Liquid AI 开源 3B 级端侧多模态模型

时间：2026 年 8 月 12 日 地点：美国马萨诸塞州剑桥（Liquid AI 总部），Hugging Face 平台全球同步上线 人物：Liquid AI 工程团队（孵化自 MIT 的 Ramin Hasani 团队） 事件详情：人工智能初创公司 Liquid AI 正式发布并开源 LFM2.5-VL-3B 视觉语言模型（VLM），这是其迄今最强大的端侧多模态模型。模型总参数 3.1B，采用 Google SigLIP2 400M NaFlex 视觉编码器与自家 LFM2.5-2.6B 文本 backbone，预训练数据约 34 万亿 tokens（视觉数据量为上代的 4 倍），词表扩展至 128K 以更好支持非拉丁脚本。Liquid AI 称其在 28 项视觉基准测试平均 69.4 分，相比上代 LFM2-VL-3B 的 57.2 提升 12 点，仅落后 4.7B 参数的 Qwen3.5-4B 约 0.7 分。 背景：Liquid AI 由前 MIT 教授 Ramin Hasani 等创立，专注端侧 AI 模型架构创新。此前 8 月 4 日刚发布纯文本版 LFM2.5-2.6B，本次 VL 版本延续"非推理（non-reasoning）"设计——直接回答不生成思维链——以保持实时端侧所需的低延迟。模型训练流程包括监督微调（SFT）+ Antidoom 训练 + 多奖励强化学习（RL）。 影响：四大能力同步升级。屏幕/UI 理解上，ScreenSpot-v2 平均 80.7（从单位数跃升），远超 8B 的 Gemma-4-E4B（50.9）；物体定位 RefCOCO 从 57.1 跃至 87.9，Liquid AI 归因于规模化合成 grounding 数据；工具调用 ToolSandbox 从 26.4 翻倍至 59.5，与 Gemma-4-E2B 持平；多图推理 BLINK 从 50.2 升至 61.5、MuirBench 从 34.9 升至 58.3。推理速度方面，Apple M5 Max 端 228 tokens/s、Ryzen AI Max+ 395 端 116 tokens/s、Galaxy S26 Ultra 端 20 tokens/s、显存占用仅约 3 GB，单张 H100 高并发可达 11K tokens/s（约等于每日 10 亿 tokens 产出）。llama.cpp、MLX、vLLM、SGLang、ONNX 首日全部支持，GGUF / ONNX / MLX 量化版本同步发布。 总结：Liquid AI LFM2.5-VL-3B 用 3.1B 参数实现了对 4B 级模型的视觉性能追平（28 项基准仅落后 Qwen3.5-4B 0.7%），同时把"屏幕理解 + 工具调用 + 多图推理 + 物体定位"四大能力一并打包进端侧可跑的体积（约 3 GB 显存、20 tokens/s 手机可跑），是 2026 年端侧多模态 AI 走向实用的标志性发布。 参考来源： 1. Hugging Face 官方博客：https://huggingface.co/blog/LiquidAI/lfm2-5-vl-3b 2. Liquid AI 官方博客：https://www.liquid.ai/blog/lfm2-5-vl-3b 3. Unite.AI 报道：https://www.unite.ai/liquid-ai-ships-lfm2-5-vl-3b-for-faster-vision-language-ai-on-the-edge/ 4. Hugging Face 模型卡：https://huggingface.co/LiquidAI/LFM2.5-VL-3B 5. Liquid AI Playground 在线体验：https://playground.liquid.ai/chat?model=LFM2.5-VL-3B 6. Liquid AI 官方文档：https://docs.liquid.ai/lfm/models/lfm25-vl-3b