Liquid AI发布LFM2.5-VL-3B：一款读屏、定位物体和调用工具的视觉语言模型

昨日，Liquid AI发布了名为LFM2.5-VL-3B的视觉语言模型。这款拥有31亿参数量的模型专为在设备上的部署而设计，在移动、网页和桌面屏幕上读取数字屏幕，并能将物体定位到坐标上，解析文档和图表，并根据文本或图像输入调用工具。Liquid AI报告称该模型在28个视觉基准测试中的平均得分为69.4分，与InternVL-3.5-4B持平，比Qwen3.5-4B低0.7分。由于是非推理型的，它能直接回答问题并保持较低延迟，在Apple M5 Max上占用约3GB内存，并以每秒228个令牌的速度解码。该模型支持原生、GGUF、ONNX和MLX四种格式，第一天就可在llama.cpp、MLX、vLLM、SGLang和ONNX等运行时环境中使用。它适用于消费电子、汽车、工业与机器人技术、金融服务、医疗保健以及电子商务等行业，并可用于QA和RPA供应商自动化GUI。LFM2.5-VL-3B在屏幕理解和UI理解方面表现出色，平均得分为80.7分，在桌面（78.7）、移动设备（81.2）和网页（82.2）上均表现优异。此外，该模型新增了功能调用能力，ToolSandbox从26.4提高到59.5，BFCL v4从20.5提升至32.5。