LFM2.5-VL-3B：为边缘端带来更好更快的视觉能力

事件核心：发生了什么

LiquidAI 在 Hugging Face 博客发布了 LFM2.5-VL-3B，这是其目前最强大的可本地部署视觉语言模型。相比此前的 LFM2-VL-3B，新模型在四个方向上有明显改进：屏幕/UI 理解、基于自然语言的目标定位（Grounding）、多图输入推理以及函数调用能力，其中函数调用同时支持纯文本和视觉文本混合场景。

模型架构上，LFM2.5-VL-3B 采用 SigLIP2 400M NaFlex 视觉编码器，搭配 LFM2.5-2.6B 文本模型的骨干网络，参数量 3.1B。预训练数据约 34T tokens，其中视觉数据量为前代的 4 倍，涵盖图像描述、OCR、目标定位和指令跟随等类型。为了支持非拉丁语系，词表从原有规模扩展至 128K，且采用了原地扩展而非重新训练的方式。

后训练分两阶段：先做监督微调，用更大规模的教师模型做知识蒸馏，并引入 Antidoom 训练（一种防范模型能力退化的训练方法）；再做基于多奖励的强化学习。官方强调该模型采用直接回答的模式，不输出显式推理过程，以保证实时交互场景的响应速度。

基准测试方面，新模型在 ScreenSpot-v2 桌面/移动/网页三项得分从上一代的 6.0/7.6/2.5 提升至 78.7/81.2/82.2，RefCOCO 平均分从 57.1 增至 87.9，多图理解 BLINK 从 50.2 升至 61.5，工具调用 ToolSandbox 从 26.4 大增至 59.5。

为什么重要

这件事值得关注的核心点在于：小参数模型正在缩小与大模型之间的能力差距。LFM2.5-VL-3B 只有 3.1B 参数，就能在屏幕理解、文档 OCR 和 grounding 等任务上逼近甚至部分超过 5B-8B 量级的 Gemma 3.5 和 InternVL 3.5 系列，这对“在边缘设备上跑得动且好用”这一目标具有重要意义。

LiquidAI 的技术路线也有独特性：拒绝在小型模型上强制加入链式思考（CoT），而是选择直接回答以保证速度；用原地扩展词表而非重新预训练来压低成本；用多奖励强化学习而非单纯堆数据来对齐能力。这些做法都是在“资源受限”这个前提下做取舍，对端侧 AI 的工程实践有参考价值。

此外，该模型发布在 Hugging Face 平台，意味着开发者可以立即下载权重自行部署，延续了开源小模型在工具调用和端侧智能体赛道上的竞争态势。

对用户/开发者/创作者的影响

对开发者而言：3.1B 参数量意味着有能力在消费级 GPU、边缘盒子甚至部分手机上运行。加上函数调用能力的增强，可以尝试构建本地 OCR、屏幕自动化、文档解析等应用，而不必把图像数据发送到云端 API。

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。

了解 GamsGo AI

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。

对普通用户：这类模型落地后，设备端的“看懂屏幕”类助手体验会明显改善，例如根据屏幕内容自动操作 App、识别聊天截图中的信息等，且响应速度更快、隐私更可控。

对内容创作者：模型的多语言 OCR 和图表理解能力可以用于批量处理扫描件、截图素材和图表数据，降低信息整理成本。

对企业和算力采购方：如果模型确实能在较小算力下完成 UI 理解和工具调用，会降低端侧 AI 方案的硬件门槛，值得在选型时对比测试。

值得关注的后续

一，LFM2.5-VL-3B 的实际部署效果是否能复现官方 benchmark 水平，尤其是 ScreenSpot-v2 相比前代 70 分以上的跃升是否在真实环境中同样显著，建议开发者自行验证后再决定集成。

二，LiquidAI 此前曾探索非 Transformer 架构（如 Liquid 架构），但本次模型明确采用“LFM2.5-2.6B 文本骨干”，意味着其架构路线是否已收敛到 Transformer，还需留意后续技术报告。

三，当前开源社区中 Qwen3.5-VL、InternVL 3.5 等同级别模型竞争激烈，LFM2.5-VL-3B 能否在生态工具链、量化支持和推理框架兼容性上跟上，将决定它是否能真正被规模化采用。

来源：Hugging Face Blog