LFM2.5-VL-3B: Liquid AIs neues 3B Vision-Language-Modell für den Edge-Bereich

Das erste, was man über LFM2.5-VL-3B wissen sollte, ist, dass es in zwei Halbschritten veröffentlicht wurde. Die Gewichte erschienen am 11. August 2026 auf Hugging Face – ein vollständiger bf16-Checkpoint, eine Modellkarte mit einer Benchmark-Tabelle und einer sechzehnsprachigen README-Datei, und ohne dazugehörige Ankündigung. Die Karte zeigte null Downloads. Am nächsten Tag, dem 12. August, veröffentlichte Liquid AI den offiziellen Artikel „LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge", und aus der stillen Veröffentlichung wurde eine richtige. Wenn Sie dies in derselben Woche lesen, lesen Sie einen der frühesten unabhängigen Berichte über ein Modell, das außerhalb von Liquids Labor noch fast niemand ausgeführt hat – hier ist also, was tatsächlich aus dem Repository bekannt ist und was nicht.

Was LFM2.5-VL-3B ist

LFM2.5-VL-3B ist ein Vision-Language-Modell – Bild- und Texteingabe, Textausgabe – basierend auf dem LFM2.5-Text-Backbone von Liquid AI. Konkret: Das Sprachmodell ist das LFM2.5-2.6B, gepaart mit einem SigLIP2 NaFlex 400M Vision-Encoder, mit insgesamt etwa 3,1 Milliarden Parametern. Es behält die hybride Architektur der Familie bei, bestehend aus kurzreichweitigen Gated-Convolutionsblöcken, die mit Grouped-Query-Attention verschachtelt sind, einem Vokabular von 128.000 Token und einem Kontextfenster von 32.768 Token. Es unterstützt sechzehn Sprachen (Englisch, Arabisch, Chinesisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Polnisch, Portugiesisch, Russisch, Spanisch, Thailändisch, Vietnamesisch), wird in bfloat16 ausgeliefert und ist unter der offenen lfm1.0-Lizenz von Liquid lizenziert.

Es ist kein Modell von Grund auf. Die Modellkarte beschreibt es als eine multimodale Variante von LFM2.5, die auf dem früheren LFM2-VL-3B aufbaut und weiteres Mid- und Post-Training erhalten hat. Diese Abstammung ist von Bedeutung: Die visuellen Fähigkeiten sind auf einem Textmodell aufgesetzt, das bereits mit etwa 34 Billionen Tokens vortrainiert wurde – die Sprachseite ist also kein Spielzeug, sondern dieselbe Familien-Engine, die auch die Textmodelle verwenden, mit einem aufgeschweißten Vision-Encoder, der für visuelle Aufgaben neu trainiert wurde.

Was es kann

Liquids Bericht hebt vier Verbesserungen gegenüber dem bisherigen LFM2-VL-3B hervor: Verständnis von Bildschirmen und Benutzeroberflächen, Funktionsaufrufe, Grounding und Mehrbild-Eingabe. Einfach ausgedrückt bedeutet das:

• Grounding — zeigen Sie mit natürlichsprachigen Abfragen („das Stoppschild“, „die Preisspalte“) auf Objekte und erhalten Sie eine normalisierte Position zurück.

• Bildschirmverständnis — beantwortet Fragen dazu, was auf dem Bildschirm zu sehen ist und wo es sich befindet, gemessen an ScreenSpot-v2.

• OCR mit Layout-Anmerkungen — Ganzseiten-OCR, das auch die Dokumentstruktur zurückgibt, mit 23 Layout-Labels (Text, Titel, Liste, Tabelle, Tabellenbeschriftung, Diagramm, Gleichung, Code, Seitenkopf- und Seitenfußzeilen und mehr) als normalisierte Ganzzahlkoordinaten.

• Tool-Nutzung — ein vierstufiger Funktionsaufruf-Ablauf, der Tool-Definitionen als JSON entgegennimmt, pythonische Aufrufe zwischen Tool-Call-Tokens ausgibt und eine finale Klartext-Antwort zurückgibt.

• Multi-Bild-Eingabe — über mehrere Bilder in einer einzelnen Runde Schlussfolgerungen ziehen.

Liquids eigene Hinweise dazu, wo es nicht passt, sind ungewöhnlich präzise. Die Karte empfiehlt es für Single-Turn-Aufgaben mit hohem Durchsatz und geringer Latenz — echtzeitnahe Objekterkennung im Automobilbereich, Batch-OCR von gescannten Dokumenten, On-Device-Übersetzung von Speisekarten und Verkehrsschildern — und warnt ausdrücklich vor langkontextigen, reasoning-intensiven Arbeiten, visuellem Webdesign und hochtechnischen Blueprint-Fragen.

Die Zahlen — alles von Anbietern gemeldete.

Jede Abbildung in diesem Abschnitt stammt aus Liquid AIs eigenem Model Card und Blogbeitrag. Nichts davon wurde unabhängig reproduziert, und bis ein Dritter den Checkpoint ausführt, solltest du diese Angaben als Behauptungen und nicht als Fakten betrachten. Diese Kennzeichnung leistet hier echte Arbeit, denn die Erfolgsbilanz ist auf dem Papier wirklich stark:

• Grounding — RefCOCO-Makro-Präzision@1 von 87,9, gestiegen von 57,1 beim vorherigen LFM2-VL-3B — ein Sprung von etwa dreißig Punkten, den Liquid dem Vision-Post-Training zuschreibt.

• Bildschirmverständnis — ScreenSpot-v2-Durchschnitt von 80,7, der laut Liquid vor der 78,5 liegt, die Liquid Qwen3.5-4B zuschreibt.

• Tool-Nutzung — ToolSandbox 59,5, mehr als doppelt so viel wie die 26,4, die Liquid auf LFM2-VL-3B erreichte; BFCLv4 32,5, gestiegen von 20,5.

• Allgemeines visuelles Denken — MME 73.1, MMStar 63.3, RealWorldQA 73.1, MMMB 83.0, ChartQA 81.3, MathVista 68.5, POPE 88.7.

• OCR — OCRBenchv2 (englischer Teilbereich) 47,5, gegenüber 43,9.

• Schwieriges multimodales Denken — MMMU Pro 30.5, BLINK 61.5, MuirBench 58.3 — die schwächere Seite, wie bei einem 3B-Modell zu erwarten.

• Geschwindigkeit, vom Anbieter gemessen — 228 Token/s auf einem Apple M5 Max, 116 Token/s auf einem AMD Ryzen AI Max+ 395 und 20 Token/s auf einem Galaxy S26 Ultra, alles innerhalb von etwa 3,3 GB Speicher. Auf einer H100 mit vLLM gibt Liquid etwa 11.000 Ausgabe-Token/s bei hoher Parallelität und eine Zeit bis zum ersten Token von etwa 34 ms für einen Clip mit fünf Frames an, was es darauf zurückführt, dass das Modell direkt antwortet, anstatt zu überlegen.

Das ist eine Menge Behauptungen für ein 3B-Modell, und es lohnt sich, den Hinweis in der Fußzeile der eigenen Modellkarte zu wiederholen: Das sind Liquids Zahlen. Die Kluft zwischen „in einer Laborbewertung gut abschneidet“ und „sich auf deinen Daten bewährt“ ist genau die Stelle, an der ein so neues Modell normalerweise scheitert.

Was noch nicht bekannt ist

Die ehrliche Liste offener Fragen:

• Kein unabhängiger Benchmark — zum Zeitpunkt dieses Schreibens erscheint LFM2.5-VL-3B auf keiner Drittanbieter-Bestenliste. Jede obige Punktzahl stammt vom Anbieter.

• Kein gehosteter Endpunkt — kein Inferenzanbieter bietet ihn bisher an. Das ist eine Self-Hosting-Geschichte, Punkt.

• Keine Nutzungsdaten – null Downloads am ersten Tag bedeutet kein Community-Feedback, keine Feinabstimmungen, kein „Ich habe es auf X ausgeführt und es ist bei Y abgestürzt.“ Die ersten Berichte aus der Praxis stehen uns noch bevor.

• Eine experimentelle Funktion — die Ausgabe der Layout-Annotationen wird von Liquid selbst als „experimentell“ und „kann sich ändern, kann unzuverlässig sein und ist möglicherweise nicht trivial zu parsen“ gekennzeichnet. Bauen Sie Ihren Parser noch nicht darauf auf.

• Spärliche Berichterstattung Dritter — die Presse der ersten Woche besteht meist aus kurzen Nachrichtenzusammenfassungen. Niemand hat einen gründlichen unabhängigen Test durchgeführt.

Nichts davon bedeutet, dass das Modell schlecht ist. Es bedeutet, dass es in der Art und Weise unerprobt ist, wie jedes Modell in den Tagen nach der Veröffentlichung unerprobt ist.

So führen Sie es selbst aus

Für ein so junges Modell ist die Ökosystem-Geschichte ungewöhnlich gut. Formatvarianten erschienen am selben Tag wie die Gewichte: GGUF für llama.cpp, ONNX und fünf MLX-Quantisierungen für Apple Silicon, zusammen mit dem nativen bf16-Checkpoint für Transformers, vLLM und SGLang. Liquid listet Unterstützung ab dem ersten Tag für llama.cpp, MLX, vLLM, SGLang und ONNX auf, plus eine WebGPU-Browserdemo. Empfohlene Sampling-Parameter sind Temperatur 0.2, top_k 50, Wiederholungsstrafe 1.0, wobei die Bildverarbeitung von der Prozessor-Konfiguration des Modells übernommen wird. Wenn man es heute Abend auf einem Laptop ausprobieren möchte, sind die MLX- oder GGUF-Builds der kürzeste Weg.

Was zu sehen

Zwei Dinge entscheiden, ob LFM2.5-VL-3B über den Hype-Zyklus hinaus relevant ist. Erstens, ob die Grounding- und Screen-Understanding-Werte einer unabhängigen Reproduktion standhalten – 80,7 auf ScreenSpot-v2 und 87,9 auf RefCOCO sind die beiden Behauptungen, die es am ehesten zu überprüfen lohnt, denn genau diese würden daraus ein wirklich disruptives Edge-Modell machen. Zweitens, ob ein gehosteter Endpunkt erscheint, denn das ändert die Rechnung von „interessantes Selbsthosting-Projekt“ zu „sofort einsatzbereit“. Und genau dann rechtfertigt eine Routing-Schicht ihren Nutzen: eine API für über 200 Modelle bedeutet, dass Sie an dem Tag, an dem Liquid oder ein Anbieter einen Endpunkt bereitstellt, LFM2.5-VL-3B neben die Modelle setzen, die Sie bereits aufrufen, ohne Ihre Integration zu ändern, zum Listenpreis des Anbieters ohne Aufschlag, und automatisches Failover ermöglicht es Ihnen, echten Datenverkehr darauf zu lenken, während ein bewährtes Modell die Anrufe abdeckt, die es vermasselt. Bis dahin ist es eine vielversprechende Selbsthosting-Geschichte – und für ein eine Woche altes Modell ist das bereits mehr, als die meisten Veröffentlichungen bekommen.