LFM2.5-VL-3B: Liquid AIのエッジ向け新3B視覚言語モデル

LFM2.5-VL-3Bについて最初に知っておくべきことは、このモデルが2つの半歩に分けてリリースされたということだ。2026年8月11日にウェイトがHugging Faceに公開された——完全なbf16チェックポイント、ベンチマーク表付きのモデルカード、16言語のREADME、そして発表の告知は一切なかった。カードのダウンロード数はゼロだった。翌日、8月12日にLiquid AIが公式記事「LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge」を公開し、静かなリリースは本物のリリースとなった。あなたがこれを同じ週に読んでいるなら、Liquidのラボの外ではまだほとんど誰も実行していないモデルについての、最も初期の独立記事の1つを読んでいることになる——だから、ここではリポジトリから実際に知り得ることと、知り得ないことを示そう。

LFM2.5-VL-3Bとは

LFM2.5-VL-3Bは、Liquid AIのLFM2.5テキストバックボーンを基盤とするビジョン言語モデルです（画像とテキストを入力し、テキストを出力します）。具体的には、言語モデルはLFM2.5-2.6Bで、SigLIP2 NaFlex 400Mビジョンエンコーダと組み合わされ、総パラメータ数は約31億です。ファミリー共通のハイブリッドアーキテクチャを維持しており、短距離のゲート付き畳み込みブロックとグループ化クエリ注意機構を交互に配置し、12万8000トークンの語彙、および3万2768トークンのコンテキストウィンドウを備えています。16言語（英語、アラビア語、中国語、フランス語、ドイツ語、ヒンディー語、インドネシア語、イタリア語、日本語、韓国語、ポーランド語、ポルトガル語、ロシア語、スペイン語、タイ語、ベトナム語）に対応し、bfloat16形式で提供され、Liquidのlfm1.0オープンライセンスの下でライセンスされています。

ゼロから構築されたモデルではありません。カードには、以前のLFM2-VL-3Bを基盤とし、さらに{{1}}中間および事後トレーニング{{/1}}を施したLFM2.5のマルチモーダル版と記載されています。この系統は重要です。視覚スキルは、約34兆トークンで事前学習済みのテキストモデルの上に積み重ねられています。つまり、言語側はおもちゃではありません。テキストモデルが使用するのと同じファミリーのエンジンであり、視覚エンコーダーを接合して視覚タスク用に再トレーニングしたものです。

できること

Liquid の記事では、従来の LFM2-VL-3B に対する4つの改良点を挙げています：画面とUIの理解、関数呼び出し、グラウンディング、マルチイメージ入力。平たく言うと、つまりこういうことです：

• グラウンディング — 自然言語のクエリ（「止まれの標識」、「価格の列」など）でオブジェクトを指し示し、正規化された位置を取得します。

• 画面理解 — 画面上の内容と位置に関する質問に回答し、ScreenSpot-v2 でベンチマーク評価

• レイアウト注釈付きOCR — 文書構造も返すフルページOCR。テキスト、タイトル、リスト、表、表のキャプション、チャート、数式、コード、ページのヘッダー・フッターなど、23種類のレイアウトラベルを正規化された整数座標として提供します。

• ツール使用 — ツール定義をJSONとして受け取り、ツール呼び出しトークン間にPythonicな呼び出しを出力し、最終的なプレーンテキストの回答を返す4段階の関数呼び出しフロー。

• マルチイメージ入力 — 複数の画像をまたいで推論できます。

Liquid自身の、どの領域に適合しないかについての指針は、異例なほど具体的です。このカードは、シングルターン、高スループット、低レイテンシーのタスク——自動車分野での準リアルタイム物体検出、スキャン文書のバッチOCR、オンデバイスのメニュー・道路標識翻訳——を推奨し、長文脈の推論重視の作業、ビジュアルWebデザイン、高度に技術的な設計図の質問に対しては明示的に警告しています。

数字はすべてベンダー報告による

このセクションのすべての図は、Liquid AI自身のモデルカードとブログ記事からのものです。それらのいずれも独立して再現されておらず、第三者がチェックポイントを実行するまでは、これらを事実ではなく主張として扱うべきです。そのラベルはここで実際に機能しています。なぜなら、記録は書面上は確かに強力だからです。 {{1}}...{{/1}} {{2}}...{{/2}}

• グラウンディング — RefCOCOマクロ精度@1は87.9で、前モデルLFM2-VL-3Bの57.1から約30ポイント上昇 — Liquid社はこの飛躍を視覚ポストトレーニングによるものとしている。

• 画面理解 — ScreenSpot-v2 平均80.7（Liquidは、Qwen3.5-4Bに帰属する78.5を上回ると報告している）

• ツール使用 — ToolSandbox 59.5、LFM2-VL-3Bで計測されたLiquidの26.4の2倍以上；BFCLv4 32.5、20.5から上昇。

• 汎用視覚推論 — MME 73.1、MMStar 63.3、RealWorldQA 73.1、MMMB 83.0、ChartQA 81.3、MathVista 68.5、POPE 88.7。

• OCR — OCRBenchv2（英語サブセット）47.5、43.9から上昇

• 難しいマルチモーダル推論 — MMMU Pro 30.5、BLINK 61.5、MuirBench 58.3 — 3Bモデルとして予想通りの弱点です。

• 速度（ベンダーによる計測）— Apple M5 Max では 228 トークン/秒、AMD Ryzen AI Max+ 395 では 116 トークン/秒、Galaxy S26 Ultra では 20 トークン/秒であり、いずれも約 3.3 GB のメモリ内で動作する。H100 と vLLM の構成では、Liquid は高並行時に約 11K 出力トークン/秒、5フレームのクリップに対するファーストトークン時間は約 34 ミリ秒と主張している。これは、モデルが推論ではなく直接回答するためだとしている。

3Bモデル一つにしては実に多くの主張であり、モデル自身のカードのフッターにある注意書きを改めて述べる価値がある。これらはLiquidの数値だ。「ラボ評価で良いスコアを出す」と「あなたのデータで通用する」の間のギャップこそ、このように新しいモデルがたいていつまずくポイントである。

まだ分かっていないこと

未解決の質問の正直なリスト：

• 独立したベンチマークはありません — 本稿執筆時点では、LFM2.5-VL-3B はサードパーティのリーダーボードに登場していません。上記のスコアはすべてベンダー報告によるものです。

• ホスト型エンドポイントはない — まだそれを提供する推論プロバイダーは存在しない。これはセルフホストの話であり、それだけだ。

• 利用データなし — 初日のダウンロード数がゼロということは、コミュニティからのフィードバックも、ファインチューニングも、「Xで実行したらYで壊れた」という報告もないということだ。最初の実運用での報告はまだこれからである。

• 実験的機能 — レイアウト注釈出力は、Liquid自身によって「実験的」であり、「変更される可能性があり、信頼性が低く、解析が簡単ではない可能性があります」とフラグが立てられています。まだこの機能を中心にパーサーを構築しないでください。

• サードパーティによる報道は薄い — 初週の報道はほとんどが短いニュースまとめだ。誰も深い独立したテストを行っていない。

だからといって、そのモデルが悪いというわけではありません。リリース直後のどのモデルもそうであるように、まだ実証されていないというだけのことです。

自分で実行する方法

このように新しいモデルにしては、エコシステムの状況は異例なほど良好だ。フォーマットのバリアントがウェイトと同日にリリースされた：llama.cpp用のGGUF、ONNX、Apple Silicon用の5種類のMLX量子化に加えて、Transformers、vLLM、SGLang用のネイティブbf16チェックポイントも提供されている。Liquidは、llama.cpp、MLX、vLLM、SGLang、ONNXに加え、WebGPUブラウザデモのデイワンサポートを挙げている。推奨サンプリングパラメータは、temperature 0.2、top_k 50、繰り返しペナルティ1.0で、視覚（ビジョン）処理はモデルのプロセッサ設定によって処理される。今夜ラップトップで試したいなら、MLXまたはGGUFビルドが最短ルートだ。

何を見るべきか

LFM2.5-VL-3Bがハイプ・サイクルを超えて意味を持つかどうかを決めるのは、次の二つの点だ。第一に、グラウンディングと画面理解のスコアが独立した再現テストに耐えるかどうか——ScreenSpot-v2での80.7とRefCOCOでの87.9は、検証する価値が最も高い二つの主張であり、これらが本当なら、このモデルは真に破壊的なエッジモデルになる。第二に、ホステッド・エンドポイントが登場するかどうか。それが登場すれば、見方は「面白いセルフホスト・プロジェクト」から「今日出荷できる製品」に変わる。そしてまさにその時、ルーティング層の価値が発揮される。200以上のモデルを一つのAPIで扱えるということは、Liquidかプロバイダーがエンドポイントを立ち上げた日、あなたは既存の統合を変更することなく、すでに呼び出しているモデルの隣にLFM2.5-VL-3Bを追加できる——プロバイダーのリスト価格で、マークアップなしに。さらに自動フェイルオーバーにより、実トラフィックを新モデルに向けつつ、実績のあるモデルがそのモデルの失敗した呼び出しをカバーできる。それまでは、これは有望なセルフホストの物語に過ぎない——だが、生後一週間のモデルにしては、多くの製品が得られる以上の注目をすでに集めている。