LFM3-VL-2B: um modelo de visão de 1,92B cuja pontuação de destaque depende de um único interruptor

LiquidAI/LFM3-VL-2B existiu publicamente por oito dias antes de a Liquid AI dizer uma palavra sobre ele. O repositório no Hugging Face foi criado em 19 de outubro de 2026, e uma build GGUF apareceu na mesma noite; o anúncio do fornecedor — um post no blog, uma coleção de modelos, um card com uma tabela completa de benchmarks — saiu em 27 de outubro. O modelo que ele substitui, LFM2.5-VL-3B, é a referência óbvia: tem 3,1B de parâmetros contra 1,92B do novo modelo, e na própria suíte de 62 benchmarks da Liquid, o novo tem média de 71,4 contra 57,6 do antigo. O mesmo card também registra um segundo número que recebe bem menos atenção: com o thinking desativado, o LFM3-VL-2B tem média de 62,1. Essa única flag de configuração vale 9,3 pontos, e é a diferença entre uma vitória geracional decisiva e uma modesta.

Este artigo cobre o que está de fato registrado até 28 de outubro — a cronologia do repositório, as especificações, a tabela de benchmark e suas ressalvas — e indica claramente onde as evidências terminam.

O que apareceu, e quando

A cronologia importa porque explica por que o modelo chegou sem cobertura. A Liquid AI não publicou um teaser, uma lista de espera ou um post de pesquisa. Ela fez upload dos pesos e de uma ficha do modelo, e a ficha ficou lá. Rastreadores de terceiros notaram o repositório, e o primeiro texto público sobre o LFM3-VL-2B foi especulação baseada em um pull request não mesclado de framework de inferência, e não em algo do fornecedor.

• Repositório criado — 19 de outubro de 2026, 19:51 UTC, de acordo com a API do Hugging Face.

• Repositório GGUF criado — 19 de outubro de 2026, 20:29 UTC, trinta e oito minutos depois.

• Cartão modificado pela última vez — 27 de outubro de 2026, 16:24 UTC, o dia do anúncio.

• Anúncio do fornecedor — 27 de outubro de 2026: uma postagem de blog da família, uma postagem de blog do Hugging Face e uma coleção de modelos.

Portanto, a descrição precisa não é "lançado discretamente e ainda sem anúncio". É "lançado discretamente e, oito dias depois, anunciado". Qualquer pessoa que tenha escrito sobre o repositório nesse intervalo estava descrevendo um checkpoint real e disponível para download, mas não um produto com uma posição declarada na linha da Liquid. Essa posição agora existe: o LFM3-VL-2B é o membro de visão de uma família de seis modelos construída sobre uma base compartilhada de 1,7B, e o enquadramento do fornecedor é a compreensão visual no dispositivo — documentos, gráficos, telas de aplicativos, localização de objetos e raciocínio espacial para robôs.

O modelo, nos próprios números do cartão

A card da Liquid é incomumente específica sobre para onde foram os parâmetros, o que vale a pena notar, porque "2B" no nome de um modelo geralmente esconde mais do que revela.

• Parâmetros totais — 1,92B: um modelo de linguagem de 1,73B, um codificador de visão de 164M e um projetor de 25M.

• Codificador — desenvolvido internamente, convolução mais atenção, substituindo a torre SigLIP2 usada nos modelos de visão LFM2.5.

• Modalidades — texto, imagens e vídeo na entrada; texto na saída. É o primeiro modelo de visão LFM a aceitar vídeo, amostrado a 2 quadros por segundo.

• Tokenização visual — cada bloco 2×2 de patches se torna um token de linguagem, na resolução nativa.

• Contexto — 128 mil tokens, entrada e saída, com posição máxima de 128.000.

• Licença — a LFM Open License v1.0, os mesmos termos não permissivos, mas abertos, como o restante da família.

• Pré-treinamento — o tronco LFM3-1.7B-Base, 22T tokens no total, com uma extensão de contexto de 128K e uma extensão de 256K usada durante o treinamento intermediário.

• Não recomendado para — programação, conversa com múltiplos turnos ou raciocínio complexo, conforme a orientação do próprio cartão.

Essa última linha é a que deve ser lida duas vezes. Um modelo que explicitamente não é recomendado para conversas de vários turnos também é um modelo cuja janela de contexto de 128K será difícil de usar da forma como o contexto longo normalmente é usado. A janela é real e tem quase quatro vezes os 32.768 tokens do LFM2.5-VL-3B. Ela também é, em um modelo de 1,92B, um cache KV que cresce mais rápido que os pesos aos quais está atrelado.

Sessenta e dois benchmarks, um laboratório e uma tabela que nomeia seus rivais

A seção de benchmarks é a parte mais útil do lançamento, e não apenas porque os números são altos. A Liquid publicou uma tabela de 62 benchmarks que inclui seu próprio modelo em duas configurações ao lado de nove concorrentes: 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. Cada pontuação é normalizada para 0–100, cada categoria é uma média não ponderada de seus benchmarks, e a média é uma média não ponderada entre todos os 62.

Esse é um artefato mais falsificável do que um gráfico de comunicado de imprensa. Ele nomeia os instrumentos, nomeia os concorrentes, e a ficha indica em notas de rodapé quais modelos rodaram com raciocínio ativado e quais não. Ainda assim, é trabalho de fornecedor: a Liquid escolheu os 62 benchmarks, rodou todos os modelos e publicou a tabela. Ninguém fora da empresa reproduziu nada disso.

• Média — 71,4 para o LFM3-VL-2B, contra 57,6 para o LFM2.5-VL-3B e 57,5 para o MiniCPM-V 4.7 1B.

• Documento, OCR e gráfico — 83,9, a categoria em que o argumento de processamento no dispositivo mais se apoia.

• Compreensão de GUI — 83,1, em comparação com 66,0 do LFM2.5-VL-3B.

• Ancoragem visual — 77,3, contra 68,3.

• Vídeo — 61,2, contra 41,3, no primeiro modelo de visão LFM que aceita vídeo.

• Agentic — 42,5, contra 21,1. A categoria mais fraca para todos os modelos pequenos da tabela.

• Matemática e raciocínio lógico — 68,8, contra 40,6. Guarde esse número; é o interessante.

A ficha faz três alegações comparativas em prosa: que o LFM3-VL-2B pontua pelo menos 8 pontos à frente de todos os modelos de tamanho semelhante nos 62 benchmarks, que iguala o Gemma 4 12B e que fica a até 2 pontos do GPT-5.6 Luna, superando o Gemini 3.5 Flash Lite. Verificadas na tabela, essas alegações se sustentam: o Gemma 4 12B tem média de 71,7, o GPT-5.6 Luna, de 73,4, e o Gemini 3.5 Flash Lite, de 70,0. Um modelo de 1,92B com média a 0,3 de um modelo de 12B é a alegação principal, e é uma alegação de fornecedor sobre números gerados pelo próprio fornecedor.

O interruptor de pensamento está fazendo a maior parte do trabalho.

O LFM3-VL-2B relata duas pontuações para os mesmos pesos. No modo de raciocínio, ele tem média de 71,4. Com o pensamento desativado, tem média de 62,1. A diferença não está distribuída uniformemente entre as categorias — ela se concentra onde você esperaria que o raciocínio ajudasse e está quase ausente onde você não esperaria.

• Matemática e raciocínio lógico — 68,8 com pensamento, 41,0 sem. Uma variação de 27,8 pontos, de longe a maior.

• Documento, OCR e gráfico — 83,9 contra 71,6. Uma variação de 12,3 pontos em tarefas que parecem perceptuais, mas muitas vezes não são.

• Compreensão de GUI — 83,1 contra 81,5. Quase não se altera, o que sugere que a habilidade de leitura de tela está no encoder e no pós-treinamento, não no loop de raciocínio.

• Percepção — 75,6 contra 68,9.

• Média — 71,4 contra 62,1.

A consequência é que a comparação de destaque favorece o novo modelo de uma forma específica. O LFM2.5-VL-3B não suporta o modo de raciocínio, então a Liquid está comparando um modelo que pensa com um que não pensa. A comparação justa é 62,1 contra 57,6 — ainda uma vitória, mas uma vitória de 4,5 pontos em vez de 13,8 pontos. E, nessa configuração, ele já não lidera todos os modelos próximos: o Qwen3.5 2B tem média de 64,0, embora esse número também venha de uma execução com raciocínio ativado.

Nada disso torna o lançamento menos interessante. Torna o lançamento legível. A Liquid criou um modelo pequeno cuja implantação padrão é rápida e sem raciocínio, e cujo teto é muito mais alto quando você o deixa pensar. Qual número se aplica a você depende inteiramente de o seu produto poder ou não arcar com a latência de um ciclo de raciocínio em um celular.

O que 1,92 bilhão compra para você em um dispositivo

O argumento de eficiência é a parte que a Liquid está realmente vendendo, e a ficha técnica comprova com medições, não com adjetivos. Em uma única NVIDIA B300 executando SGLang em BF16, o modelo gera mais de 12.000 tokens de saída por segundo com 1.024 solicitações simultâneas. Esse número diz mais sobre o processamento em lote do que sobre o modelo, mas estabelece que o caminho de serving existe desde o primeiro dia.

No dispositivo, a ficha publica pré-preenchimento, decodificação e memória de pico para cada modelo comparado sob uma carga de trabalho fixa: uma imagem 512×512, 1.024 tokens de texto de entrada, 256 tokens de saída, tudo em llama.cpp com um modelo de linguagem GGUF Q4_0 e um projetor de visão F16. Essa é uma configuração reproduzível, e a coluna de memória é a que deve ser lida antes de se comprometer com um telefone.

O ferramental é real, mas irregular. O suporte ao SGLang já existia no lançamento. O suporte ao llama.cpp está em revisão — pull request 31252 — e traz uma ressalva explícita da Liquid: sem entrada de vídeo por enquanto. Os pesos GGUF existem e antecedem o anúncio em oito dias. Se o vídeo é o motivo pelo qual você quer este modelo, o caminho local ainda não está pronto, e o card diz isso.

O que ainda não é possível saber

O limite honesto deste texto: tudo o que é quantitativo acima veio da Liquid AI. Não há avaliação independente do LFM3-VL-2B, nenhuma entrada em ranking de terceiros, nenhuma reprodução do conjunto de 62 benchmarks e nenhum preço por token publicado para o modelo na própria API da Liquid em 28 de outubro. O card lista disponibilidade via Hugging Face, o playground da Liquid e a API da Liquid, e os pesos são abertos, mas "pesos abertos" e "verificado de forma independente" são afirmações diferentes.

Também há uma lacuna entre o agregado e a narrativa de implantação. Uma média de 62 benchmarks é um bom instrumento para classificar modelos e um instrumento ruim para prever sua carga de trabalho. As categorias em que o LFM3-VL-2B é mais forte — compreensão de GUI, grounding visual, leitura de documentos e gráficos — são exatamente aquelas em que a escolha das instâncias de benchmark feita por um fornecedor pode deslocar uma pontuação em vários pontos. As categorias em que ele é mais fraco, trabalho agêntico em 42,5, são as que têm maior probabilidade de importar para o caso de uso de robótica que a ficha divulga.

Onde isso se encaixa se você estiver construindo algo

O LFM3-VL-2B não está no catálogo do OrcaRouter no momento em que escrevo — este é um checkpoint que você baixa e executa por conta própria, não algo que você chama na nossa API. Isso molda o padrão útil em vez de descartá-lo. Os modelos com os quais esta versão compete em custo — modelos de visão hospedados que lidam com a cauda longa de documentos e vídeo — são os que você rotearia, e colocar o checkpoint local e o fallback hospedado em lados opostos de uma única decisão de roteamento é a arquitetura que os números de fato defendem. Executar um modelo de 1,92B no dispositivo e escalar os quadros difíceis para um modelo hospedado maior é a implantação que torna o número 62,1 aceitável, porque os casos em que ele falha são os casos que saem do dispositivo.

Para os modelos que encaminhamos, um endpoint significa uma chave, sem um segundo contrato, e failover automático entre fornecedores quando o principal está degradado. Essa é a metade do sistema que precisa de um roteador; a metade no dispositivo precisa de uma boa quantização e de um orçamento de bateria.

O que mudaria esta imagem?

Três coisas, em ordem do quanto elas importariam. Uma reprodução independente da tabela de 62 benchmarks confirmaria a alegação mais interessante do lançamento ou a alteraria. Uma build do llama.cpp mesclada com suporte a vídeo transformaria o discurso de on-device de um plano em um produto. E um preço de API publicado permitiria que qualquer pessoa o comparasse no eixo que decide a maioria das implantações, que no momento é uma célula em branco.

Até lá, a leitura defensável é estreita e útil: a Liquid lançou um modelo de visão de 1,92B que supera o modelo de 3,1B que substitui no próprio conjunto de testes do fornecedor, vence essa comparação de forma decisiva quando o raciocínio está ativado e por margem estreita quando não está, e lidera sua classe de tamanho em telas e documentos. O repositório ficou público oito dias antes do anúncio, o que é um fato sobre o processo de lançamento da Liquid, e não sobre o modelo — mas é o motivo pelo qual a primeira cobertura do LFM3-VL-2B foi especulação, e não análise.