LFM3-VL-2B: Mô hình thị giác 1,92B có điểm số nổi bật phụ thuộc vào một công tắc duy nhất

LiquidAI/LFM3-VL-2B đã tồn tại công khai trong tám ngày trước khi Liquid AI nói một lời nào về nó. Kho lưu trữ Hugging Face được tạo vào ngày 19 tháng 10 năm 2026, và một bản dựng GGUF xuất hiện vào cùng buổi tối; thông báo của nhà cung cấp — một bài đăng blog, một bộ sưu tập mô hình, một thẻ mô hình với bảng benchmark đầy đủ — đã được công bố vào ngày 27 tháng 10. Mô hình mà nó thay thế, LFM2.5-VL-3B, là thước đo hiển nhiên: nó có 3,1B tham số so với 1,92B của mô hình mới, và trên bộ 62 benchmark của chính Liquid, mô hình mới đạt trung bình 71,4 so với 57,6 của mô hình cũ. Cùng thẻ đó cũng ghi lại một con số thứ hai ít được chú ý hơn nhiều: khi tắt chế độ suy nghĩ, LFM3-VL-2B đạt trung bình 62,1. Chỉ một cờ cấu hình đó đáng giá 9,3 điểm, và đó là khác biệt giữa một chiến thắng thế hệ mang tính quyết định và một chiến thắng chỉ ở mức khiêm tốn.

Bài viết này đề cập đến những gì thực sự được ghi nhận chính thức tính đến ngày 28 tháng 10 — dòng thời gian của kho lưu trữ, các thông số kỹ thuật, bảng đánh giá chuẩn và những lưu ý đi kèm — đồng thời chỉ rõ ranh giới nơi bằng chứng dừng lại.

Cái gì đã xuất hiện, và khi nào

Mốc thời gian rất quan trọng vì nó giải thích vì sao mô hình xuất hiện mà không có bất kỳ sự đưa tin nào. Liquid AI không công bố teaser, danh sách chờ hay bài đăng nghiên cứu nào. Họ chỉ tải trọng số và một model card lên, và model card cứ nằm đó. Các công cụ theo dõi của bên thứ ba nhận ra kho lưu trữ, và bài viết công khai đầu tiên về LFM3-VL-2B là suy đoán dựa trên một pull request chưa được hợp nhất của khung suy luận, chứ không phải bất cứ điều gì đến từ nhà cung cấp.

• Đã tạo kho lưu trữ — ngày 19 tháng 10 năm 2026, 19:51 UTC, theo API Hugging Face.

• Đã tạo kho lưu trữ GGUF — 19 tháng 10 năm 2026, 20:29 UTC, ba mươi tám phút sau đó.

• Thẻ được sửa đổi lần cuối — 27 tháng 10 năm 2026, 16:24 UTC, ngày công bố.

• Thông báo từ nhà cung cấp — ngày 27 tháng 10 năm 2026: một bài đăng blog của gia đình, một bài đăng blog trên Hugging Face và một bộ sưu tập mô hình.

Vậy nên mô tả chính xác không phải là “được phát hành âm thầm và vẫn chưa được công bố.” Mà là “được phát hành âm thầm, rồi được công bố tám ngày sau đó.” Bất kỳ ai viết về kho lưu trữ trong khoảng thời gian đó đều đang mô tả một checkpoint thực sự có thể tải xuống, nhưng không phải một sản phẩm có vị trí được nêu rõ trong danh mục sản phẩm của Liquid. Vị trí đó giờ đã tồn tại: LFM3-VL-2B là thành viên thị giác của một gia đình sáu mô hình được xây dựng trên nền tảng chung 1.7B, và cách định vị của nhà cung cấp là hiểu biết thị giác trên thiết bị — tài liệu, biểu đồ, màn hình ứng dụng, tìm vật thể và suy luận không gian cho robot.

Mẫu, qua chính những con số trên thẻ.

Thẻ mô hình của Liquid đặc biệt cụ thể về việc các tham số đã đi đâu, điều này đáng lưu ý vì “2B” trong tên mô hình thường che giấu nhiều hơn là tiết lộ.

• Tổng số tham số — 1,92 tỷ: một mô hình ngôn ngữ 1,73 tỷ, một bộ mã hóa thị giác 164 triệu và một bộ chiếu 25 triệu.

• Encoder — được xây dựng nội bộ, tích chập kết hợp attention, thay thế cho tháp SigLIP2 được dùng trong các mô hình thị giác LFM2.5.

• Phương thức — đầu vào là văn bản, hình ảnh và video; đầu ra là văn bản. Đây là mô hình thị giác LFM đầu tiên chấp nhận video, được lấy mẫu ở 2 khung hình mỗi giây.

• Token hoá thị giác — mỗi khối 2×2 patch trở thành một token ngôn ngữ, ở độ phân giải gốc.

• Ngữ cảnh — 128K token, đầu vào cộng đầu ra, với vị trí tối đa là 128.000.

• Giấy phép — LFM Open License v1.0, cùng những điều khoản mở nhưng không mang tính cấp phép rộng rãi như phần còn lại của dòng này.

• Tiền huấn luyện — phần thân LFM3-1.7B-Base, tổng cộng 22T token, với phần mở rộng ngữ cảnh 128K và phần mở rộng 256K được dùng trong giai đoạn huấn luyện giữa kỳ.

• Không được khuyến nghị cho — lập trình, hội thoại nhiều lượt hoặc suy luận phức tạp, theo hướng dẫn của chính thẻ.

Dòng cuối cùng đó là dòng cần đọc hai lần. Một mô hình được nêu rõ là không được khuyến nghị cho hội thoại nhiều lượt cũng là mô hình mà cửa sổ ngữ cảnh 128K sẽ khó được sử dụng theo cách ngữ cảnh dài thường được dùng. Cửa sổ này là có thật và nó gần gấp bốn lần 32,768 token của LFM2.5-VL-3B. Đồng thời, trên một mô hình 1.92B, nó còn là một KV cache tăng nhanh hơn cả trọng số mà nó gắn vào.

Sáu mươi hai bài kiểm chuẩn, một phòng thí nghiệm và một bảng nêu tên các đối thủ của mình

Phần benchmark là phần hữu ích nhất của bản phát hành, và không chỉ vì các con số cao. Liquid đã công bố một bảng gồm 62 benchmark, bao gồm mô hình của chính họ ở hai cấu hình cùng với chín đối thủ: 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 và Gemini 3.5 Flash Lite. Mỗi điểm số được chuẩn hóa về 0–100, mỗi hạng mục là trung bình không trọng số của các benchmark trong hạng mục đó, và điểm trung bình là trung bình không trọng số trên toàn bộ 62 benchmark.

Đó là một sản phẩm dễ bị phản bác hơn so với một biểu đồ trong thông cáo báo chí. Nó nêu tên các công cụ đo, nêu tên các đối thủ, và phần chú thích trên thẻ ghi rõ mô hình nào chạy với tính năng suy luận được bật và mô hình nào không. Đây vẫn là công việc của nhà cung cấp: Liquid đã chọn 62 bài kiểm chuẩn, chạy mọi mô hình và công bố bảng. Không ai bên ngoài công ty đã tái lập được bất kỳ phần nào trong đó.

• Trung bình — 71,4 cho LFM3-VL-2B, so với 57,6 cho LFM2.5-VL-3B và 57,5 cho MiniCPM-V 4.7 1B.

• Tài liệu, OCR và biểu đồ — 83.9, hạng mục mà lời chào hàng về xử lý trên thiết bị dựa vào nhiều nhất.

• Hiểu GUI — 83,1, so với 66,0 của LFM2.5-VL-3B.

• Neo bám thị giác — 77.3, so với 68.3.

• Video — 61.2, so với 41.3, trên mô hình thị giác LFM đầu tiên có khả năng nhận video.

• Agentic — 42.5, so với 21.1. Danh mục yếu nhất đối với mọi mô hình nhỏ trong bảng.

• Toán và lý luận logic — 68,8, so với 40,6. Hãy nhớ con số đó; nó mới là điều đáng chú ý.

Thẻ mô hình đưa ra ba tuyên bố so sánh bằng văn xuôi: rằng LFM3-VL-2B đạt điểm cao hơn ít nhất 8 điểm so với tất cả các mô hình có kích thước tương tự trên 62 bài đánh giá, rằng nó ngang bằng với Gemma 4 12B, và rằng nó nằm trong khoảng cách 2 điểm so với GPT-5.6 Luna đồng thời vượt qua Gemini 3.5 Flash Lite. Đối chiếu với bảng, những điều đó đều đúng: Gemma 4 12B đạt trung bình 71.7, GPT-5.6 Luna 73.4, Gemini 3.5 Flash Lite 70.0. Một mô hình 1.92B có điểm trung bình chỉ cách mô hình 12B 0.3 điểm là tuyên bố chính, và đó là tuyên bố do nhà cung cấp tự thực hiện về các con số do nhà cung cấp tự chạy.

Công tắc tư duy đang đảm nhận phần lớn công việc

LFM3-VL-2B báo cáo hai điểm số cho cùng một bộ trọng số. Ở chế độ suy luận, nó đạt trung bình 71,4. Khi tắt tính năng suy nghĩ, nó đạt trung bình 62,1. Mức chênh lệch không được phân bổ đồng đều giữa các danh mục — nó tập trung ở những nơi bạn kỳ vọng suy luận sẽ giúp ích và gần như vắng mặt ở những nơi bạn không kỳ vọng.

• Toán học và suy luận logic — 68,8 khi bật chế độ suy nghĩ, 41,0 khi tắt. Chênh lệch 27,8 điểm, lớn nhất từ trước đến nay.

• Tài liệu, OCR và biểu đồ — 83,9 so với 71,6. Chênh lệch 12,3 điểm ở những tác vụ trông có vẻ mang tính tri giác nhưng thường không phải vậy.

• Hiểu giao diện GUI — 83,1 so với 81,5. Hầu như không thay đổi, điều này cho thấy kỹ năng đọc màn hình nằm ở bộ mã hóa và quá trình huấn luyện sau, chứ không phải vòng suy luận.

• Nhận thức — 75,6 so với 68,9.

• Trung bình — 71,4 so với 62,1.

Hệ quả là phép so sánh được đưa lên tiêu đề có lợi cho mô hình mới theo một cách cụ thể. LFM2.5-VL-3B không hỗ trợ chế độ suy luận, nên Liquid đang so sánh một mô hình có suy luận với một mô hình không suy luận. Cuộc so tài công bằng là 62,1 so với 57,6 — vẫn là một chiến thắng, nhưng là chiến thắng 4,5 điểm thay vì 13,8 điểm. Và trong cấu hình đó, nó không còn dẫn đầu tất cả các mô hình lân cận: Qwen3.5 2B đạt trung bình 64,0, dù con số đó cũng đến từ một lần chạy có bật suy luận.

Không điều nào trong số này khiến bản phát hành kém thú vị hơn. Nó khiến bản phát hành trở nên dễ hiểu hơn. Liquid đã xây dựng một mô hình nhỏ mà cách triển khai mặc định nhanh và không suy luận, còn trần hiệu năng cao hơn nhiều khi bạn cho nó suy nghĩ. Con số nào áp dụng cho bạn phụ thuộc hoàn toàn vào việc sản phẩm của bạn có chịu được độ trễ của một vòng suy luận trên điện thoại hay không.

1,92 tỷ mua được gì trên một thiết bị

Luận điểm về hiệu quả là phần Liquid thực sự đang bán, và tấm card hậu thuẫn cho điều đó bằng các phép đo thay vì tính từ. Trên một NVIDIA B300 duy nhất chạy SGLang ở BF16, mô hình tạo ra hơn 12.000 token đầu ra mỗi giây ở 1.024 yêu cầu đồng thời. Con số đó nói nhiều hơn về việc gom lô hơn là về mô hình, nhưng nó khẳng định rằng đường phục vụ đã tồn tại ngay từ ngày đầu tiên.

Trên thiết bị, thẻ công bố prefill, decode và bộ nhớ đỉnh cho từng mô hình được so sánh trong một khối lượng công việc cố định: một ảnh 512×512, 1.024 token văn bản đầu vào, 256 token đầu ra, tất cả trong llama.cpp với mô hình ngôn ngữ GGUF Q4_0 và một bộ chiếu thị giác F16. Đó là một thiết lập có thể tái lập, và cột bộ nhớ là cột cần đọc trước khi quyết định dùng trên điện thoại.

Bộ công cụ là có thật nhưng không đồng đều. Hỗ trợ SGLang đã có ngay từ khi ra mắt. Hỗ trợ llama.cpp đang được xem xét — {{1}}yêu cầu kéo 31252{{/1}} — và mang một lưu ý rõ ràng từ Liquid: {{2}}hiện chưa có đầu vào video{{/2}}. Trọng số GGUF đã tồn tại và có trước thông báo tám ngày. Nếu video là lý do bạn muốn mô hình này, đường hướng cục bộ vẫn chưa hoàn thiện, và thẻ mô hình nói rõ điều đó.

Những gì chưa thể biết được

Ranh giới trung thực của bài viết này: mọi số liệu định lượng ở trên đều đến từ Liquid AI. Không có đánh giá độc lập nào về LFM3-VL-2B, không có mục nào trên bảng xếp hạng của bên thứ ba, không có việc tái lập bộ 62 bài đánh giá, và tính đến ngày 28 tháng 10, không có giá công bố trên mỗi token cho mô hình trên API của chính Liquid. Thẻ mô hình liệt kê khả năng truy cập qua Hugging Face, Liquid playground và Liquid API, đồng thời trọng số là mở, nhưng "trọng số mở" và "được xác minh độc lập" là những tuyên bố khác nhau.

Còn có một khoảng cách giữa chỉ số tổng hợp và câu chuyện triển khai. Mức trung bình trên 62 benchmark là một công cụ tốt để xếp hạng mô hình nhưng lại kém trong việc dự đoán khối lượng công việc của bạn. Những nhóm mà LFM3-VL-2B mạnh nhất — hiểu giao diện GUI, định vị thị giác, đọc tài liệu và biểu đồ — lại chính là những nhóm mà việc nhà cung cấp lựa chọn các trường hợp benchmark có thể làm điểm số thay đổi vài điểm. Những nhóm mà nó yếu nhất, công việc dạng tác tử ở mức 42.5, lại là những nhóm nhiều khả năng quan trọng nhất đối với trường hợp sử dụng robot mà thẻ sản phẩm quảng cáo.

Điều này phù hợp ở đâu nếu bạn đang xây dựng một thứ gì đó

LFM3-VL-2B không có trên danh mục của OrcaRouter tại thời điểm viết bài — đây là một checkpoint bạn tự tải và chạy, không phải thứ bạn gọi trên API của chúng tôi. Điều đó định hình mô thức hữu ích chứ không loại bỏ nó. Những mô hình mà bản phát hành này cạnh tranh về chi phí — các mô hình thị giác chạy trên máy chủ xử lý phần đuôi dài của tài liệu và video — chính là những mô hình bạn sẽ định tuyến, và việc đặt checkpoint cục bộ cùng phương án dự phòng chạy trên máy chủ ở hai bên của một quyết định định tuyến là kiến trúc mà các con số thực sự ủng hộ. Chạy một mô hình 1.92B trên thiết bị và đẩy các khung hình khó lên một mô hình chạy trên máy chủ lớn hơn chính là cách triển khai khiến con số 62.1 trở nên chấp nhận được, vì những trường hợp nó thất bại là những trường hợp rời khỏi thiết bị.

{{1}}Đối với những mô hình mà chúng tôi thực sự định tuyến{{/1}}, một endpoint nghĩa là một khóa, không cần hợp đồng thứ hai, và tự động chuyển đổi dự phòng giữa các nhà cung cấp khi nhà cung cấp chính bị suy giảm. Đó là nửa hệ thống cần một router; {{2}}nửa chạy trên thiết bị cần lượng tử hóa tốt và một ngân sách pin{{/2}}.

Điều gì sẽ thay đổi bức tranh này

Ba điều, theo thứ tự mức độ quan trọng của chúng. Một lần tái lập độc lập bảng 62 benchmark sẽ hoặc xác nhận tuyên bố thú vị nhất trong bản phát hành, hoặc làm thay đổi nó. Một bản dựng llama.cpp đã được hợp nhất có hỗ trợ video sẽ biến lời chào hàng về chạy trên thiết bị từ kế hoạch thành sản phẩm. Và một mức giá API được công bố sẽ cho phép bất kỳ ai so sánh nó trên trục quyết định phần lớn các lần triển khai, mà hiện tại đang là một ô trống.

Cho đến lúc đó, cách diễn giải có thể đứng vững là hẹp và hữu ích: Liquid đã phát hành một mô hình thị giác 1.92B vượt qua mô hình 3.1B mà nó thay thế trên bộ kiểm thử của chính nhà cung cấp, thắng cuộc so sánh đó một cách dứt khoát khi bật suy luận và sát nút khi không bật, đồng thời dẫn đầu phân khúc kích thước của mình về màn hình và tài liệu. Kho mã đã công khai tám ngày trước thông báo, đó là một sự thật về quy trình ra mắt của Liquid chứ không phải về mô hình — nhưng đó là lý do các bài đưa tin đầu tiên về LFM3-VL-2B mang tính suy đoán thay vì đánh giá.