LFM3-VL-2B: En visionsmodell på 1,92B vars rubrikresultat hänger på en enda inställning

LiquidAI/LFM3-VL-2B hade funnits offentligt i åtta dagar innan Liquid AI sa ett ord om den. Hugging Face-repot skapades den 19 oktober 2026, och en GGUF-build dök upp samma kväll; leverantörens tillkännagivande – ett blogginlägg, en modellsamling, ett kort med en fullständig benchmarktabell – kom den 27 oktober. Modellen som den ersätter, LFM2.5-VL-3B, är den uppenbara måttstocken: den har 3,1B parametrar mot den nya modellens 1,92B, och på Liquids egen svit på 62 benchmarks ligger den nya i genomsnitt på 71,4 mot den gamlas 57,6. Samma kort redovisar också en andra siffra som får betydligt mindre uppmärksamhet: med tänkande inaktiverat ligger LFM3-VL-2B i genomsnitt på 62,1. Den enda konfigurationsflaggan är värd 9,3 poäng, och det är skillnaden mellan en avgörande generationsvinst och en blygsam sådan.

Det här stycket täcker vad som faktiskt är dokumenterat per den 28 oktober – tidslinjen för förvaret, specifikationerna, benchmarktabellen och dess förbehåll – och markerar tydligt var bevisningen slutar.

Vad som dök upp, och när

Tidslinjen spelar roll eftersom den förklarar varför modellen kom utan bevakning. Liquid AI publicerade ingen teaser, ingen väntelista och inget forskningsinlägg. Företaget laddade upp vikter och ett modellkort, och modellkortet blev bara liggande. Tredjepartsspårare lade märke till repositoriet, och det första offentliga som skrevs om LFM3-VL-2B var spekulation byggd på en pull request i ett inferensramverk som inte hade slagits samman, snarare än något från leverantören.

• Repository skapat — 19 oktober 2026, 19:51 UTC, enligt Hugging Face API.

• GGUF-repositorium skapat — 19 oktober 2026, 20:29 UTC, trettioåtta minuter senare.

• Kortet senast ändrat — 27 oktober 2026, 16:24 UTC, dagen för tillkännagivandet.

• Leverantörsmeddelande — 27 oktober 2026: ett blogginlägg för familjen, ett blogginlägg på Hugging Face och en modellsamling.

Den korrekta beskrivningen är alltså inte "släpptes tyst och är fortfarande inte tillkännagiven". Den är "släpptes tyst och tillkännagavs sedan åtta dagar senare". Den som skrev om arkivet under den perioden beskrev en verklig, nedladdningsbar checkpoint, men inte en produkt med en angiven plats i Liquids produktlinje. Den platsen finns nu: LFM3-VL-2B är visionsmedlemmen i en familj med sex modeller byggd på en delad 1,7B-bas, och leverantörens formulering är visuell förståelse på enheten – dokument, diagram, appskärmar, objektlokalisering och rumsligt resonemang för robotar.

Modellen, i kortets egna siffror

Liquids kort är ovanligt specifikt om var parametrarna tog vägen, vilket är värt att notera eftersom "2B" i ett modellnamn vanligtvis döljer mer än det avslöjar.

• Totalt antal parametrar — 1,92B: en språkmodell på 1,73B, en visionskodare på 164M och en projektor på 25M.

• Encoder — utvecklad internt, konvolution plus attention, ersätter SigLIP2-tornet som används i LFM2.5-visionsmodellerna.

• Modaliteter — text, bilder och video in; text ut. Det är den första LFM-visionmodellen som tar emot video, samplad till 2 bildrutor per sekund.

• Visuell tokenisering — varje 2×2-block av patchar blir en språklig token, i inbyggd upplösning.

• Kontext — 128K tokens, indata plus utdata, med en maximal position på 128 000.

• Licens — LFM Open License v1.0, samma icke-tillåtande men öppna villkor som resten av familjen.

• Förträning — LFM3-1.7B-Base-stommen, totalt 22T tokens, med en 128K-kontextförlängning och en 256K-förlängning som används under mellanträningen.

• Rekommenderas inte för — kodning, konversation med flera turer eller komplext resonemang, enligt kortets egen vägledning.

Den sista raden är den man ska läsa två gånger. En modell som uttryckligen inte rekommenderas för flerturssamtal är också en modell vars 128K-kontextfönster blir svårt att använda på det sätt som lång kontext vanligtvis används. Fönstret är verkligt, och det är nästan fyra gånger så stort som de 32 768 token i LFM2.5-VL-3B. Det är också, i en modell på 1,92B, en KV-cache som växer snabbare än de vikter den är kopplad till.

Sextiotvå benchmarks, ett labb och en tabell som namnger sina rivaler

Benchmarkavsnittet är den mest användbara delen av lanseringen, och inte bara för att siffrorna är höga. Liquid publicerade en tabell med 62 benchmarks som inkluderar deras egen modell i två konfigurationer tillsammans med nio konkurrenter: 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 och Gemini 3.5 Flash Lite. Varje poäng är normaliserad till 0–100, varje kategori är ett oviktat medelvärde av dess benchmarks, och genomsnittet är ett oviktat medelvärde över alla 62.

Det är en mer falsifierbar artefakt än ett diagram i ett pressmeddelande. Den namnger instrumenten, den namnger konkurrenterna, och kortet anger i fotnoterna vilka modeller som kördes med resonemang aktiverat och vilka som inte gjorde det. Det är fortfarande leverantörens arbete: Liquid valde de 62 benchmarkarna, körde varje modell och publicerade tabellen. Ingen utanför företaget har reproducerat något av det.

• Genomsnitt — 71,4 för LFM3-VL-2B, jämfört med 57,6 för LFM2.5-VL-3B och 57,5 för MiniCPM-V 4.7 1B.

• Dokument, OCR och diagram — 83,9, den kategori som argumentet för på enheten lägger störst vikt vid.

• GUI-förståelse — 83,1, jämfört med 66,0 för LFM2.5-VL-3B.

• Visuell grundning — 77,3, mot 68,3.

• Video — 61,2 mot 41,3, på den första LFM-visionmodellen som över huvud taget tar emot video.

• Agentic — 42,5, mot 21,1. Den svagaste kategorin för varje liten modell i tabellen.

• Matematik och logiskt resonemang — 68,8 mot 40,6. Håll kvar det numret; det är det intressanta.

Kortet framför tre jämförande påståenden i löptext: att LFM3-VL-2B ligger minst 8 poäng före alla modeller av liknande storlek i de 62 benchmarktesterna, att det matchar Gemma 4 12B och att det hamnar inom 2 poäng från GPT-5.6 Luna samtidigt som det slår Gemini 3.5 Flash Lite. Kontrollerat mot tabellen stämmer dessa: Gemma 4 12B har i genomsnitt 71,7, GPT-5.6 Luna 73,4, Gemini 3.5 Flash Lite 70,0. En modell på 1,92B som i genomsnitt ligger inom 0,3 från en 12B-modell är huvudpåståendet, och det är ett påstående från leverantören om siffror från leverantörens egna körningar.

Tänkandeväxeln gör det mesta av arbetet.

LFM3-VL-2B rapporterar två poäng för samma vikter. I resonemangsläge ger det ett genomsnitt på 71,4. Med tänkande inaktiverat ger det ett genomsnitt på 62,1. Gapet är inte jämnt fördelat över kategorierna – det är koncentrerat där man skulle förvänta sig att resonemang hjälper och nästan obefintligt där man inte skulle förvänta sig det.

• Matematik och logiskt resonemang — 68,8 med tänkande, 41,0 utan. En skillnad på 27,8 poäng, klart den största.

• Dokument, OCR och diagram — 83,9 mot 71,6. En svängning på 12,3 punkter i uppgifter som ser perceptuella ut men ofta inte är det.

• GUI-förståelse — 83,1 mot 81,5. Rör sig knappt, vilket tyder på att skärmläsningsförmågan sitter i encodern och efterträningen, inte i resonemangsloopen.

• Perception — 75,6 mot 68,9.

• Genomsnitt — 71,4 mot 62,1.

Konsekvensen är att rubrikjämförelsen smickrar den nya modellen på ett specifikt sätt. {{1}}LFM2.5-VL-3B{{/1}} stöder inte resonemangsläge, så Liquid jämför en tänkande modell med en icke-tänkande. Den rättvisa jämförelsen är 62,1 mot 57,6 – fortfarande en vinst, men en vinst på 4,5 punkter snarare än 13,8 punkter. Och i den konfigurationen leder den inte längre över allt i närheten: Qwen3.5 2B ligger i genomsnitt på 64,0, även om den siffran också kommer från en körning med resonemang aktiverat.

Inget av detta gör lanseringen mindre intressant. Det gör lanseringen begriplig. Liquid byggde en liten modell vars standarddistribution är snabb och icke-resonerande, och vars tak är mycket högre när du låter den tänka. Vilket nummer som gäller för dig beror helt på om din produkt har råd med latensen för en resonemangsslinga på en telefon.

Vad du får för 1,92 miljarder på en enhet

Effektivitetsargumentet är den del som Liquid faktiskt säljer, och kortet styrker det med mätvärden i stället för adjektiv. På ett enda NVIDIA B300 som kör SGLang i BF16 producerar modellen mer än 12 000 utdatatokens per sekund vid 1 024 samtidiga förfrågningar. Den siffran säger mer om batchning än om modellen, men den visar att serveringsvägen finns från dag ett.

På enheten publicerar kortet prefill, decode och toppminne för varje jämförd modell under en fast arbetsbelastning: en 512×512-bild, 1 024 texttokens in, 256 tokens ut, allt i llama.cpp med en Q4_0 GGUF-språkmodell och en F16-visionprojektor. Det är en reproducerbar uppsättning, och minneskolumnen är den man bör läsa innan man satsar på en telefon.

Verktygsstödet är verkligt men ojämnt. SGLang-stöd fanns på plats vid lanseringen. Stödet för llama.cpp är under granskning – pull request 31252 – och har ett uttryckligt förbehåll från Liquid: ingen videoinmatning för närvarande. GGUF-vikter finns och är åtta dagar äldre än tillkännagivandet. Om video är anledningen till att du vill ha den här modellen är den lokala vägen ännu inte färdig, och det står så på kortet.

Det som ännu inte går att veta

Den ärliga gränsen för den här artikeln: allt kvantitativt ovan kom från Liquid AI. Det finns ingen oberoende utvärdering av LFM3-VL-2B, ingen tredjepartspost i en leaderboard, ingen reproduktion av benchmarksviten med 62 tester och inget publicerat pris per token för modellen på Liquids eget API per den 28 oktober. Modellkortet anger tillgänglighet via Hugging Face, Liquid playground och Liquid API, och vikterna är öppna, men "öppna vikter" och "oberoende verifierade" är olika påståenden.

Det finns också en klyfta mellan det aggregerade resultatet och berättelsen om driftsättning. Ett genomsnitt över 62 benchmarks är ett bra instrument för att rangordna modeller och ett dåligt för att förutsäga din arbetsbelastning. De kategorier där LFM3-VL-2B är starkast – GUI-förståelse, visuell grounding, dokument- och diagramläsning – är exakt de där en leverantörs val av benchmarkinstanser kan flytta en poäng med flera punkter. De kategorier där den är svagast, agentiskt arbete på 42,5, är de som mest sannolikt spelar roll för det robotanvändningsfall som kortet gör reklam för.

Var det här passar in om du bygger något

LFM3-VL-2B finns inte i OrcaRouter-katalogen när detta skrivs – detta är en checkpoint som du laddar ner och kör själv, inte något du anropar via vårt API. Det formar det användbara mönstret snarare än utesluter det. De modeller som den här utgåvan konkurrerar med på kostnad – värdbaserade visionsmodeller som hanterar långsvansen av dokument och video – är de du skulle routa, och att placera den lokala checkpointen och den värdbaserade reservlösningen på varsin sida av ett och samma routingbeslut är arkitekturen som siffrorna faktiskt talar för. Att köra en modell på 1.92B på enheten och eskalera de svåra bildrutorna till en större värdbaserad modell är den driftsättning som gör siffran 62,1 acceptabel, eftersom de fall där den misslyckas är de fall som lämnar enheten.

För de modeller vi routar innebär en slutpunkt en nyckel, inget andra kontrakt och automatiskt failover mellan leverantörer när den primära är degraderad. Det är den halvan av systemet som behöver en router; den enhetsbaserade halvan behöver en bra kvantisering och en batteribudget.

Vad skulle förändra den här bilden?

Tre saker, i ordning efter hur mycket de skulle spela roll. En oberoende reproduktion av tabellen med 62 benchmarks skulle antingen bekräfta det mest intressanta påståendet i releasen eller rubba det. Ett sammanslaget llama.cpp-bygge med videostöd skulle förvandla löftet om körning på enheten från en plan till en produkt. Och ett publicerat API-pris skulle låta vem som helst jämföra det på den axel som avgör de flesta driftsättningar, vilket just nu är en tom cell.

Fram till dess är den försvarbara tolkningen snäv och användbar: Liquid släppte en synmodell på 1,92B som slår 3,1B-modellen den ersätter på leverantörens egen testsvit, vinner den jämförelsen avgörande när resonemang är aktiverat och med knapp marginal när det inte är det, och leder sin storleksklass när det gäller skärmar och dokument. Repositoriet var offentligt åtta dagar före tillkännagivandet, vilket är ett faktum om Liquids lanseringsprocess och inte om modellen — men det är anledningen till att den första rapporteringen om LFM3-VL-2B var spekulation snarare än granskning.