LFM2.5-VL-3B：边缘设备上的高效视觉语言模型突破

5 阅读

边缘智能的新标杆：LFM2.5-VL-3B的诞生背景

随着人工智能技术向边缘设备渗透，如何在有限的计算资源下实现强大的多模态理解能力，已成为行业面临的核心挑战。Liquid AI最新发布的LFM2.5-VL-3B模型，正是对这一挑战的精准回应。这款仅3.1B参数的视觉语言模型，在保持轻量化的同时，实现了对屏幕内容的理解、目标定位、多图像推理以及函数调用等高级功能，为实时交互和端侧应用开辟了新的可能性。

与上一代产品相比，LFM2.5-VL-3B在四个关键维度上实现了显著突破：屏幕/UI理解能力大幅增强，能够精准解析不同设备上的数字界面；目标定位与检测能力得到优化，可基于自然语言查询准确框选对象；多图像输入处理能力提升，支持跨图像推理；函数调用能力显著增强，尤其在视觉与文本混合场景下表现突出。这些进步使得该模型能够胜任从文档解析到UI自动化等一系列复杂任务。

技术架构与训练策略：从预训练到后训练的精妙设计

LFM2.5-VL-3B的技术架构体现了Liquid AI在模型设计上的深厚积累。该模型采用SigLIP2 400M NaFlex视觉编码器，与LFM2.5-2.6B文本模型共享预训练骨干网络，实现了视觉与语言特征的深度融合。在预训练阶段，模型处理了约34T的token，其中视觉数据量是前代的4倍，涵盖精选和合成的图像-标题对、OCR数据、目标定位数据以及指令跟随数据。为了支持非拉丁语系，团队通过原地扩展分词器的方式，将词汇量翻倍至128K，避免了从头训练的昂贵成本。

后训练阶段采用两阶段策略：首先进行监督微调（SFT），利用更大的教师模型进行知识蒸馏，并结合Antidoom训练技术防止模型退化；随后进行多奖励强化学习（RL），进一步优化模型在多个维度上的表现。这种训练策略使得模型在保持快速响应的同时，能够精准执行复杂指令。

基准测试全面领先：视觉与文本任务的双重验证

在视觉基准测试中，LFM2.5-VL-3B展现了全面的性能优势。在通用视觉理解任务上，MMStar得分63.3，MME得分73.1，RealWorldQA得分73.1，均优于同尺寸的LFM2-VL-3B和Gemma-4-E2B。特别值得关注的是，在屏幕理解任务中，ScreenSpot-v2 Desktop得分78.7，Mobile得分81.2，Web得分82.2，相比前代LFM2-VL-3B的个位数得分实现了质的飞跃，甚至超越了部分4B级模型。

lfm2_5_vl_3b_task_group_averages

在文档与OCR任务中，DocVQA得分91.1，ChartQA得分81.3，OCRBench v1得分84.2，显示出强大的文档解析能力。目标定位方面，RefCOCO-avg得分87.9，较前代提升超过30个百分点。多图像理解任务中，BLINK得分61.5，MuirBench得分58.3，均处于领先水平。

lfm2_5_vl_3b_ttft

文本基准测试同样表现亮眼。指令跟随方面，IFEval得分82.3，Multi-IF得分59.4，较前代大幅提升。工具使用与函数调用方面，ToolSandbox得分59.5，BFCL V4得分32.5，与Gemma-4-E2B和Qwen3.5-2B等模型相当，证明了其在智能体应用中的实用性。

推理性能：速度与效率的极致追求

LFM2.5-VL-3B在推理速度上的表现令人印象深刻。在设备端，该模型在M5 Max上解码速度达到228 tokens/s，在Ryzen AI Max+ 395上达到116 tokens/s，内存占用仅约3GB。更令人惊叹的是，在Galaxy S26 Ultra上也能达到20 tokens/s，这意味着旗舰手机可以完全离线运行该模型。

lfm2_5_vl_3b_on-device_inference_TTFT

在GPU推理方面，LFM2.5-VL-3B在多帧输入场景下延迟最低，输出吞吐量达到约11K tokens/s，是高并发场景下2B级模型的2倍，甚至超过部分4B级模型。这意味着在单个H100 GPU上，每天可处理近10亿个输出token，为大规模部署提供了极高的成本效益。

lfm2_5_vl_3b_throughput

实际应用与部署指南

LFM2.5-VL-3B的部署极为便捷，支持transformers库（>=5.10.1），并兼容llama.cpp、MLX、vLLM、SGLang和ONNX等主流推理框架。开发者只需几行代码即可加载模型并进行推理。例如，通过AutoProcessor和AutoModelForImageTextToText，可以轻松实现图像描述、视觉问答等任务。

该模型在多个场景中展现出实用价值：在文档处理中，可快速提取表格、图表和文字信息；在UI自动化中，能理解屏幕元素并执行点击、输入等操作；在智能客服中，可结合视觉输入提供精准回答。Liquid AI还提供了WebGPU浏览器演示，用户无需安装任何软件即可体验模型的强大功能。

未来展望：边缘AI的无限可能

LFM2.5-VL-3B的发布标志着边缘AI进入了一个新阶段。它证明了在有限的计算资源下，模型依然可以实现高水平的视觉理解和交互能力。随着模型压缩技术和硬件加速的不断发展，我们可以预见，未来的边缘设备将能够运行更复杂的AI应用，从智能家居到工业自动化，从医疗影像到自动驾驶，LFM2.5-VL-3B所代表的技术方向将为这些领域带来革命性的变化。

对于开发者而言，LFM2.5-VL-3B提供了一个强大的基础模型，可以通过微调适配特定任务。Liquid AI提供了详细的微调教程和丰富的文档，降低了应用门槛。随着社区生态的不断壮大，基于该模型的应用将如雨后春笋般涌现，推动人工智能真正实现无处不在。