LFM2.5-VL-3B：边缘端更优更快视觉能力

LiquidAI发布LFM2.5-VL-3B：3B级视觉语言模型，专攻边缘设备实时理解 LiquidAI近日发布了其最新的视觉语言模型LFM2.5-VL-3B，官方称这是目前能在用户自有硬件上运行的最强视觉语言模型。该模型不仅能够理解文档和屏幕截图，还具备物体定位（Grounding）和工具调用能力，并且采用直接回答而非逐步推理的方式，以保障在实时和端侧应用中的响应速度。从基准测试数据来看，这款3.1B参数的模型在屏幕理解（ScreenSpot-v2）和物体定位（RefCOCO）等任务上，大幅超越了同尺寸竞品，甚至在某些项目上比肩或超过5B、8B的更大模型。 LFM2.5-VL-3B的发布，核心目标是解决边缘设备上视觉AI的痛点。此前，在手机、嵌入式设备或本地服务器上运行视觉模型，往往面临“看得懂但反应慢”或“反应快但识别差”的困境。LiquidAI此次在训练上做了针对性调整：模型采用了SigLIP2 400M视觉编码器，并搭配了与自家LFM2.5-2.6B文本模型相同的预训练主干，在约34T token的数据上预训练，其中视觉数据量是上一代的4倍。为了支持非拉丁语系（如中文），团队还将词表扩充至128K。后训练阶段则采用两段式：先通过知识蒸馏和“Antidoom”训练进行监督微调，再进行多奖励强化学习。这一系列操作带来的直接结果是，在文档理解（DocVQA达91.1）、图表解析（ChartQA达81.3）和屏幕UI元素识别（桌面端78.7、移动端81.2、网页端82.2）上，该模型均处于3B级别的领先地位，相比前代LFM2-VL-3B在屏幕理解上实现了从个位数到80分以上的跨越式提升。 对于跨境电商卖家和AI应用开发者而言，这款模型的价值在于“本地化”和“实时性”。以往处理商品图片描述、多语言文档识别或自动化UI操作，往往需要调用云端API，存在延迟和隐私风险。LFM2.5-VL-3B的尺寸（3.1B）意味着它可以部署在消费级GPU甚至部分高端移动设备上，实现离线处理。例如，卖家可以用它批量识别多语言的产品说明书或竞品页面截图，自动提取关键信息；或者构建本地化的智能客服工具，直接理解用户上传的截图并调用相应软件功能。此外，其多图像输入能力的提升，也为对比不同供应商的报价单或质检图片提供了更准确的判断基础。不过，值得注意的是，在部分纯文本推理基准（如MMMU-Pro）上，该模型仍略逊于Qwen3.5-4B等竞品，说明其在复杂逻辑推理上仍有提升空间，开发者需根据具体场景权衡使用。