LFM2.5-VL-3B リリースノート / 新機能

Liquid AIは、デバイス上およびエッジでの高性能なデプロイメント向けに設計されたビジョンランゲージモデル（VLM）であるLFM2.5-VL-3Bを発表しました。このモデルは、低レイテンシを維持するために、思考の連鎖（chain-of-thought）よりも直接的な回答を優先するように最適化された、リアルタイムアプリケーション向けのモデルです。

主要な機能と改善点

LFM2.5-VL-3Bは、以前のリリースと比較して4つの主要な強化を導入しています：

スクリーンおよびUIの理解: さまざまなデバイスにわたるデジタル画面を解釈する能力が向上しました。
Grounding: 自然言語クエリを使用したオブジェクト検出およびグラウンディングが改善されました。
Multi-image Input: 複数の画像を同時に処理する際の推論能力が向上しました。
Function Calling: テキストのみのシナリオとビジョン・テキストの両方のシナリオにおいて、ツール使用および関数呼び出しが大幅に改善されました。

技術アーキテクチャとトレーニング

LFM2.5-VL-3Bは、3.1Bパラメータのモデルであり、SigLIP2 400M NaFlexビジョンエンコーダと、LFM2.5-2.6Bテキストモデルで使用されている事前学習済みバックボーンを組み合わせています。

トレーニングデータとプロセス

Pre-training: モデルは約34兆トークンで事前学習されました。これには、画像キャプション作成、OCR、グラウンディング、および指示に従うための、精選および合成されたセットを利用した、以前のバージョンよりも4倍多いビジョンデータが含まれています。
Tokenizer: 非ラテン文字をサポートするために、in-place tokenizer extensionを使用して語彙を128Kに拡張しました。
Post-training: トレーニングパイプラインは2つのステージで構成されています：大規模な教師モデルからの知識蒸留を利用した教師あり微調整（SFT）とAntidoomトレーニング、それに続くマルチリワード強化学習（RL）です。

パフォーマンス・ベンチマーク

ビジョン・パフォーマンス

LFM2.5-VL-3Bは、実世界の画像タスクにおいてそのサイズクラスをリードしており、チャートやUI要素を含むデジタルコンテンツの読み取りにおいて強力なパフォーマンスを示しています。比較テスト（正規化 0-100）では、ビジョン・ベンチマーク全体で平均スコア69.4を達成し、InternVL 3.5 4B (69.4) および Qwen3.5-4B (70.1) と僅差で競っています。

注目すべきベンチマーク結果は以下の通りです：

ScreenSpot-v2 (Desktop/Mobile/Web): LFM2-VL-3Bと比較して大幅な性能向上を達成し、スコアは78.7 (Desktop), 81.2 (Mobile), 82.2 (Web) でした。
RefCOCO-avg (Grounding): 87.9を記録し、以前のバージョンと比較して57.1から大幅に増加しました。
BLINK (Multi-Image): 61.5を記録し、Gemma-4-E4B-it (52.2) や Qwen3.5-2B (48.6) といった複数のより大きなモデルを上回りました。

テキストおよびツール使用パフォーマンス

テキストのみのベンチマークでは、LFM2.5-VL-3Bは指示に従う能力（IFEval: 82.3）の向上と、ツール使用能力の急激な増加を示しました。ToolSandbox (59.5) においては、Gemma-4-E2B (56.5) および Qwen3.5-2B (47.7) と同等のパフォーマンスを発揮しました。

推論速度とハードウェア互換性

LFM2.5-VL-3Bはエッジ向けに設計されており、約3 GBのメモリに収まります。llama.cpp, MLX, vLLM, SGLang, および ONNX を初日からサポートしています。

デバイス上でのベンチマーク

M5 Max: 228 tokens/s
Ryzen AI Max+ 395: 116 tokens/s
Galaxy S26 Ultra: 20 tokens/s

GPUスループット

H100 GPU上では、高コンカレンシー（高並列性）において、モデルは毎秒約11Kトークンという出力スループットを実現し、これは4Bクラスのモデルのスループットの約2倍です。これにより、単一のH100で1日あたりほぼ10億トークンの出力を可能ですにします。

実装

LFM2.5-VL-3BはHugging Faceで利用可能であり、transformers>=5.10.1 と互換性があります。画像の説明、グラウンディング、およびOCRのタスクには、AutoModelForImageTextToText および AutoProcessor を使用してロードできます。