LFM3-VL-2B: un modello vision da 1,92 miliardi di parametri il cui punteggio principale dipende da un solo interruttore

LiquidAI/LFM3-VL-2B è esistito pubblicamente per otto giorni prima che Liquid AI dicesse una parola al riguardo. Il repository Hugging Face è stato creato il 19 ottobre 2026, e una build GGUF è apparsa la stessa sera; l'annuncio del fornitore — un post sul blog, una collezione di modelli, una card con una tabella completa di benchmark — è arrivato il 27 ottobre. Il modello che sostituisce, LFM2.5-VL-3B, è l'ovvio parametro di riferimento: ha 3,1 miliardi di parametri contro gli 1,92 miliardi del nuovo modello, e sulla suite di 62 benchmark di Liquid il nuovo modello ha una media di 71,4 contro il 57,6 del vecchio. La stessa card registra anche un secondo numero che riceve molta meno attenzione: con il pensiero disabilitato, LFM3-VL-2B ha una media di 62,1. Quell'unico flag di configurazione vale 9,3 punti, ed è la differenza tra una vittoria generazionale decisiva e una modesta.

Questo articolo illustra ciò che risulta effettivamente documentato al 28 ottobre — la cronologia del repository, le specifiche, la tabella dei benchmark e le relative avvertenze — e indica chiaramente dove finiscono le prove.

Cosa è apparso, e quando

La tempistica è importante perché spiega perché il modello è arrivato senza alcuna copertura. Liquid AI non ha pubblicato un teaser, una lista d’attesa o un post di ricerca. Ha caricato i pesi e una model card, e la card è rimasta lì. I tracker di terze parti hanno notato il repository, e il primo scritto pubblico su LFM3-VL-2B è stata una speculazione basata su una pull request non integrata di un framework di inferenza, piuttosto che su qualcosa proveniente dal fornitore.

• Repository creato — 19 ottobre 2026, 19:51 UTC, secondo l'API di Hugging Face.

• Repository GGUF creato — 19 ottobre 2026, 20:29 UTC, trentotto minuti dopo.

• Ultima modifica della carta — 27 ottobre 2026, 16:24 UTC, il giorno dell'annuncio.

• Annuncio del fornitore — 27 ottobre 2026: un post sul blog della famiglia, un post sul blog di Hugging Face e una raccolta di modelli.

Quindi la descrizione accurata non è «rilasciato in sordina e ancora non annunciato». È «rilasciato in sordina, poi annunciato otto giorni dopo». Chiunque abbia scritto del repository in quella finestra stava descrivendo un checkpoint reale e scaricabile, ma non un prodotto con una posizione dichiarata nella gamma di Liquid. Quella posizione ora esiste: LFM3-VL-2B è il membro vision di una famiglia di sei modelli costruita su una base condivisa da 1,7B, e l'impostazione del fornitore è la comprensione visiva on-device — documenti, grafici, schermate di app, individuazione di oggetti e ragionamento spaziale per i robot.

Il modello, nei numeri della scheda stessa

La scheda di Liquid è insolitamente specifica su dove siano finiti i parametri, cosa che vale la pena notare perché "2B" in un nome di modello di solito nasconde più di quanto riveli.

• Parametri totali — 1,92B: un modello linguistico da 1,73B, un encoder visivo da 164M e un proiettore da 25M.

• Encoder — sviluppato internamente, convoluzione più attenzione, in sostituzione del tower SigLIP2 utilizzato nei modelli visivi LFM2.5.

• Modalità — testo, immagini e video in ingresso; testo in uscita. È il primo modello di visione LFM ad accettare video, campionati a 2 fotogrammi al secondo.

• Tokenizzazione visiva — ogni blocco 2×2 di patch diventa un token linguistico, alla risoluzione nativa.

• Contesto — 128K token, input più output, con una posizione massima di 128.000.

• Licenza — la LFM Open License v1.0, gli stessi termini non permissivi ma aperti del resto della famiglia.

• Pre-addestramento — il trunk LFM3-1.7B-Base, 22T token in totale, con un'estensione del contesto a 128K e un'estensione a 256K utilizzata durante il mid-training.

• Non consigliato per — programmazione, conversazioni multi-turno o ragionamento complesso, secondo le indicazioni della scheda stessa.

Quell'ultima riga è quella da leggere due volte. Un modello esplicitamente non raccomandato per le conversazioni multi-turno è anche un modello la cui finestra di contesto da 128K sarà difficile da usare nel modo in cui di solito si usa il contesto lungo. La finestra è reale ed è quasi quattro volte i 32.768 token di LFM2.5-VL-3B. Inoltre, su un modello da 1,92B, è una KV cache che cresce più rapidamente dei pesi a cui è collegata.

Sessantadue benchmark, un laboratorio e una tabella che cita per nome i suoi concorrenti

La sezione dei benchmark è la parte più utile del rilascio, e non solo perché i numeri sono alti. Liquid ha pubblicato una tabella di 62 benchmark che include il proprio modello in due configurazioni insieme a nove concorrenti: LFM2.5-VL-3B, MiniCPM-V 4.7 1B, Qwen3.5 2B, Qwen3.5 4B, InternVL3.5 4B, Gemma 4 E2B, Gemma 4 12B, GPT-5.6 Luna e Gemini 3.5 Flash Lite. Ogni punteggio è normalizzato a 0–100, ogni categoria è una media non ponderata dei suoi benchmark, e la media è una media non ponderata su tutti i 62.

Quello è un artefatto più falsificabile di un grafico da comunicato stampa. Nomina gli strumenti, nomina i concorrenti, e la scheda indica in nota quali modelli sono stati eseguiti con il ragionamento abilitato e quali no. Resta comunque lavoro del fornitore: Liquid ha scelto i 62 benchmark, ha eseguito ogni modello e ha pubblicato la tabella. Nessuno al di fuori dell'azienda ha riprodotto alcunché.

• Media — 71,4 per LFM3-VL-2B, contro 57,6 per LFM2.5-VL-3B e 57,5 per MiniCPM-V 4.7 1B.

• Documento, OCR e grafici — 83,9, la categoria su cui il pitch on-device fa più leva.

• Comprensione della GUI — 83,1, rispetto a 66,0 di LFM2.5-VL-3B.

• Grounding visivo — 77,3, contro 68,3.

• Video — 61,2, rispetto a 41,3, sul primo modello di visione LFM che gestisce il video.

• Agentico — 42,5, contro 21,1. La categoria più debole per ogni modello piccolo nella tabella.

• Matematica e ragionamento logico — 68,8, contro 40,6. Tieni a mente quel numero; è quello interessante.

La scheda formula tre affermazioni comparative in prosa: che LFM3-VL-2B supera di almeno 8 punti tutti i modelli di dimensioni simili sui 62 benchmark, che eguaglia Gemma 4 12B e che si colloca entro 2 punti da GPT-5.6 Luna pur superando Gemini 3.5 Flash Lite. Verificate rispetto alla tabella, queste affermazioni sono confermate: Gemma 4 12B ha una media di 71.7, GPT-5.6 Luna 73.4, Gemini 3.5 Flash Lite 70.0. Un modello da 1.92B con una media entro 0.3 da un modello da 12B è l'affermazione principale, ed è un'asserzione del fornitore su numeri prodotti dal fornitore.

L'interruttore del pensiero sta facendo la maggior parte del lavoro

LFM3-VL-2B riporta due punteggi per gli stessi pesi. In modalità di ragionamento ha una media di 71,4. Con il pensiero disattivato ha una media di 62,1. Il divario non è distribuito uniformemente tra le categorie — è concentrato dove ci si aspetterebbe che il ragionamento sia d'aiuto e quasi assente dove non lo sarebbe.

• Matematica e ragionamento logico — 68,8 con il thinking, 41,0 senza. Un divario di 27,8 punti, di gran lunga il più ampio.

• Documento, OCR e grafico — 83,9 contro 71,6. Un divario di 12,3 punti su attività che sembrano percettive ma spesso non lo sono.

• Comprensione dell'interfaccia grafica — 83,1 contro 81,5. Si muove appena, il che suggerisce che la capacità di lettura dello schermo risieda nell'encoder e nel post-addestramento, non nel ciclo di ragionamento.

• Percezione — 75,6 contro 68,9.

• Media — 71,4 contro 62,1.

La conseguenza è che il confronto principale favorisce il nuovo modello in un modo specifico. LFM2.5-VL-3B non supporta la modalità di ragionamento, quindi Liquid sta confrontando un modello che ragiona con uno che non ragiona. Il confronto equo è 62,1 contro 57,6: comunque una vittoria, ma con 4,5 punti di vantaggio anziché 13,8. E in quella configurazione non è più in testa rispetto a tutto ciò che gli sta intorno: Qwen3.5 2B ha una media di 64,0, anche se quel dato proviene anch'esso da un'esecuzione con ragionamento abilitato.

Niente di tutto ciò rende il rilascio meno interessante. Lo rende leggibile. Liquid ha creato un piccolo modello la cui distribuzione predefinita è veloce e non basata sul ragionamento, e il cui limite massimo è molto più alto quando gli si consente di pensare. Quale numero valga per voi dipende interamente dal fatto che il vostro prodotto possa permettersi la latenza di un ciclo di ragionamento su un telefono.

Cosa ti danno 1,92 miliardi su un dispositivo

Il caso dell'efficienza è la parte che Liquid sta effettivamente vendendo, e la scheda lo supporta con misurazioni anziché con aggettivi. Su un singolo NVIDIA B300 che esegue SGLang in BF16, il modello genera più di 12.000 token di output al secondo con 1.024 richieste concorrenti. Quel dato dice più sul batching che sul modello, ma stabilisce che il percorso di serving esiste fin dal primo giorno.

Sul dispositivo, la scheda pubblica prefill, decode e memoria di picco per ciascun modello confrontato con un carico di lavoro fisso: un'immagine 512×512, 1.024 token di testo in ingresso, 256 token in uscita, il tutto in llama.cpp con un modello linguistico GGUF Q4_0 e un proiettore visivo F16. Si tratta di una configurazione riproducibile, e la colonna della memoria è quella da leggere prima di puntare su un telefono.

Il tooling è concreto ma disomogeneo. Il supporto a SGLang era disponibile al lancio. Il supporto a llama.cpp è in revisione — pull request 31252 — e reca un'avvertenza esplicita da parte di Liquid: nessun input video per ora. I pesi GGUF esistono e precedono l'annuncio di otto giorni. Se il video è il motivo per cui vuoi questo modello, il percorso locale non è ancora completo, e la scheda lo dice.

Ciò che non è ancora conoscibile

Il confine onesto di questo articolo: tutti i dati quantitativi sopra provengono da Liquid AI. Non esiste una valutazione indipendente di LFM3-VL-2B, nessuna voce di leaderboard di terze parti, nessuna riproduzione della suite di 62 benchmark e nessun prezzo per token pubblicato per il modello sulla Liquid API al 28 ottobre. La scheda elenca la disponibilità tramite Hugging Face, il Liquid playground e la Liquid API, e i pesi sono aperti, ma «pesi aperti» e «verificati in modo indipendente» sono affermazioni diverse.

C'è anche uno scarto tra il dato aggregato e la storia del deployment. Una media su 62 benchmark è un buon strumento per classificare i modelli e uno scarso per prevedere il proprio carico di lavoro. Le categorie in cui LFM3-VL-2B è più forte — comprensione delle GUI, visual grounding, lettura di documenti e grafici — sono esattamente quelle in cui la scelta delle istanze di benchmark da parte di un fornitore può spostare un punteggio di diversi punti. Le categorie in cui è più debole, il lavoro agentico a 42.5, sono quelle più probabilmente rilevanti per il caso d'uso robotico pubblicizzato nella scheda.

Dove si inserisce questo se stai costruendo qualcosa

LFM3-VL-2B non è presente nel catalogo di OrcaRouter al momento della stesura — questo è un checkpoint che scarichi ed esegui tu stesso, non qualcosa che invochi tramite la nostra API. Ciò definisce il pattern utile anziché escluderlo. I modelli con cui questa release compete sul costo — modelli vision ospitati che gestiscono la coda lunga di documenti e video — sono quelli che instraderesti, e collocare il checkpoint locale e il fallback ospitato ai due lati di un'unica decisione di routing è l'architettura che i numeri sostengono davvero. Eseguire un modello da 1,92B sul dispositivo ed escalare i frame difficili a un modello ospitato più grande è la distribuzione che rende accettabile il valore 62,1, perché i casi in cui fallisce sono i casi che lasciano il dispositivo.

Per i modelli che instradiamo, un endpoint significa una chiave, nessun secondo contratto e failover automatico tra provider quando il primario è degradato. Questa è la metà del sistema che ha bisogno di un router; la metà on-device ha bisogno di una buona quantizzazione e di un budget di batteria.

Cosa cambierebbe questo quadro?

Tre cose, in ordine di quanto conterebbero. Una riproduzione indipendente della tabella dei 62 benchmark confermerebbe l'affermazione più interessante del rilascio oppure la rimetterebbe in discussione. Una build di llama.cpp integrata con supporto video trasformerebbe la proposta on-device da piano in prodotto. E un prezzo API pubblicato permetterebbe a chiunque di confrontarla sull'asse che decide la maggior parte dei deployment, che al momento è una cella vuota.

Fino a quel momento, l'interpretazione difendibile è ristretta e utile: Liquid ha distribuito un modello vision da 1.92B che batte il modello da 3.1B che sostituisce sulla suite dello stesso fornitore, vince quel confronto in modo decisivo quando il ragionamento è abilitato e di stretta misura quando non lo è, ed è al primo posto nella sua classe dimensionale su schermi e documenti. Il repository era pubblico otto giorni prima dell'annuncio, il che è un fatto relativo al processo di lancio di Liquid e non al modello — ma è il motivo per cui la prima copertura di LFM3-VL-2B è stata speculazione anziché recensione.