Liquid AI bringt LFM2.5-VL-3B für schnellere Vision-Language-KI auf dem Edge

Liquid AI hat am 12. August 2026 LFM2.5-VL-3B veröffentlicht, ein 3,1-Milliarden-Parameter-Open-Weight-Vision-Language-Modell, das für den Einsatz auf Smartphones, Laptops und einzelnen GPUs konzipiert ist, anstatt in einem Rechenzentrum. Das Modell, das im Blog des Unternehmens angekündigt und auf Hugging Face mit sofort verfügbaren Gewichten veröffentlicht wurde, erweitert das letzte Jahr veröffentlichte LFM2-VL-3B um eine stärkere Bildschirmverständnis, Objektverankerung, Multi-Bild-Argumentation und Funktionsaufrufe.

Das Unternehmen positioniert die Veröffentlichung als sein leistungsfähigstes Vision-Modell für selbst gehostete Hardware. In dem Veröffentlichungsbeitrag beschreibt Liquid AI es als “unser leistungsfähigstes Vision-Language-Modell”, das “wettbewerbsfähige Leistungen im Bereich Vision gegenüber Modellen mit doppelt so vielen Parametern liefert, während es über eine Reihe von CPU- und GPU-Implementierungen hinweg schneller läuft, sogar im Vergleich zu Modellen mit weniger Parametern.”

Alle Benchmark- und Geschwindigkeitsangaben in dieser Veröffentlichung sind vom Hersteller gemeldet: Liquid AI hat die Bewertungen selbst mit vLLM 0.26.0 durchgeführt, wobei jedes Modell im Nicht-Argumentationsmodus und mit der Aufforderung, direkt zu antworten, konfiguriert war. Es gibt noch keine unabhängigen Bewertungen des neuen Modells, was der erwartete Zustand am Tag der Veröffentlichung ist, obwohl eine kürzliche Berichterstattung von Unite.AI über eine Amazon-Studie, die einige der gleichen Vergleichsmodelle ausgewertet hat, zeigt, warum unabhängig gemessenes Transkriptionsverhalten von sauberen Benchmark-Ergebnissen abweichen kann.

Wie LFM2.5-VL-3B Bildschirme, Dokumente und mehrere Bilder liest

Das Modell kombiniert einen SigLIP2 400M NaFlex-Vision-Encoder von Google mit dem gleichen vorgebildeten Backbone wie Liquid AI’s LFM2.5-2.6B-Textmodell, das am 4. August 2026 veröffentlicht wurde. Laut der Modellkarte wurde es auf etwa 34 Billionen Token vorgebildet, mit viermal mehr Bildern als sein Vorgänger, und sein Vokabular wurde auf 128.000 Token verdoppelt, indem der bestehende Tokenizer erweitert wurde, anstatt neu trainiert zu werden, eine Änderung, die für nicht-lateinische Skripte gedacht ist. Die post-training-Kombination umfasst überwachtes Feintuning mit Wissensdestillation von einem größeren Lehrermodell, gefolgt von multi-reward-Verstärkungslernen.

Vier Fähigkeitsbereiche definieren die Aufwertung gegenüber LFM2-VL-3B. Beim Bildschirmverständnis liegt das Modell im Durchschnitt bei 80,7 über die Desktop-, Mobile- und Web-Splits von ScreenSpot-v2, gegenüber einzelnen Ziffern im vorherigen Release und deutlich vor dem 8-Milliarden-Parameter-Modell Gemma-4-E4B bei 50,9, aber hinter dem größeren InternVL 3.5 4B bei 84,2. Beim Grounding, bei dem das Modell Begrenzungsboxen für in natürlicher Sprache beschriebene Objekte zurückgibt, springt die RefCOCO-Präzision von 57,1 auf 87,9, ein Gewinn von über 30 Punkten, den Liquid AI der skalierten synthetischen Grounding-Daten zuschreibt.

Funktionsaufrufe sind neu in der Vision-Linie des Unternehmens. Beim ToolSandbox, der die Werkzeugnutzung misst, verdoppelt sich der Score von 26,4 auf 59,5, was das 3,1-Milliarden-Parameter-Modell auf ein Level mit Gemma-4-E2B und vor Qwen3.5-2B bringt. Die multi-Bild-Argumentation verbessert sich ebenfalls deutlich, wobei BLINK von 50,2 auf 61,5 und MuirBench von 34,9 auf 58,3 ansteigt.

Über die gesamte 28-Benchmark-Vision-Suite hinweg liegt LFM2.5-VL-3B im Durchschnitt bei 69,4, eine Verbesserung von 12 Punkten gegenüber dem Vorgängermodell bei 57,2 und innerhalb von 0,7 Punkten des größeren 4,7-Milliarden-Parameter-Modells Qwen3.5-4B. Der Durchschnitt verdeckt jedoch reale Unterschiede: Das Modell liegt hinter seinen Konkurrenten in einigen allgemeinen Suites und verliert sogar Boden bei CountBenchQA, das von 92,2 auf 87,3 fällt.

Was das Modell bewusst auslässt

LFM2.5-VL-3B ist ein nicht-argumentierendes Modell. Es antwortet direkt, anstatt eine Zwischenkette von Gedanken zu generieren, eine Designentscheidung, die Liquid AI als Latenzoptimierung darstellt: Die Modellkarte empfiehlt es für “einzelne, hochdurchsatzige, niedrige Latenz-Aufgaben”, und nennt Echtzeit-Objekterkennung für automotive Anwendungen, Batch-OCR von gescannten Dokumenten und die Übersetzung von Menüs und Straßenschildern auf dem Gerät als beabsichtigte Arbeitslasten.

Die gleiche Karte stellt klar, wofür das Modell nicht geeignet ist. Es “wird nicht für langen Kontext, argumentationsintensive Aufgaben wie visuelles Webdesign oder die Beantwortung hochtechnischer Fragen zu Blaupausen empfohlen”. Der Kontextumfang beträgt 32.768 Token, und die Karte markiert sein Layout-Annotation-OCR-Format als experimentell, warnt, dass es “geändert, unzuverlässig oder nicht trivial zu parsen sein kann”. Dies sind die vom Hersteller selbst genannten Einschränkungen, und sie markieren, wo die Fähigkeitsansprüche enden.

Die Geschwindigkeitszahlen, die die Veröffentlichung verankern, folgen aus dieser Designentscheidung. Liquid AI berichtet über Decodiergeschwindigkeiten von 228 Token pro Sekunde auf einem Apple M5 Max und 116 Token pro Sekunde auf einem AMD Ryzen AI Max+ 395, in etwa 3 GB Speicher, und 20 Token pro Sekunde auf einem Galaxy S26 Ultra. Auf einer einzelnen NVIDIA H100 misst das Unternehmen die Zeit bis zum ersten Token bei etwa 34 Millisekunden auf einem fünf-Rahmen-Video-Clip, gegenüber etwa 200 Millisekunden für die Gemma-Modelle, und eine Ausgabedurchsatzrate nahe 11.000 Token pro Sekunde bei hoher Konkurrenz, was es als fast eine Milliarde Ausgabetoken pro Tag auf einer Karte bezeichnet.

LFM2.5-VL-3B in Zahlen

• 3,1 Milliarden Parameter; 34 Billionen Vorgehens-Token; 32.768-Token-Kontext
• 69,4 Durchschnitt über 28 Vision-Benchmarks, gegenüber 57,2 für LFM2-VL-3B
• 80,7 Durchschnitt auf ScreenSpot-v2-Bildschirmverständnis, gegenüber 2,5 bis 7,6 pro Split auf dem vorherigen Modell
• 87,9 RefCOCO-Präzision, gegenüber 57,1
• 59,5 auf ToolSandbox-Funktionsaufrufe, gegenüber 26,4
• 228 Token/s Decodierung auf Apple M5 Max; 20 Token/s auf Galaxy S26 Ultra; etwa 3 GB Speicherfußabdruck
• Etwa 11.000 Ausgabetoken/s bei hoher Konkurrenz auf einer einzelnen H100

Was mit LFM2.5-VL-3B geliefert wird

Die Gewichte sind jetzt auf Hugging Face unter einer Open-Weight-Lizenz verfügbar, mit quantifizierten Exporten in GGUF-, ONNX- und MLX-Formaten und Tag-1-Unterstützung für llama.cpp, MLX, vLLM, SGLang und ONNX-Laufzeiten. Ein WebGPU-Demo läuft das Modell vollständig im Browser, und das Unternehmen listet 16 unterstützte Sprachen auf, darunter Englisch, Arabisch, Chinesisch, Japanisch und Hindi.

Die Veröffentlichung rundet die LFM2.5-Familie ab, die Liquid AI in der zweiten Hälfte des Jahres 2026 aufgebaut hat: Das LFM2.5-2.6B-Textmodell am 4. August 2026, Encoder-Varianten für langen Kontext-CPU-Schlußfolgerung im späten Juli 2026 und jetzt die Flaggschiff-Vision-Ebene, die der kleineren LFM2.5-VL-1.6B- und 450M-Varianten folgt. Feinabstimmungs-Notebooks und Dokumentationen werden zusammen mit den Gewichten geliefert, so dass das Modell an spezifische Grounding-, OCR- oder Werkzeugaufruf-Arbeitslasten angepasst werden kann, beginning am ersten Tag.