Liquid AI 发布 LFM2.5-VL-3B：一款 3B 视觉语言模型，可读取屏幕、识别物体并调用设备端工具
内容提要
Liquid AI发布LFM2.5-VL-3B，31亿参数视觉语言模型，专为设备端设计，支持屏幕理解、函数调用、锚定和多图像输入。在28项基准测试中平均得分69.4，与4.7B模型相当。内存占用约3GB，解码速度228 tok/s。许可证对年收入低于1000万美元的公司免费，高收入需商业许可。
延伸解读
设备端部署的实用门槛
模型约占用3GB内存，在Apple M5 Max上解码速度达228 tok/s，但在Galaxy S26 Ultra上仅20 tok/s。这意味着实际部署时，推理速度高度依赖硬件，移动端可能无法满足实时交互需求。开发者需根据目标设备的算力评估是否适合直接部署，或考虑量化、剪枝等优化手段。
许可证的“收入门槛”陷阱
LFM开源许可证基于Apache 2.0，但商业使用免费仅限年收入低于1000万美元的公司。一旦企业收入超过该阈值，必须与Liquid AI协商商业许可。这要求企业在采用模型前，需明确自身收入规模及未来增长预期，避免因业务扩张而突然面临授权费用或合规风险。
屏幕理解与函数调用的实际价值
该模型在ScreenSpot-v2上得分80.7，显著高于Gemma-4-E4B（51.2），且函数调用能力从26.4提升至59.5（ToolSandbox）。这使其在GUI自动化测试、屏幕代理等场景中具备实用潜力。但函数调用得分仍低于屏幕理解，说明工具调用可靠性可能仍需验证，建议在关键任务中设置人工兜底。
Q&A
LFM2.5-VL-3B是什么？
LFM2.5-VL-3B是Liquid AI发布的一款31亿参数的视觉语言模型，专为设备端部署设计，能读取屏幕、识别物体并调用工具。
LFM2.5-VL-3B在基准测试中的表现如何？
在28项视觉基准测试中平均得分69.4，与InternVL-3.5-4B持平，比Qwen3.5-4B低0.7分，但参数量更少（31亿 vs 47亿）。
LFM2.5-VL-3B的许可证有什么限制？
基于Apache 2.0，但年收入超过1000万美元的公司需商业许可；低于此收入的开发者、初创公司可免费商用，研究、教育、非营利用途不受限。
LFM2.5-VL-3B支持哪些部署格式和运行时？
提供原生、GGUF、ONNX、MLX四种格式，支持llama.cpp、MLX、vLLM、SGLang、ONNX运行时。
LFM2.5-VL-3B相比上一代有哪些改进？
屏幕理解（ScreenSpot-v2从57.1升至80.7）、锚定（RefCOCO从57.1升至87.9）、新增函数调用（ToolSandbox从26.4升至59.5）、多图像输入（BLINK从50.2升至61.5）。
LFM2.5-VL-3B的硬件需求如何？
内存占用约3GB，在Apple M5 Max上解码速度228 tok/s，在Galaxy S26 Ultra上为20 tok/s。
LFM2.5-VL-3B有哪些应用场景？
设备端屏幕代理、GUI测试自动化、PDF转结构化文本、发票OCR、车辆物体检测、离线翻译、多图像比较等。
