💡
原文中文，约2500字，阅读约需6分钟。
📝
内容提要
Liquid AI 发布了 LFM2-VL-3B，这是一个具有 30 亿参数的视觉语言模型，专用于图像文本到文本任务。该模型提高了准确率并保持了处理速度，支持高达 512×512 的图像输入，适合边缘设备使用，评估得分具有竞争力。
🎯
关键要点
- Liquid AI 发布了 LFM2-VL-3B，这是一个具有 30 亿参数的视觉语言模型。
- 该模型专用于图像文本到文本任务，旨在提高准确率并保持处理速度。
- LFM2-VL-3B 支持高达 512×512 的图像输入，适合边缘设备使用。
- 模型接受交错的图像和文本输入，并生成文本输出，提供类似 ChatML 的模板。
- 架构包括语言塔、形状感知视觉塔和投影器，允许用户限制视觉标记的预算。
- 模型的训练采用分阶段的方法，结合了大规模开放数据集和内部合成视觉数据。
- 在多个基准测试中，LFM2-VL-3B 的得分具有竞争力，如 MM-IFEval 得分 51.83。
- 该模型的多语言视觉理解能力扩展到多种语言，包括中文和英语。
- 边缘用户可以利用该架构的计算和内存优化，适合本地处理和严格数据边界的应用。
- LFM2-VL-3B 提供开放权重和 GGUF 构建，降低了集成阻力。
❓
延伸问答
LFM2-VL-3B 模型的主要特点是什么？
LFM2-VL-3B 是一个具有 30 亿参数的视觉语言模型，专注于图像文本到文本任务，旨在提高准确率并保持处理速度，支持高达 512×512 的图像输入。
LFM2-VL-3B 如何处理图像和文本输入？
该模型接受交错的图像和文本输入，并生成文本输出，提供类似 ChatML 的模板。
LFM2-VL-3B 的训练方法是什么？
模型采用分阶段的方法进行训练，结合大规模开放数据集和内部合成视觉数据，进行联合中期训练和监督微调。
LFM2-VL-3B 在基准测试中的表现如何？
在多个基准测试中，LFM2-VL-3B 的得分具有竞争力，如 MM-IFEval 得分 51.83，RealWorldQA 得分 71.37。
为什么边缘用户应该使用 LFM2-VL-3B？
该模型架构优化了计算和内存，适合本地处理和严格数据边界的应用，特别适合机器人、移动和工业客户。
LFM2-VL-3B 支持哪些语言？
该模型的多语言视觉理解能力扩展到多种语言，包括中文和英语等。
➡️
