LFM2.5-VL-3B: โมเดลวิทัศน์-ภาษาขนาด 3B ใหม่จาก Liquid AI สำหรับเอดจ์

สิ่งแรกที่ควรรู้เกี่ยวกับ LFM2.5-VL-3B คือมันถูกปล่อยออกมาเป็นสองขั้นตอนย่อย ๆ ค่าน้ำหนักของโมเดลปรากฏบน Hugging Face เมื่อวันที่ 11 สิงหาคม 2026 — มี checkpoint แบบ bf16 เต็มรูปแบบ, การ์ดโมเดลที่มีตาราง benchmark และ README สิบหกภาษา และไม่มีประกาศใด ๆ แนบมาด้วย การ์ดดังกล่าวแสดงยอดดาวน์โหลดเป็นศูนย์ วันถัดมา วันที่ 12 สิงหาคม Liquid AI ได้โพสต์บทความอย่างเป็นทางการชื่อ "LFM2.5-VL-3B: โมเดลภาษา-วิทัศน์ที่ดียิ่งขึ้นและเร็วยิ่งขึ้นสำหรับอุปกรณ์ Edge" และการเปิดตัวเงียบ ๆ ก็กลายเป็นการเปิดตัวอย่างเป็นทางการ หากคุณกำลังอ่านบทความนี้ในสัปดาห์เดียวกันนี้ คุณกำลังอ่านบทความอิสระชิ้นแรก ๆ ของโมเดลที่แทบยังไม่มีใครนอกห้องแล็บของ Liquid เคยนำไปรันเลย — ดังนั้น นี่คือสิ่งที่รู้ได้จริงจาก repository และสิ่งที่ไม่รู้

LFM2.5-VL-3B คืออะไร

LFM2.5-VL-3B เป็นโมเดลวิทัศน์-ภาษา (vision-language model) — รับภาพและข้อความเข้า แล้วส่งออกเป็นข้อความ — ซึ่งสร้างบนแกนหลักข้อความ LFM2.5 ของ Liquid AI อย่างเป็นรูปธรรม: โมเดลภาษาคือ LFM2.5-2.6B จับคู่กับตัวเข้ารหัสวิทัศน์ SigLIP2 NaFlex 400M รวมพารามิเตอร์ทั้งหมดประมาณ 3.1 พันล้าน มันคงสถาปัตยกรรมไฮบริดของตระกูลเดียวกัน นั่นคือบล็อกคอนโวลูชันแบบมีเกตระยะสั้น (short-range gated convolution blocks) สลับกับ grouped-query attention, คำศัพท์ 128,000 โทเคน และหน้าต่างบริบท 32,768 โทเคน รองรับสิบหกภาษา (อังกฤษ, อาหรับ, จีน, ฝรั่งเศส, เยอรมัน, ฮินดี, อินโดนีเซีย, อิตาลี, ญี่ปุ่น, เกาหลี, โปแลนด์, โปรตุเกส, รัสเซีย, สเปน, ไทย, เวียดนาม), มาในรูปแบบ bfloat16 และอยู่ภายใต้สัญญาอนุญาตโอเพน lfm1.0 ของ Liquid

มันไม่ใช่โมเดลที่สร้างจากศูนย์ การ์ดอธิบายว่ามันเป็นวาเรียนต์มัลติโมดัลของ LFM2.5 ที่สร้างต่อจาก LFM2-VL-3B รุ่นก่อนหน้า ด้วยการฝึกช่วงกลางและช่วงหลังเพิ่มเติม สายเลือดนั้นสำคัญ: ทักษะด้านวิทัศน์ถูกวางซ้อนอยู่บนโมเดลข้อความที่ผ่านการฝึกไว้ล่วงหน้ากับโทเคนประมาณ 34 ล้านล้านโทเคนแล้ว ดังนั้นด้านภาษาจึงไม่ใช่ของเล่น — มันคือเอนจินตระกูลเดียวกับที่โมเดลข้อความใช้ โดยมีตัวเข้ารหัสวิทัศน์เชื่อมติดและฝึกใหม่สำหรับงานวิทัศน์

สิ่งที่มันสามารถทำได้

บทความของ Liquid กล่าวถึงการปรับปรุงสี่ประการเหนือ LFM2-VL-3B รุ่นก่อนหน้า ได้แก่ ความเข้าใจหน้าจอและ UI การเรียกใช้ฟังก์ชัน การเชื่อมโยง (grounding) และการป้อนข้อมูลหลายภาพ พูดง่ายๆ ก็คือ:

• Grounding — ชี้ไปที่วัตถุด้วยคำถามภาษาธรรมชาติ (เช่น "ป้ายหยุด" "คอลัมน์ราคา") และรับตำแหน่งที่ทำให้เป็นมาตรฐานกลับคืนมา

• ความเข้าใจหน้าจอ — ตอบคำถามเกี่ยวกับสิ่งที่ปรากฏบนหน้าจอและตำแหน่งของมัน ประเมินด้วย ScreenSpot-v2

• OCR พร้อมการระบุเค้าโครง — OCR ทั้งหน้าที่ยังคืนโครงสร้างเอกสาร โดยมีป้ายกำกับเค้าโครง 23 ประเภท (ข้อความ, หัวข้อ, รายการ, ตาราง, คำบรรยายตาราง, แผนภูมิ, สมการ, โค้ด, ส่วนหัวและส่วนท้ายของหน้า และอื่นๆ) เป็นพิกัดจำนวนเต็มที่ปรับมาตรฐานแล้ว

การใช้เครื่องมือ — กระบวนการเรียกใช้ฟังก์ชันสี่ขั้นตอนที่รับคำนิยามของเครื่องมือในรูปแบบ JSON สร้างการเรียกแบบ Pythonic ระหว่างโทเคนการเรียกเครื่องมือ และส่งคืนคำตอบสุดท้ายในรูปแบบข้อความธรรมดา

การป้อนภาพหลายภาพ — ให้เหตุผลข้ามภาพหลายภาพในเทิร์นเดียว

คำแนะนำของ Liquid เองเกี่ยวกับกรณีที่ไม่เหมาะกับการใช้งานนั้นมีความเฉพาะเจาะจงอย่างผิดปกติ การ์ดแนะนำให้ใช้กับงานเทิร์นเดียว งานที่มีปริมาณงานสูง และงานที่ต้องการความหน่วงต่ำ — อาทิ การตรวจจับวัตถุกึ่งเรียลไทม์ในยานยนต์ การทำ OCR แบบเป็นชุดสำหรับเอกสารที่สแกน การแปลเมนูและป้ายจราจรบนอุปกรณ์ — และยังเตือนอย่างชัดเจนถึงงานที่ต้องใช้บริบทยาวและใช้การคิดวิเคราะห์หนัก งานออกแบบเว็บเชิงภาพ และคำถามเกี่ยวกับพิมพ์เขียวเชิงเทคนิคขั้นสูง

ตัวเลขทั้งหมด — ตามที่ผู้จำหน่ายรายงาน

ตัวเลขทุกตัวในส่วนนี้มาจากโมเดลการ์ดและบล็อกโพสต์ของ Liquid AI เอง ไม่มีข้อมูลใดที่ถูกทำซ้ำอย่างอิสระ และจนกว่าบุคคลที่สามจะรัน checkpoint จริง คุณควรถือว่าสิ่งเหล่านี้เป็นเพียงข้อกล่าวอ้าง ไม่ใช่ข้อเท็จจริง ป้ายกำกับนั้นทำงานสำคัญจริง ๆ ตรงนี้ เพราะสถิติบนกระดาษดูแข็งแกร่งมาก:

• Grounding — RefCOCO macro precision@1 ที่ 87.9 เพิ่มขึ้นจาก 57.1 ใน LFM2-VL-3B รุ่นก่อนหน้า — ซึ่งเป็นการกระโดดขึ้นประมาณสามสิบจุด โดย Liquid ให้เครดิตว่าเกิดจาก vision post-training

• ความเข้าใจหน้าจอ — ค่าเฉลี่ย ScreenSpot-v2 อยู่ที่ 80.7 ซึ่ง Liquid รายงานว่าสูงกว่า 78.5 ที่พวกเขาระบุว่าเป็นของ Qwen3.5-4B

• การใช้เครื่องมือ — ToolSandbox 59.5 ซึ่งมากกว่าสองเท่าของ 26.4 ที่ Liquid วัดได้บน LFM2-VL-3B; BFCLv4 32.5 เพิ่มขึ้นจาก 20.5

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

• OCR — OCRBenchv2 (ชุดย่อยภาษาอังกฤษ) 47.5 เพิ่มขึ้นจาก 43.9

• การให้เหตุผลแบบมัลติโมดัลที่ยาก — MMMU Pro 30.5, BLINK 61.5, MuirBench 58.3 — จุดอ่อนที่อ่อนแอกว่า ตามที่คาดหวังสำหรับโมเดลขนาด 3B

• ความเร็วที่ทดสอบโดยผู้จำหน่าย — 228 โทเคนต่อวินาทีบน Apple M5 Max, 116 โทเคนต่อวินาทีบน AMD Ryzen AI Max+ 395 และ 20 โทเคนต่อวินาทีบน Galaxy S26 Ultra โดยใช้หน่วยความจำประมาณ 3.3 GB ทั้งหมด บน H100 ที่ใช้ vLLM ทาง Liquid อ้างว่าสร้างโทเคนเอาต์พุตได้ประมาณ 11K โทเคนต่อวินาทีที่ความพร้อมกันสูง และเวลาในการสร้างโทเคนแรกประมาณ 34 มิลลิวินาทีสำหรับคลิปห้าเฟรม ซึ่งบริษัทให้เหตุผลว่าเป็นเพราะโมเดลตอบตรงๆ แทนที่จะใช้การให้เหตุผล

นั่นเป็นการกล่าวอ้างจำนวนมากสำหรับโมเดล 3B หนึ่งตัว และควรค่าแก่การย้ำข้อควรระวังในส่วนท้ายของการ์ดของโมเดลเอง นั่นคือ ตัวเลขเหล่านี้เป็นตัวเลขของ Liquid ช่องว่างระหว่าง "ทำคะแนนได้ดีในการประเมินในห้องแล็บ" และ "ใช้งานได้จริงกับข้อมูลของคุณ" คือจุดที่โมเดลใหม่ขนาดนี้มักจะพลาด

สิ่งที่ยังไม่เป็นที่รู้จัก

รายการคำถามเปิดที่ตรงไปตรงมา:

• ไม่มีเกณฑ์วัดอิสระ — ณ เวลาที่เขียนข้อความนี้ LFM2.5-VL-3B ไม่ปรากฏในการจัดอันดับจากบุคคลที่สามใดๆ คะแนนทั้งหมดข้างต้นเป็นข้อมูลที่รายงานโดยผู้พัฒนาระบบเอง

• ไม่มี hosted endpoint — ยังไม่มีผู้ให้บริการ inference รองรับมัน นี่คือเรื่องของการ self-host เพียงอย่างเดียว จบ

• ไม่มีข้อมูลการใช้งาน — ยอดดาวน์โหลดเป็นศูนย์ในวันแรกหมายความว่าไม่มีคำติชมจากชุมชน ไม่มีการปรับแต่งเพิ่มเติม ไม่มี "ฉันรันมันบน X แล้วมันพังที่ Y" รายงานจากการใช้งานจริงครั้งแรกยังมาไม่ถึง

• ฟีเจอร์ทดลอง — เอาต์พุตคำอธิบายเลย์เอาต์ถูกระบุโดย Liquid เองว่า "ทดลอง" และ "อาจเปลี่ยนแปลง ไม่น่าเชื่อถือ และอาจแยกวิเคราะห์ได้ไม่ตรงไปตรงมา" อย่าสร้างตัวแยกวิเคราะห์ของคุณโดยยึดตามมันในตอนนี้

• ความครอบคลุมจากบุคคลที่สามยังบางเบา — สื่อในสัปดาห์แรกส่วนใหญ่เป็นเพียงข่าวสรุปสั้นๆ ยังไม่มีใครทำการทดสอบอิสระเชิงลึก

สิ่งเหล่านั้นไม่ได้หมายความว่าโมเดลไม่ดี แต่มันหมายความว่ามันยังไม่ผ่านการพิสูจน์ เช่นเดียวกับโมเดลใด ๆ ที่ยังไม่ผ่านการพิสูจน์ในช่วงวันหลังการเปิดตัว

วิธีรันด้วยตัวเอง

สำหรับโมเดลที่อายุน้อยขนาดนี้ เรื่องราวของระบบนิเวศนั้นดีผิดปกติ รูปแบบไฟล์หลายแบบถูกปล่อยออกมาในวันเดียวกับน้ำหนักโมเดล: GGUF สำหรับ llama.cpp, ONNX, และ MLX quantizations จำนวนห้าแบบสำหรับ Apple Silicon พร้อมกับ native bf16 checkpoint สำหรับ Transformers, vLLM และ SGLang Liquid ระบุการสนับสนุนตั้งแต่เปิดตัววันแรกใน llama.cpp, MLX, vLLM, SGLang และ ONNX พร้อมทั้งเดโมบนเบราว์เซอร์ที่ใช้ WebGPU พารามิเตอร์สำหรับสุ่มตัวอย่างที่แนะนำคือ temperature 0.2, top_k 50, repetition penalty 1.0 โดยส่วนของภาพจะถูกจัดการด้วย processor config ของโมเดล ถ้าต้องการลองบนแล็ปท็อปคืนนี้ เวอร์ชัน MLX หรือ GGUF คือทางที่สั้นที่สุด

ดูอะไรดี

สองสิ่งกำหนดว่า LFM2.5-VL-3B จะมีความสำคัญเกินกว่าวงจร hype หรือไม่ ประการแรก ตัวเลขด้าน grounding และความเข้าใจหน้าจอจะรอดพ้นจากการทำซ้ำโดยอิสระหรือไม่ — 80.7 บน ScreenSpot-v2 และ 87.9 บน RefCOCO คือสองข้ออ้างที่ควรตรวจสอบมากที่สุด เพราะนี่คือสิ่งที่ทำให้มันเป็น edge model ที่ disrupt วงการอย่างแท้จริง ประการที่สอง จะมี hosted endpoint เกิดขึ้นหรือไม่ เพราะนั่นจะเปลี่ยนการคำนวณจาก "โปรเจกต์ self-host ที่น่าสนใจ" เป็น "ใช้งานได้ตั้งแต่วันนี้" และนั่นคือจังหวะที่ routing layer พิสูจน์ความคุ้มค่าของมัน: API เดียวที่ครอบคลุม 200+ โมเดล หมายความว่าในวันที่ Liquid หรือผู้ให้บริการตั้ง endpoint ขึ้นมา คุณก็แค่เพิ่ม LFM2.5-VL-3B ไว้ข้างๆ โมเดลที่คุณเรียกใช้อยู่แล้ว โดยไม่ต้องแก้ไข integration เลย ในราคาตามรายการของผู้ให้บริการโดยไม่มีมาร์กอัป และ automatic failover ทำให้คุณชี้ทราฟฟิกจริงไปที่มันได้ ขณะที่โมเดลที่พิสูจน์แล้วจะคอยรองรับการเรียกที่มันพลาด จนกว่าจะถึงตอนนั้น มันก็เป็นเรื่องราว self-host ที่มีอนาคตไกล — และสำหรับโมเดลที่เพิ่งอายุได้หนึ่งสัปดาห์ นั่นก็มากกว่าที่โมเดลส่วนใหญ่ที่ถูกปล่อยออกมาจะได้รับแล้ว