Vision language модель на 3 ГБ догнала конкурентов вдвое крупнее: Liquid AI показала LFM2.5

Vision language модели (модели, которые одновременно понимают текст и изображения) обычно требуют мощных серверов или облачного доступа. Liquid AI позиционирует LFM2.5-VL-3B как альтернативу, способную работать локально: на ноутбуке, в смартфоне, в промышленном контроллере. Модель появилась на фоне гонки за компактные мультимодальные (объединяющие несколько типов данных: текст, изображение, звук) решения, где конкурируют Google, Alibaba и сообщество InternVL. Об этом сообщает Marktechpost со ссылкой на технический отчёт Liquid AI.

Что измеряли?

Liquid AI прогнала модель через 28 стандартных тестов для vision language моделей. Тесты проверяют, насколько хорошо модель понимает фотографии реального мира, читает документы и графики, распознаёт текст на изображениях и находит нужный элемент на экране по текстовому описанию.

Отдельно замерили три новых направления, которых не было в предыдущей версии LFM2-VL-3B:

• Понимание экранов (ScreenSpot-v2): модели показывают скриншот и просят указать координаты кнопки, поля ввода или ссылки. Это основа для ИИ-агентов (программ, которые сами нажимают кнопки и заполняют формы в интерфейсе).
• Вызов функций (ToolSandbox, BFCL v4): модель получает изображение или текст и должна сгенерировать правильный вызов внешнего инструмента, например API платёжной системы или поискового сервиса.
• Работа с несколькими изображениями (BLINK, MuirBench): модели дают два или больше снимков и спрашивают, чем они отличаются, или просят сравнить документы.

Все замеры Liquid AI проводила сама, используя среду vLLM версии 0.26.0 в режиме без рассуждений (модель отвечает сразу, не выстраивая цепочку промежуточных шагов).

Что обнаружили?

• Компактность не помешала точности. Средний балл 69,4 по 28 тестам совпал с InternVL-3.5-4B и отстал от Qwen3.5-4B всего на 0,7 балла. Оба конкурента содержат 4,7 млрд параметров, то есть на полтора миллиарда больше.
• Экраны модель понимает лучше конкурентов своего класса. ScreenSpot-v2 показал 80,7 (мобильные 81,2, веб 82,2, десктоп 78,7). Для сравнения: Gemma-4-E4B набрала 51,2, Qwen3.5-4B набрала 78,5. Более крупная InternVL-3.5-4B впереди с 84,1.
• Вызов функций появился с нуля. В предыдущей версии этой возможности не было. ToolSandbox вырос с 26,4 до 59,5, BFCL v4 с 20,5 до 32,5.
• Привязка объектов к координатам стала точнее на 30 пунктов. RefCOCO-avg поднялся с 57,1 до 87,9, по данным Liquid AI, за счёт расширенных синтетических данных для обучения.
• Работа с несколькими картинками улучшилась. BLINK вырос с 50,2 до 61,5, MuirBench с 34,9 до 58,3.
• Скорость на устройстве. 228 токенов (токен, это примерно одно слово или часть слова) в секунду на Apple M5 Max, 20 токенов в секунду на Samsung Galaxy S26 Ultra.
• Есть регресс. CountBenchQA (тест на подсчёт объектов на изображении) упал с 92,2 до 87,3 по сравнению с предыдущей версией.

Что это значит для вас?

Авторам Дзена и копирайтерам. Модель распознаёт текст в PDF, счетах, скриншотах с точностью DocVQA 91,1 и OCRBench v1 84,2. Если вы регулярно вытягиваете цитаты из скриншотов или переводите инфографику в текст, LFM2.5-VL-3B можно запустить локально на ноутбуке с 8 ГБ оперативной памяти без подписки на облако. 16 поддерживаемых языков, включая русский, делают модель пригодной для работы с кириллицей, хотя отдельных тестов на русском пока нет.

Маркетологам и тестировщикам. Понимание экранов (ScreenSpot-v2: 80,7) и новая функция вызова внешних инструментов открывают путь к автоматизации интерфейсов: модель может сама находить кнопку на скриншоте и генерировать вызов нужного API. Для тех, кто строит RPA-сценарии (программы-роботы, которые кликают и заполняют формы вместо человека), это потенциальная замена облачных решений.

Предпринимателям в РФ и СНГ. Лицензия LFM Open v1.0 разрешает бесплатное коммерческое использование компаниям с годовой выручкой до 10 млн долларов. Исследования, образование и некоммерческие проекты не имеют ограничений по выручке. Модель поставляется в четырёх форматах (native, GGUF, ONNX, MLX) и работает через llama.cpp, vLLM, SGLang и MLX с первого дня. Из российских аналогов по задаче понимания изображений можно рассматривать YandexGPT с мультимодальным режимом, но он работает только через облако и не запускается локально.

Модель уже доступна для скачивания с открытыми весами (веса, это числовые параметры, из которых состоит обученная нейросеть). Если ваш бизнес укладывается в лицензионный порог и вам нужен локальный анализ экранов или документов без отправки данных в облако, LFM2.5-VL-3B стоит протестировать прямо сейчас, пока конкуренты той же весовой категории требуют больше памяти за сопоставимый результат.

По данным Marktechpost