Liquid AI rilascia LFM2.5-VL-3B, modello vision-language ottimizzato per l’edge

Sintesi. Liquid AI presenta LFM2.5‑VL‑3B, un modello vision‑language da circa 3,1 miliardi di parametri progettato per funzionare su hardware locale e su dispositivi mobili. Secondo l'azienda, integra un encoder visivo SigLIP2 400M NaFlex e un backbone testuale LFM2.5-2.6B, è stato pre‑addestrato su ~34T token con più dati visivi e offre miglioramenti su riconoscimento di schermate, grounding, input multi‑immagine e function calling. È disponibile su Hugging Face con supporto per diversi runtime di inferenza.

Cosa è successo

Liquid AI ha reso disponibile LFM2.5‑VL‑3B su Hugging Face: il modello combina un encoder SigLIP2 400M NaFlex con il backbone testuale di LFM2.5, è stato pre‑addestrato su circa 34T token (con 4× più dati visivi rispetto alla release precedente), ha il vocabolario esteso a 128K e ha subito supervised fine‑tuning (con distillazione e Antidoom) seguito da reinforcement learning multi‑reward. L'azienda dichiara supporto day‑one per runtime come llama.cpp, vLLM, ONNX e prestazioni che permettono esecuzioni on‑device e su GPU.

Perché è rilevante

La novità segnala un focus pratico sul portare capacità multimodali avanzate vicino all'utente finale: Liquid AI enfatizza lettura di documenti e schermate, grounding e chiamata di funzioni, oltre a latenze e throughput ottimizzati per dispositivi mobili e edge. Se le metriche presentate riflettono scenari reali, il modello può ridurre la necessità di inferenza server‑side per alcune applicazioni e facilitare integrazioni con tool e interfacce visive restando su hardware locale.

Contesto

Nei benchmark citati da Liquid AI, LFM2.5‑VL‑3B «lead» nella sua classe di dimensione su attività di immagini reali e si confronta con modelli come Gemma‑4 e Qwen3.5 su alcuni task; la fonte fornisce una tabella di risultati comparativi e segnala prestazioni competitive in tool‑use e instruction following.

Fonte: huggingface.co