提升至 87.9。模型现在能更精确地根据自然语言描述在图像中框出特定对象，这对于机器人视觉、辅助技术和交互式编辑至关重要。
• 🖼️ 强大的多图像推理：
  在处理多张图片或视频帧时，BLINK 得分提升至 61.5，MUIRBench 得分提升至 58.3，展现了其在复杂视觉场景下的连贯理解能力。

极速推理：无处不在的低延迟

LFM2.5-VL-3B 的设计初衷是让 AI 在本地设备上流畅运行，其推理速度令人印象深刻：

得益于紧凑的 SigLIP2 视觉编码器和高效的架构，LFM2.5-VL-3B 在首字响应时间（TTFT）上具有巨大优势，特别适合对实时性要求极高的交互式应用。

技术底座：高质量数据与强化学习

• 架构升级：基于 LFM2.5-2.6B 文本基座，集成 SigLIP2 400M NaFlex 编码器，词表大小翻倍至 128K 以更好地支持多语言。
• 数据增强：视觉预训练 Token 规模扩大 4 倍，混合了大量策展的合成数据（图像描述、OCR、指代定位）。
• 后训练优化：采用从更大教师模型蒸馏的知识、Antidoom 训练以及多奖励强化学习（RL），显著提升了模型的指令遵循和工具使用能力。

广泛的应用生态支持

LFM2.5-VL-3B 提供了全方位的部署支持，确保开发者能在任何硬件上轻松落地：

• llama.cpp / GGUF：高效边缘推理。
• MLX：Apple Silicon 原生优化。
• vLLM / SGLang：生产级 GPU 加速服务。
• ONNX：跨平台兼容性。
• WebGPU：可直接在浏览器中运行的演示，无需后端设置。