LFM3-VL-2B: model wizyjny o 1,92 mld parametrów, którego kluczowy wynik zależy od jednego przełącznika

LiquidAI/LFM3-VL-2Bbył publicznie dostępny przez osiem dni, zanim Liquid AI wspomniała o nim choć słowem. Repozytorium Hugging Face utworzono 19 października 2026 r., a kompilacja GGUF pojawiła się tego samego wieczoru; zapowiedź dostawcy — wpis na blogu, kolekcja modeli, karta z pełną tabelą benchmarków — ukazała się 27 października. Model, który zastępuje, LFM2.5-VL-3B, jest oczywistym punktem odniesienia: ma 3,1 mld parametrów wobec 1,92 mld nowego modelu, a w opracowanym przez Liquid zestawie 62 benchmarków nowy model osiąga średnio 71,4 wobec 57,6 starego. Ta sama karta odnotowuje też drugą liczbę, której poświęca się znacznie mniej uwagi: przy wyłączonym myśleniu LFM3-VL-2B osiąga średnio 62,1. Ta pojedyncza flaga konfiguracji jest warta 9,3 punktu i stanowi różnicę między zdecydowanym zwycięstwem pokoleniowym a skromnym.

Ten materiał obejmuje to, co faktycznie znajduje się w zapisach na dzień 28 października — os czasu repozytorium, specyfikacje, tabelę benchmarków i jej zastrzeżenia — oraz wyraźnie zaznacza, gdzie kończą się dowody.

Co się pojawiło i kiedy

Oś czasu ma znaczenie, ponieważ wyjaśnia, dlaczego model pojawił się bez żadnego rozgłosu. Liquid AI nie opublikowało zajawki, listy oczekujących ani wpisu badawczego. Udostępniło wagi i kartę modelu, a karta po prostu tam leżała. Zewnętrzne serwisy śledzące zauważyły repozytorium, a pierwszy publiczny tekst o LFM3-VL-2B był spekulacją opartą na niezmergowanym pull requeście do frameworka inferencyjnego, a nie na czymkolwiek od samego dostawcy.

• Utworzono repozytorium — 19 października 2026, 19:51 UTC, według API Hugging Face.

• Utworzono repozytorium GGUF — 19 października 2026, 20:29 UTC, trzydzieści osiem minut później.

• Karta ostatnio zmodyfikowana — 27 października 2026, 16:24 UTC, w dniu ogłoszenia.

• Ogłoszenie dostawcy — 27 października 2026: wpis na blogu rodzinnym, wpis na blogu Hugging Face i kolekcja modeli.

Zatem trafny opis to nie „wydany po cichu i wciąż nieogłoszony”. To „wydany po cichu, a następnie ogłoszony osiem dni później”. Każdy, kto w tym oknie czasowym opisał to repozytorium, opisywał realny, możliwy do pobrania checkpoint, ale nie produkt o określonym miejscu w ofercie Liquid. To miejsce teraz istnieje: LFM3-VL-2B jest wizyjnym członkiem sześciomodelowej rodziny zbudowanej na współdzielonej bazie 1,7B, a narracja dostawcy koncentruje się na wizualnym rozumieniu na urządzeniu — dokumentach, wykresach, ekranach aplikacji, wyszukiwaniu obiektów i rozumowaniu przestrzennym dla robotów.

Model — w liczbach z samej karty

Karta modelu Liquid jest niezwykle konkretna co do tego, gdzie trafiły parametry, co warto zauważyć, ponieważ „2B” w nazwie modelu zwykle ukrywa więcej, niż ujawnia.

• Łączna liczba parametrów — 1,92 mld: model językowy 1,73 mld, enkoder wizji 164 mln i projektor 25 mln.

• Encoder — zbudowany wewnętrznie, konwolucja plus mechanizm uwagi, zastępujący wieżę SigLIP2 stosowaną w modelach wizyjnych LFM2.5.

• Modalności — tekst, obrazy i wideo na wejściu; tekst na wyjściu. To pierwszy model wizyjny LFM, który obsługuje wideo próbkowane z szybkością 2 klatek na sekundę.

• Tokenizacja wizualna — każdy blok 2×2 fragmentów staje się jednym tokenem językowym, w natywnej rozdzielczości.

• Kontekst — 128 tys. tokenów, wejście i wyjście, z maksymalną pozycją wynoszącą 128 000.

• Licencja — LFM Open License v1.0, czyli takie same niepermisywne, ale otwarte warunki jak w pozostałych modelach z rodziny.

• Wstępne trenowanie — trzon LFM3-1.7B-Base, łącznie 22T tokenów, z rozszerzeniem kontekstu do 128K oraz rozszerzeniem do 256K stosowanym podczas treningu średniego.

• Niezalecane do — programowania, konwersacji wieloturowej lub złożonego rozumowania, zgodnie z wytycznymi samej karty.

Tę ostatnią linijkę warto przeczytać dwa razy. Model, który wyraźnie nie jest zalecany do rozmów wieloturowych, jest też modelem, którego okno kontekstu 128K będzie trudno wykorzystać w sposób, w jaki zwykle wykorzystuje się długi kontekst. To okno jest rzeczywiste i jest prawie czterokrotnie większe niż 32 768 tokenów w LFM2.5-VL-3B. Jest to także, w modelu 1,92B, pamięć podręczna KV, która rośnie szybciej niż wagi, do których jest przypisana.

Sześćdziesiąt dwa benchmarki, jedno laboratorium i tabela, która wymienia swoich rywali

Sekcja benchmarków jest najbardziej użyteczną częścią wydania i nie tylko dlatego, że liczby są wysokie. Liquid opublikował tabelę 62 benchmarków, obejmującą własny model w dwóch konfiguracjach obok dziewięciu konkurentów: 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 i Gemini 3.5 Flash Lite. Każdy wynik znormalizowano do skali 0–100, każda kategoria jest średnią nieważoną swoich benchmarków, a średnia ogólna jest średnią nieważoną ze wszystkich 62.

To artefakt bardziej poddający się falsyfikacji niż wykres z komunikatu prasowego. Wymienia instrumenty, wymienia konkurentów, a przypisy do karty wskazują, które modele uruchomiono z włączonym rozumowaniem, a których nie. To nadal materiał dostawcy: Liquid wybrał 62 benchmarki, uruchomił każdy model i opublikował tabelę. Nikt spoza firmy nie odtworzył żadnego z tych elementów.

• Średnia — 71,4 dla LFM3-VL-2B, w porównaniu z 57,6 dla LFM2.5-VL-3B i 57,5 dla MiniCPM-V 4.7 1B.

• Dokument, OCR i wykresy — 83,9, kategoria, na której najbardziej opiera się argumentacja dotycząca przetwarzania na urządzeniu.

• rozumienie GUI — 83,1 w porównaniu z 66,0 dla LFM2.5-VL-3B.

• Ugruntowanie wizualne — 77,3 w porównaniu z 68,3.

• Wideo — 61.2 wobec 41.3 w przypadku pierwszego modelu wizyjnego LFM, który w ogóle obsługuje wideo.

• Agentic — 42,5 w porównaniu z 21,1. Najsłabsza kategoria dla każdego małego modelu w tabeli.

• Matematyka i rozumowanie logiczne — 68,8 wobec 40,6. Zapamiętaj tę liczbę; to ta interesująca.

Karta zawiera trzy twierdzenia porównawcze w formie opisowej: że LFM3-VL-2B uzyskuje co najmniej 8 punktów przewagi nad wszystkimi modelami o podobnej wielkości na 62 benchmarkach, że dorównuje Gemma 4 12B oraz że mieści się w granicach 2 punktów od GPT-5.6 Luna, jednocześnie wyprzedzając Gemini 3.5 Flash Lite. Po sprawdzeniu z tabelą twierdzenia te się potwierdzają: Gemma 4 12B osiąga średnio 71,7, GPT-5.6 Luna 73,4, a Gemini 3.5 Flash Lite 70,0. Model 1,92B osiągający średnio wynik w granicach 0,3 od modelu 12B to główne twierdzenie i jest to twierdzenie dostawcy oparte na liczbach uzyskanych przez dostawcę.

Przełącznik myślenia wykonuje większość pracy.

LFM3-VL-2B podaje dwa wyniki dla tych samych wag. W trybie rozumowania średnio osiąga 71,4. Przy wyłączonym myśleniu średnio osiąga 62,1. Różnica nie rozkłada się równomiernie między kategoriami — koncentruje się tam, gdzie można by oczekiwać, że rozumowanie pomoże, a prawie nie występuje tam, gdzie nie.

• Matematyka i rozumowanie logiczne — 68,8 z myśleniem, 41,0 bez. Skok o 27,8 punktu, zdecydowanie największy.

• Dokument, OCR i wykres — 83,9 wobec 71,6. Przeskok o 12,3 punktu w zadaniach, które wyglądają na percepcyjne, ale często takie nie są.

• Rozumienie GUI — 83,1 wobec 81,5. Prawie się nie zmienia, co sugeruje, że umiejętność odczytywania ekranu tkwi w enkoderze i dotrenowaniu, a nie w pętli rozumowania.

• Percepcja — 75,6 wobec 68,9.

• Średnia — 71,4 wobec 62,1.

Konsekwencją jest to, że porównanie w nagłówku w konkretny sposób schlebia nowemu modelowi. LFM2.5-VL-3B nie obsługuje trybu rozumowania, więc Liquid porównuje model myślący z niemyślącym. Uczciwe starcie to 62,1 do 57,6 — wciąż zwycięstwo, ale o 4,5 punktu, a nie o 13,8 punktu. W tej konfiguracji nie wyprzedza już jednak wszystkich modeli w pobliżu: Qwen3.5 2B osiąga średnio 64,0, choć ta liczba również pochodzi z uruchomienia z włączonym rozumowaniem.

Nic z tego nie czyni tego wydania mniej interesującym. Czyni je czytelnym. Liquid zbudował mały model, którego domyślne wdrożenie jest szybkie i nieoparte na rozumowaniu, a którego pułap jest znacznie wyższy, gdy pozwoli mu się myśleć. To, która liczba dotyczy ciebie, zależy wyłącznie od tego, czy twój produkt może sobie pozwolić na opóźnienie pętli rozumowania na telefonie.

Co można kupić za 1,92 mld na urządzeniu

Argument za wydajnością jest tym, co Liquid faktycznie sprzedaje, a karta popiera go pomiarami, a nie przymiotnikami. Na pojedynczym NVIDIA B300 z SGLang w BF16 model generuje ponad 12 000 tokenów wyjściowych na sekundę przy 1 024 równoczesnych żądaniach. Ta liczba mówi więcej o batchowaniu niż o samym modelu, ale potwierdza, że ścieżka serwowania istnieje od pierwszego dnia.

Na urządzeniu karta publikuje prefill, decode i szczytowe zużycie pamięci dla każdego porównywanego modelu w stałym obciążeniu: jeden obraz 512×512, 1024 tokeny tekstu na wejściu, 256 tokenów na wyjściu, wszystko w llama.cpp z modelem językowym Q4_0 GGUF i projektorem wizyjnym F16. To odtwarzalna konfiguracja, a kolumna dotycząca pamięci jest tą, którą należy odczytać przed zdecydowaniem się na telefon.

Wsparcie narzędziowe jest realne, ale nierówne. Wsparcie SGLang było dostępne już w momencie premiery. Wsparcie llama.cpp jest w trakcie przeglądu — pull request 31252 — i zawiera wyraźne zastrzeżenie ze strony Liquid: na razie brak wejścia wideo. Wagi GGUF istnieją i pojawiły się osiem dni przed ogłoszeniem. Jeśli wideo jest powodem, dla którego chcesz ten model, lokalna ścieżka nie jest jeszcze gotowa — i karta tak mówi.

Czego jeszcze nie można poznać

Uczciwa granica tego tekstu: wszystkie dane ilościowe powyżej pochodzą od Liquid AI. Nie ma niezależnej oceny LFM3-VL-2B, żadnego wpisu w rankingu zewnętrznym, żadnej reprodukcji zestawu 62 testów porównawczych ani opublikowanej ceny za token dla modelu w API samego Liquid na dzień 28 października. Karta modelu wymienia dostępność przez Hugging Face, Liquid playground i Liquid API, a wagi są otwarte, ale „otwarte wagi” i „niezależnie zweryfikowane” to różne twierdzenia.

Istnieje też luka między wynikiem zbiorczym a historią wdrożeniową. Średnia z 62 benchmarków to dobre narzędzie do rankingowania modeli, ale słabe do przewidywania własnego obciążenia. Kategorie, w których LFM3-VL-2B jest najmocniejszy — rozumienie GUI, ugruntowanie wizualne, czytanie dokumentów i wykresów — to dokładnie te, w których wybór instancji benchmarkowych przez dostawcę może przesunąć wynik o kilka punktów. Kategorie, w których jest najsłabszy, czyli praca agentowa na poziomie 42,5, to te, które najprawdopodobniej będą miały znaczenie dla przypadku użycia robotyki reklamowanego na karcie.

Gdzie to pasuje, jeśli coś budujesz

LFM3-VL-2B nie jest dostępny w katalogu OrcaRouter w momencie pisania tego tekstu — to checkpoint, który pobierasz i uruchamiasz samodzielnie, a nie coś, co wywołujesz przez nasze API. To kształtuje przydatny wzorzec, zamiast go wykluczać. Modele, z którymi to wydanie konkuruje pod względem kosztów — hostowane modele wizyjne obsługujące długi ogon dokumentów i wideo — to te, które należy kierować, a umieszczenie lokalnego checkpointu i hostowanego fallbacku po obu stronach jednej decyzji routingowej to architektura, za którą faktycznie przemawiają liczby. Uruchamianie modelu 1,92B na urządzeniu i przekazywanie trudnych klatek do większego hostowanego modelu to wdrożenie, które sprawia, że liczba 62,1 jest akceptowalna, ponieważ przypadki, w których model zawodzi, to przypadki, które opuszczają urządzenie.

W przypadku modeli, które kierujemy przez router, jeden endpoint oznacza jeden klucz, brak drugiej umowy i automatyczne przełączanie awaryjne między dostawcami, gdy podstawowy jest zdegradowany. To ta połowa systemu, która wymaga routera; połowa działająca na urządzeniu wymaga dobrej kwantyzacji i budżetu baterii.

Co zmieniłoby ten obraz

Trzy rzeczy, w kolejności według tego, jak bardzo by się liczyły. Niezależne odtworzenie tabeli 62 benchmarków albo potwierdziłoby najciekawsze twierdzenie z wydania, albo by je podważyło. Scalona kompilacja llama.cpp z obsługą wideo zamieniłaby propozycję działania na urządzeniu z planu w produkt. A opublikowana cena API pozwoliłaby każdemu porównać go na osi, która decyduje w większości wdrożeń, a która obecnie jest pustą komórką.

Do tego czasu możliwa do obrony interpretacja jest wąska i użyteczna: Liquid wydał model wizyjny 1.92B, który na własnym zestawie testów dostawcy bije zastępowany model 3.1B, wygrywa to porównanie zdecydowanie, gdy rozumowanie jest włączone, a nieznacznie, gdy nie jest, i przewodzi w swojej klasie wielkości w zadaniach z ekranami i dokumentami. Repozytorium było publiczne osiem dni przed ogłoszeniem, co jest faktem dotyczącym procesu premiery Liquid, a nie samego modelu — ale właśnie dlatego pierwsze materiały o LFM3-VL-2B były spekulacją, a nie recenzją.