LFM2.5-VL-3B: エッジコンピューティング向けに最適化された高速・高性能な3B視覚言語モデル

概要

Liquid AIが発表したLFM2.5-VL-3Bは、31億パラメータでありながら倍のサイズのモデルを凌駕する性能を持ち、画面理解やグラウンディング、高速なオンデバイス推論に特化した視覚言語モデルです。

詳細内容

Liquid AIは、最新の視覚言語モデル（VLM）「LFM2.5-VL-3B」をリリースしました。このモデルは、3.1Bというコンパクトなサイズながら、Gemma-4-E4B（8B）などの上位モデルを上回る視覚性能を実現しています。特にUI/画面理解（ScreenSpot-v2で80.7点）、関数呼び出し（ToolSandboxで前モデル比2倍以上の向上）、オブジェクトの座標特定（グラウンディング）において飛躍的な進化を遂げています。アーキテクチャ面ではSigLIP2 400M NaFlexエンコーダを統合し、34兆トークンの大規模な事前学習を実施。推論速度も極めて高速で、Apple M5 Maxで228 token/sを記録し、スマートフォン（Galaxy S26 Ultra）上でも動作します。llama.cpp、vLLM、MLXなどの主要エコシステムを初日からサポートしており、エッジデバイスでのリアルタイムAIアプリケーションに最適です。

元記事を読む他のサマリーを見る