LFM2.5-VL-3B: Model Vision-Language 3B Baru dari Liquid AI untuk Edge

Hal pertama yang perlu diketahui tentang LFM2.5-VL-3B adalah bahwa model ini dirilis dalam dua setengah-langkah. Bobotnya muncul di Hugging Face pada 11 Agustus 2026 — sebuah checkpoint bf16 penuh, kartu model dengan tabel benchmark dan README dalam enam belas bahasa, dan tanpa disertai pengumuman apa pun. Kartu tersebut menunjukkan nol unduhan. Keesokan harinya, 12 Agustus, Liquid AI memposting tulisan resminya, "LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge," dan perilisan yang senyap itu menjadi perilisan yang sesungguhnya. Jika Anda membaca ini di minggu yang sama, Anda sedang membaca salah satu tulisan independen paling awal tentang sebuah model yang hampir belum dijalankan siapa pun di luar lab Liquid — jadi inilah yang sebenarnya dapat diketahui dari repositori, dan apa yang tidak.

Apa itu LFM2.5-VL-3B

LFM2.5-VL-3B adalah model visi-bahasa — masukan gambar dan teks, keluaran teks — yang dibangun di atas backbone teks LFM2.5 milik Liquid AI. Secara konkret: model bahasa tersebut adalah LFM2.5-2.6B, dipasangkan dengan encoder visi SigLIP2 NaFlex 400M, dengan total sekitar 3,1 miliar parameter. Model ini mempertahankan arsitektur hibrida keluarga tersebut, yaitu blok konvolusi bergerbang jarak pendek yang diselingi dengan grouped-query attention, kosakata 128.000 token, dan jendela konteks 32.768 token. Model ini mendukung enam belas bahasa (Inggris, Arab, Tionghoa, Prancis, Jerman, Hindi, Indonesia, Italia, Jepang, Korea, Polandia, Portugis, Rusia, Spanyol, Thailand, Vietnam), tersedia dalam bfloat16, dan dilisensikan di bawah lisensi terbuka lfm1.0 milik Liquid.

Ini bukan model yang dibuat dari awal. Kartu tersebut menggambarkannya sebagai varian multimodal dari LFM2.5 yang dibangun di atas LFM2-VL-3B sebelumnya dengan pelatihan lanjutan pada tahap menengah dan pasca-pelatihan. Silsilah itu penting: keterampilan visi dilapiskan di atas model teks yang telah dilatih sebelumnya pada sekitar 34 triliun token, jadi sisi bahasa bukanlah mainan — ini adalah mesin keluarga yang sama yang digunakan model-model teks, dengan encoder visi yang dilas dan dilatih ulang untuk pekerjaan visi.

Apa yang dapat dilakukannya

Tulisan Liquid menyoroti empat peningkatan dibandingkan LFM2-VL-3B sebelumnya: pemahaman layar dan UI, pemanggilan fungsi, grounding, dan input multi-gambar. Secara sederhana, itu berarti:

• Grounding — tunjuk objek dengan kueri bahasa alami ("rambu berhenti," "kolom harga") dan dapatkan lokasi yang dinormalisasi.

• Pemahaman layar — menjawab pertanyaan tentang apa yang ada di layar dan di mana, diuji pada ScreenSpot-v2.

• OCR dengan anotasi tata letak — OCR halaman penuh yang juga mengembalikan struktur dokumen, dengan 23 label tata letak (teks, judul, daftar, tabel, keterangan tabel, bagan, persamaan, kode, tajuk dan catatan kaki halaman, dan lainnya) sebagai koordinat bilangan bulat yang dinormalisasi.

• Penggunaan alat — alur pemanggilan fungsi empat langkah yang menerima definisi alat sebagai JSON, menghasilkan panggilan ala Python di antara token pemanggilan alat, dan mengembalikan jawaban akhir berupa teks biasa.

• Input multi-gambar — bernalar di beberapa gambar dalam satu giliran.

Panduan Liquid sendiri tentang di mana produknya tidak cocok sangat spesifik. Kartu tersebut merekomendasikannya untuk tugas satu giliran, throughput tinggi, dan latensi rendah — deteksi objek hampir real-time di otomotif, OCR batch untuk dokumen pindaian, terjemahan menu dan rambu jalan di perangkat — dan secara eksplisit memperingatkan agar tidak digunakan untuk pekerjaan berat penalaran konteks panjang, desain web visual, dan pertanyaan cetak biru yang sangat teknis.

Angka-angka — semuanya dilaporkan vendor.

Setiap angka pada bagian ini berasal dari kartu model dan postingan blog milik Liquid AI sendiri. Tidak satu pun dari ini telah direproduksi secara independen, dan sampai pihak ketiga menjalankan checkpoint tersebut, Anda harus menganggap ini sebagai klaim, bukan fakta. Label tersebut benar-benar berfungsi di sini, karena catatannya memang kuat di atas kertas:

• Grounding — Presisi makro RefCOCO@1 sebesar 87.9, naik dari 57.1 pada LFM2-VL-3B sebelumnya — lompatan sekitar tiga puluh poin yang dikreditkan Liquid ke pasca-pelatihan visi.

• Pemahaman layar — rata-rata ScreenSpot-v2 sebesar 80,7, yang menurut Liquid lebih tinggi dari 78,5 yang mereka atribusikan kepada Qwen3.5-4B.

• Penggunaan alat — ToolSandbox 59.5, lebih dari dua kali lipat 26.4 yang diukur Liquid pada LFM2-VL-3B; BFCLv4 32.5, naik dari 20.5.

• Penalaran visi umum — MME 73.1, MMStar 63.3, RealWorldQA 73.1, MMMB 83.0, ChartQA 81.3, MathVista 68.5, POPE 88.7.

• OCR — OCRBenchv2 (subset Bahasa Inggris) 47,5, naik dari 43,9.

• Penalaran multimodal yang sulit — MMMU Pro 30.5, BLINK 61.5, MuirBench 58.3 — sisi yang lebih lemah, seperti yang diharapkan untuk model 3B.

• Kecepatan, diukur vendor — 228 token/detik pada Apple M5 Max, 116 token/detik pada AMD Ryzen AI Max+ 395, dan 20 token/detik pada Galaxy S26 Ultra, semuanya dalam sekitar 3,3 GB memori. Pada H100 dengan vLLM, Liquid mengklaim sekitar 11K token keluaran/detik pada konkurensi tinggi dan waktu hingga token pertama sekitar 34 ms pada klip lima bingkai, yang diatribusikan Liquid pada model yang menjawab langsung alih-alih bernalar.

Itu adalah banyak klaim untuk satu model 3B, dan ada baiknya mengulangi peringatan di footer kartu model itu sendiri: ini adalah angka-angka Liquid. Kesenjangan antara "skor bagus di evaluasi lab" dan "berfungsi baik pada data Anda" adalah tepat di mana model baru seperti ini biasanya tersandung.

Apa yang belum diketahui

Daftar jujur pertanyaan terbuka:

• Tidak ada tolok ukur independen — pada saat penulisan ini, LFM2.5-VL-3B tidak muncul di papan peringkat pihak ketiga mana pun. Setiap skor di atas dilaporkan oleh vendor.

• Tidak ada endpoint yang di-hosting — belum ada penyedia inferensi yang menyediakannya. Ini adalah cerita self-host, titik.

• Tidak ada data penggunaan — nol unduhan di hari pertama berarti tidak ada umpan balik komunitas, tidak ada penyesuaian halus, tidak ada "Saya menjalankannya di X dan rusak di Y." Laporan dunia nyata pertama masih menanti kita.

• Fitur eksperimental — keluaran anotasi tata letak ditandai oleh Liquid sendiri sebagai "eksperimental" dan "dapat berubah, mungkin tidak dapat diandalkan, dan mungkin tidak mudah untuk diurai." Jangan bangun parser Anda di sekitarnya dulu.

• Liputan pihak ketiga yang minim — pemberitaan minggu pertama kebanyakan berupa ringkasan berita singkat. Belum ada yang melakukan pengujian independen yang mendalam.

Semua itu tidak berarti modelnya buruk. Itu berarti modelnya belum terbukti, seperti halnya model apa pun yang belum terbukti pada hari-hari setelah dirilis.

Cara menjalankannya sendiri

Untuk model semuda ini, cerita ekosistemnya luar biasa bagus. Varian format rilis di hari yang sama dengan bobotnya: GGUF untuk llama.cpp, ONNX, dan lima kuantisasi MLX untuk Apple Silicon, bersama checkpoint bf16 asli untuk Transformers, vLLM, dan SGLang. Liquid mencantumkan dukungan hari pertama di llama.cpp, MLX, vLLM, SGLang, dan ONNX, plus demo browser WebGPU. Parameter sampling yang direkomendasikan adalah temperature 0.2, top_k 50, repetition penalty 1.0, dengan visi ditangani oleh konfigurasi prosesor model. Jika Anda ingin mencobanya di laptop malam ini, build MLX atau GGUF adalah jalur terpendek.

Apa yang harus ditonton

Dua hal menentukan apakah LFM2.5-VL-3B benar-benar penting di luar siklus hype. Pertama, apakah angka grounding dan pemahaman layar bertahan dalam reproduksi independen — 80.7 di ScreenSpot-v2 dan 87.9 di RefCOCO adalah dua klaim yang paling layak diperiksa, karena itulah yang akan menjadikan model ini model edge yang benar-benar disruptif. Kedua, apakah endpoint ter-hosting muncul, karena itu mengubah kalkulasi dari "proyek self-host yang menarik" menjadi "siap dikirim hari ini." Dan justru saat itulah lapisan routing membuktikan nilainya: satu API untuk 200+ model berarti pada hari Liquid atau penyedia menyediakan endpoint, Anda menambahkan LFM2.5-VL-3B di samping model yang sudah Anda panggil tanpa mengubah integrasi Anda, dengan harga daftar penyedia tanpa markup, dan failover otomatis memungkinkan Anda mengarahkan lalu lintas nyata ke model tersebut sementara model yang terbukti menangani panggilan yang gagal. Sampai saat itu, ini adalah kisah self-host yang menjanjikan — dan untuk model yang baru berumur seminggu, itu sudah lebih dari yang kebanyakan rilis dapatkan.