Liquid AI lance LFM2.5-VL-3B pour une intelligence artificielle vision-langage plus rapide sur les appareils périphériques

Liquid AI a publié LFM2.5-VL-3B le 12 août 2026, un modèle de vision-langage ouvert de 3,1 milliards de paramètres conçu pour fonctionner sur les téléphones, les ordinateurs portables et les GPU simples plutôt que dans un centre de données. Le modèle, annoncé sur le blog de l’entreprise et publié sur Hugging Face avec des poids disponibles immédiatement, étend le LFM2-VL-3B de l’année dernière avec une compréhension d’écran plus solide, un ancrage d’objet, un raisonnement multi-image et un appel de fonction.

L’entreprise positionne la sortie comme son modèle de vision le plus capable pour le matériel auto-hébergé. Dans le billet de publication, Liquid AI le décrit comme “notre modèle de vision-langage le plus capable”, qui “offre des performances de vision concurrentielles contre des modèles deux fois plus grands, tout en fonctionnant plus rapidement sur une gamme de déploiements CPU et GPU, même par rapport aux modèles qui ont moins de paramètres”.

Toutes les données de référence et de vitesse de cette version sont fournies par le fabricant : Liquid AI a effectué les évaluations lui-même en utilisant vLLM 0.26.0, avec chaque modèle en mode non raisonnant et invité à répondre directement. Aucune évaluation indépendante du nouveau modèle n’existe encore, ce qui est l’état de jeu attendu le jour de la publication, bien que la couverture récente de Unite.AI sur une étude d’Amazon qui a évalué plusieurs des mêmes modèles comparatifs illustre pourquoi le comportement de transcription mesuré de manière indépendante peut diverger des scores de référence propres.

Comment LFM2.5-VL-3B lit les écrans, les documents et les images multiples

Le modèle associe un encodeur de vision SigLIP2 400M NaFlex de Google avec le même modèle de base pré-entraîné que le modèle de texte LFM2.5-2.6B de Liquid AI, publié le 4 août 2026. Selon la fiche du modèle, il a été pré-entraîné sur environ 34 billions de jetons avec quatre fois plus de données de vision que son prédécesseur, et son vocabulaire a été doublé à 128 000 jetons en étendant le tokenizer existant plutôt que de le réentraîner, un changement destiné aux scripts non latins. L’entraînement postérieure combine un affinement supervisé avec une distillation de connaissances à partir d’un modèle enseignant plus grand, suivi d’un apprentissage par renforcement à récompenses multiples.

Quatre domaines de capacité définissent la mise à niveau par rapport à LFM2-VL-3B. Sur la compréhension d’écran, le modèle moyenne 80,7 sur les splits de bureau, mobile et web de ScreenSpot-v2, contre des chiffres à un chiffre sur la version précédente et bien avant le modèle Gemma-4-E4B de 8 milliards de paramètres à 50,9, bien que derrière le plus grand InternVL 3.5 4B à 84,2. Sur l’ancrage, où le modèle renvoie des boîtes de délimitation pour les objets décrits dans le langage naturel, la précision RefCOCO passe de 57,1 à 87,9, un gain de plus de 30 points que Liquid AI attribue à des données de mise au sol synthétiques à grande échelle.

L’appel de fonction est nouveau dans la gamme de vision de l’entreprise. Sur ToolSandbox, qui mesure l’utilisation d’outils, le score plus que double, passant de 26,4 à 59,5, ce qui place le modèle de 3,1 milliards de paramètres au pair avec Gemma-4-E2B et devant Qwen3.5-2B. Le raisonnement multi-image s’améliore également fortement, avec BLINK passant de 50,2 à 61,5 et MuirBench de 34,9 à 58,3.

Sur l’ensemble des 28 références de vision, LFM2.5-VL-3B moyenne 69,4, une amélioration de 12 points par rapport aux 57,2 de son prédécesseur et à moins de 0,7 point du plus grand modèle Qwen3.5-4B de 4,7 milliards de paramètres. La moyenne cache une texture réelle : le modèle est devancé par ses rivaux sur certaines suites générales et perd même du terrain sur CountBenchQA, qui passe de 92,2 à 87,3.

Ce que le modèle laisse intentionnellement de côté

LFM2.5-VL-3B est un modèle non raisonnant. Il répond directement plutôt que de générer une chaîne intermédiaire de pensée, un choix de conception que Liquid AI présente comme une optimisation de la latence : la fiche du modèle recommande pour “des tâches à tour unique, à haut débit, à faible latence”, en citant la détection d’objets en temps réel pour les applications automobiles, l’OCR par lots de documents scannés et la traduction sur appareil de menus et de panneaux routiers comme charges de travail prévues.

La même carte indique clairement ce pour quoi le modèle n’est pas conçu. Il “n’est pas recommandé pour des tâches à long contexte, à raisonnement intensif, telles que la conception de pages Web, ou pour répondre à des questions très techniques sur des plans”. La longueur de contexte est de 32 768 jetons, et la carte signale son format OCR d’annotation de mise en page comme expérimental, avertissant qu’il “peut changer, peut être peu fiable et peut ne pas être trivial à analyser”. Ce sont les propres contraintes du fabricant, et elles marquent où les revendications de capacité s’arrêtent.

Les chiffres de vitesse qui ancrent la version suivent de cette conception. Liquid AI rapporte des vitesses de décodage de 228 jetons par seconde sur un Apple M5 Max et de 116 jetons par seconde sur un AMD Ryzen AI Max+ 395, dans environ 3 Go de mémoire, et de 20 jetons par seconde sur un Galaxy S26 Ultra. Sur une seule carte NVIDIA H100, l’entreprise mesure le temps jusqu’au premier jeton à environ 34 millisecondes sur un clip vidéo de cinq cadres, contre environ 200 millisecondes pour les modèles Gemma, et un débit de sortie proche de 11 000 jetons par seconde à haute concurrence, ce qui équivaut à presque un milliard de jetons de sortie par jour sur une seule carte.

LFM2.5-VL-3B en chiffres

• 3,1 milliards de paramètres ; 34 billions de jetons de pré-entraînement ; 32 768 jetons de contexte
• 69,4 de moyenne sur 28 références de vision, contre 57,2 pour LFM2-VL-3B
• 80,7 de moyenne sur ScreenSpot-v2 pour la compréhension d’écran, contre 2,5 à 7,6 par split sur le modèle précédent
• 87,9 de précision RefCOCO pour l’ancrage, contre 57,1
• 59,5 sur ToolSandbox pour l’appel de fonction, contre 26,4
• 228 jetons/s de décodage sur Apple M5 Max ; 20 jetons/s sur Galaxy S26 Ultra ; empreinte mémoire d’environ 3 Go
• Environ 11 000 jetons/s de sortie à haute concurrence sur une seule H100

Ce qui est livré avec LFM2.5-VL-3B

Les poids sont téléchargeables maintenant sur Hugging Face sous une licence de poids ouvert, avec des exportations quantifiées au format GGUF, ONNX et MLX et une prise en charge du jour un sur llama.cpp, MLX, vLLM, SGLang et ONNX. Un démonstration WebGPU exécute le modèle entièrement dans le navigateur, et l’entreprise liste 16 langues prises en charge, dont l’anglais, l’arabe, le chinois, le japonais et l’hindi.

La version complète la famille LFM2.5 que Liquid AI a assemblée au cours de la deuxième moitié de 2026 : le modèle de texte LFM2.5-2.6B le 4 août 2026, les variantes d’encodeur pour l’inférence CPU à long contexte à la fin juillet 2026, et maintenant le niveau de vision phare, qui suit les plus petites variantes LFM2.5-VL-1.6B et 450M. Les cahiers de notes de réglage et la documentation sont livrés avec les poids, de sorte que le modèle peut être adapté à des charges de travail spécifiques d’ancrage, d’OCR ou d’appel d’outils dès le premier jour. Les variants pour l’inférence CPU à long contexte en juillet 2026, et maintenant le niveau de vision phare, qui suit les plus petites variantes LFM2.5-VL-1.6B et 450M. Fine-tuning notebooks and documentation ship alongside the weights, so the model can be adapted to specific grounding, OCR, or tool-calling workloads from the first day. riants pour l’inférence CPU à long contexte en fin juillet 2026, et maintenant le niveau de vision phare, qui suit les plus petites variantes LFM2.5-VL-1.6B et 450M. Fine-tuning notebooks and documentation ship alongside the weights, so the model can be adapted to specific grounding, OCR, or tool-calling workloads from the first day.