LFM2.5-VL-3B: o novo modelo de visão-linguagem de 3B da Liquid AI para edge

A primeira coisa a saber sobre o LFM2.5-VL-3B é que ele foi lançado em dois meios-passos. Os pesos apareceram no Hugging Face em 11 de agosto de 2026 — um checkpoint bf16 completo, um model card com uma tabela de benchmarks e um README em dezesseis idiomas, e nenhum anúncio associado. O card mostrava zero downloads. No dia seguinte, 12 de agosto, a Liquid AI publicou o artigo oficial, "LFM2.5-VL-3B: A Better and Faster Vision-Language Model for the Edge," e o lançamento silencioso se tornou um lançamento de verdade. Se você está lendo isso na mesma semana, está lendo um dos primeiros artigos independentes sobre um modelo que quase ninguém fora do laboratório da Liquid ainda rodou — então aqui está o que é realmente possível saber a partir do repositório, e o que não é.

O que é LFM2.5-VL-3B

O LFM2.5-VL-3B é um modelo de visão-linguagem — imagem e texto na entrada, texto na saída — construído sobre o backbone de texto LFM2.5 da Liquid AI. Concretamente: o modelo de linguagem é o LFM2.5-2.6B, combinado com um codificador de visão SigLIP2 NaFlex 400M, totalizando cerca de 3,1 bilhões de parâmetros. Ele mantém a arquitetura híbrida da família, com blocos de convolução gated de curto alcance intercalados com atenção de consulta agrupada (grouped-query attention), um vocabulário de 128.000 tokens e uma janela de contexto de 32.768 tokens. Suporta dezesseis idiomas (inglês, árabe, chinês, francês, alemão, hindi, indonésio, italiano, japonês, coreano, polonês, português, russo, espanhol, tailandês e vietnamita), é disponibilizado em bfloat16 e é licenciado sob a licença aberta lfm1.0 da Liquid.

Não é um modelo do zero. O card o descreve como uma variante multimodal do LFM2.5 que se baseia no LFM2-VL-3B anterior, com treinamento intermediário e pós-treinamento adicionais. Essa linhagem importa: as habilidades de visão são construídas sobre um modelo de texto já pré-treinado com cerca de 34 trilhões de tokens, então o lado da linguagem não é um brinquedo — é o mesmo motor da família que os modelos de texto usam, com um codificador de visão acoplado e retreinado para tarefas de visão.

O que ele pode fazer

O relatório da Liquid destaca quatro melhorias em relação ao LFM2-VL-3B anterior: compreensão de tela e interface, chamada de funções, ancoragem (grounding) e entrada de múltiplas imagens. Em termos simples, isso significa:

• Fundamentação — aponte para objetos com consultas em linguagem natural ("a placa de pare", "a coluna de preço") e receba uma localização normalizada.

• Compreensão de tela — responder a perguntas sobre o que está na tela e onde, avaliado no ScreenSpot-v2.

• OCR com anotação de layout — OCR de página inteira que também retorna a estrutura do documento, com 23 rótulos de layout (texto, título, lista, tabela, legenda de tabela, gráfico, equação, código, cabeçalhos e rodapés de página, e mais) como coordenadas inteiras normalizadas.

• Uso de ferramentas — um fluxo de chamada de função em quatro etapas que aceita definições de ferramentas como JSON, emite chamadas pythonicas entre tokens de chamada de ferramenta e retorna uma resposta final em texto simples.

• Entrada de múltiplas imagens — raciocine sobre várias imagens em uma única rodada.

A orientação da própria Liquid sobre onde ela não se aplica é excepcionalmente específica. O cartão a recomenda para tarefas de turno único, alto rendimento e baixa latência — detecção de objetos quase em tempo real no setor automotivo, OCR em lote de documentos digitalizados, tradução de cardápios e placas de trânsito no dispositivo — e alerta explicitamente contra trabalhos pesados de raciocínio de contexto longo, design visual de páginas web e questões altamente técnicas de plantas de engenharia.

Os números — todos relatados pelo fornecedor

Cada figura desta seção vem do model card e do blog post da própria Liquid AI. Nada disso foi reproduzido de forma independente e, até que um terceiro execute o checkpoint, você deve tratar essas informações como alegações, não como fatos. Esse rótulo está fazendo um trabalho real aqui, pois o histórico é genuinamente forte no papel:

• Grounding — RefCOCO macro precision@1 de 87.9, acima dos 57.1 do LFM2-VL-3B anterior — um salto de aproximadamente trinta pontos que a Liquid atribui ao pós-treinamento de visão.

• Compreensão de tela — média de 80,7 no ScreenSpot-v2, que a Liquid relata estar à frente dos 78,5 que atribuem ao Qwen3.5-4B.

• Uso de ferramentas — ToolSandbox 59,5, mais que o dobro dos 26,4 medidos pela Liquid no LFM2-VL-3B; BFCLv4 32,5, ante 20,5.

• Raciocínio visual geral — MME 73.1, MMStar 63.3, RealWorldQA 73.1, MMMB 83.0, ChartQA 81.3, MathVista 68.5, POPE 88.7.

• OCR — OCRBenchv2 (subconjunto em inglês) 47,5, contra 43,9.

• Raciocínio multimodal difícil — MMMU Pro 30.5, BLINK 61.5, MuirBench 58.3 — o ponto mais fraco, como esperado para um modelo de 3B.

• Velocidade, medida pelo fornecedor — 228 tokens/s em um Apple M5 Max, 116 tokens/s em um AMD Ryzen AI Max+ 395 e 20 tokens/s em um Galaxy S26 Ultra, tudo em aproximadamente 3,3 GB de memória. Em uma H100 com vLLM, a Liquid afirma cerca de 11 mil tokens/s de saída em alta concorrência e um tempo até o primeiro token de aproximadamente 34 ms em um clipe de cinco quadros, o que ela atribui ao fato de o modelo responder diretamente em vez de raciocinar.

São muitas afirmações para um modelo de 3B, e vale a pena reafirmar a ressalva no rodapé do próprio cartão do modelo: esses são os números da Liquid. A lacuna entre "pontua bem em uma avaliação de laboratório" e "se segura nos seus dados" é exatamente onde um modelo tão novo costuma tropeçar.

O que ainda não se sabe

A lista honesta de perguntas em aberto:

• Nenhum benchmark independente — até a redação deste texto, o LFM2.5-VL-3B não aparece em nenhum leaderboard de terceiros. Todas as pontuações acima são reportadas pelo fornecedor.

• Sem endpoint hospedado — nenhum provedor de inferência o serve ainda. Esta é uma história de auto-hospedagem, ponto final.

• Sem dados de uso — zero downloads no primeiro dia significa nenhum feedback da comunidade, nenhum fine-tuning, nenhum "Eu rodei no X e quebrou no Y." Os primeiros relatos do mundo real ainda estão por vir.

• Um recurso experimental — a saída de anotação de layout é sinalizada pelo próprio Liquid como "experimental" e "pode mudar, pode não ser confiável e pode não ser trivial de analisar". Não construa seu parser em torno dela ainda.

• Cobertura de terceiros escassa — a imprensa da primeira semana é composta principalmente de resumos curtos de notícias. Ninguém fez um teste independente e aprofundado.

Nada disso significa que o modelo é ruim. Significa que ele não foi comprovado da mesma forma que qualquer modelo não é comprovado nos dias após o lançamento.

Como executar você mesmo

Para um modelo tão novo, a história do ecossistema é excepcionalmente boa. As variantes de formato chegaram no mesmo dia que os pesos: GGUF para llama.cpp, ONNX e cinco quantizações MLX para Apple Silicon, juntamente com o checkpoint nativo bf16 para Transformers, vLLM e SGLang. A Liquid lista suporte desde o primeiro dia em llama.cpp, MLX, vLLM, SGLang e ONNX, além de uma demonstração no navegador via WebGPU. Os parâmetros de amostragem recomendados são temperatura 0,2, top_k 50, penalidade de repetição 1,0, com a visão tratada pela configuração do processador do modelo. Se você quiser testá-lo em um laptop hoje à noite, as versões MLX ou GGUF são o caminho mais curto.

O que assistir

Duas coisas decidem se o LFM2.5-VL-3B importa além do ciclo de hype. Primeiro, se os números de ancoragem e compreensão de tela sobrevivem à reprodução independente — 80.7 no ScreenSpot-v2 e 87.9 no RefCOCO são as duas alegações que mais valem a pena verificar, porque são elas que tornariam este um modelo de borda genuinamente disruptivo. Segundo, se um endpoint hospedado aparece, porque isso muda o cálculo de "projeto interessante de self-host" para "enviável hoje". E é exatamente aí que uma camada de roteamento se justifica: uma API com mais de 200 modelos significa que no dia em que a Liquid ou um provedor disponibilizar um endpoint, você adiciona o LFM2.5-VL-3B ao lado dos modelos que já utiliza sem alterar sua integração, pelo preço de tabela do provedor com zero margem, e o failover automático permite que você direcione tráfego real para ele enquanto um modelo comprovado cobre as chamadas que ele erra. Até lá, é uma história promissora de self-host — e para um modelo de uma semana, isso já é mais do que a maioria dos lançamentos consegue.