一句话看懂：Liquid AI 开源了一款 3B 参数级别的视觉语言模型 LFM2.5-VL-3B，主打屏幕理解与工具调用能力，能在手机、网页和桌面软件中识别界面元素、输出坐标并直接执行操作，且可在端侧设备流畅运行，为小模型在“智能体+端侧”方向上提供了一个新选项。
事件核心：发生了什么
Liquid AI 于 2026 年 8 月 12 日发布并开源了 LFM2.5-VL-3B。这是一款轻量级视觉语言模型，总参数量 3.1B，由 LFM2.5-2.6B 主干网络和 SigLIP2 400M 视觉编码器组成，预训练数据约 34T token，词表大小 128K，支持非拉丁文字。与上一代相比，它在屏幕定位和工具调用上提升明显：RefCOCO 从 57.1 升至 87.9，ToolSandbox 从 26.4 升至 59.5，ScreenSpot-v2 达到 80.7，TextVQA 为 84.3。模型支持通过图像直接触发工具调用，无需先用文字描述画面。官方公布的推理速度显示，在 M5 Max 上达到 228 tok/s，在 AMD Ryzen AI Max+ 上为 116 tok/s，运行内存仅需 3.3GB，Galaxy S26 Ultra 上也能跑出 20 tok/s。
为什么重要
LFM2.5-VL-3B 的价值在于把“看得懂屏幕”和“能干点事”压缩进了一个 3B 量级、能在本地运行的模型里。这不同于以往大型多模态模型主要跑在云端 API 上的模式，直接把 GUI 理解与操作能力放到了终端设备上。对这一赛道而言，屏幕理解是 AI 智能体与真实软件交互的基础能力；能离线运行、响应速度快、内存占用低，意味着开发者在构建端侧智能体或自动化工具时，多了一个不依赖云端算力、数据更可控的选项。同时，它选择了开源路径，也使得中小团队可以直接基于模型做二次开发和部署。
对用户/开发者/创作者的影响
对开发者来说，这是一个可以直接拿来用的开源模型：Hugging Face 上提供了 GGUF、ONNX、MLX 等量化版本，官方支持 transformers、vLLM、SGLang、llama.cpp 等推理框架，浏览器里也有 WebGPU demo 可快速试玩，降低了集成和测试成本。对普通用户而言，这类模型意味着未来的手机或电脑可以本地完成“看屏幕、读信息、执行操作”的任务，比如辅助无障碍操作、自动整理界面信息，但目前体验还受限于设备性能和模型能力边界。对创作者和UI/UX从业者，它可用于界面截图的分析与标注，但需要注意，官方明确说明它不适合长上下文和强推理任务，视觉网页设计、技术图纸问答这类场景表现有限，不能当作通用视觉模型来看待。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，LFM2.5-VL-3B 在标准屏幕理解基准如 ScreenSpot-v2 上表现良好，但 MMMU Pro 仅 30.5，显著低于 Qwen3.5-4B 的 60.9，说明复杂跨学科理解仍是短板；同时 InternVL 3.5 4B 屏幕理解分数也更高，所以竞争仍然激烈。后续值得观察三点：一是 Liquid AI 下一步是否会推出更大尺寸版本，以覆盖更复杂的推理任务；二是开源社区围绕端侧部署工具的生态是否快速成熟，特别是在手机和 PC 上的实际延迟表现；三是其他开源模型厂商是否会跟进优化 GUI grounding 方向，引发新一轮小模型能力竞赛。对于真正想落地到业务中的人，建议自己拿真实业务截图跑一遍基准，而不是只看官方数据。
来源：@0xCkvin
