Liquid AI LFM3 シリーズの視覚言語モデル、1.92B パラメータ（1.73B 言語モデル + 164M 自社開発視覚エンコーダ）：ネイティブ解像度での画像読み取り、動画入力への初対応（デフォルトで毎秒 2 フレーム、4–768 フレーム）、回答前に思考、スマートフォンやPCでの動画Q&A、ドキュメントや図表の読み取り、アプリUIの理解、物体検出、ロボットの空間推論向け。
上昇スコア 163 · いいね数 165 · ダウンロード数 4193
理由
- 公式自己テストで 62 個の視覚ベンチマークの平均スコアが 71.4（思考機能をオフにすると 62.1）、Qwen3.5 2B の 64.0 より高く、Gemma 4 12B の 71.7 と同等、Qwen3.5 4B および GPT-5.6 Luna の 73.4 より低い；ドキュメント / OCR / 図表関連では 83.9、GUI 理解関連では 83.1（ScreenSpot-Pro で 55.5）。
- 動画関連の平均スコアは 61.2 で、Qwen3.5 4B の 67.5 より低い；ツール呼び出し（フォーマットは qwen3_coder の上位互換に変更）と遅延読み込みツール用の「ツール検索」に対応、コンテキストウィンドウは 128K、中国語を含む 16 言語に対応。
- 初回リリースから GGUF、MLX 4 ビット、ONNX バージョンを提供し、llama.cpp や LM Studio でローカル実行が可能；カードにはレシートを JSON に変換する SFT と、数式画像を LaTeX に変換する GRPO ファインチューニングノートブックが含まれる。過去の号では未収録だった。
使い方
- llama.cpp（b11960 以上）：llama serve -hf LiquidAI/LFM3-VL-2B-GGUF:Q4_0 --temp 0.1 --top-p 1.0 --top-k 50 --min-p 0.0 --repeat-penalty 1.1 を実行し、WebチャットとOpenAI互換APIを起動；動画を表示するには ffmpeg をインストールする必要があり、llama.cpp は毎秒 2 フレームに固定。
- Transformers ≥5.21.0：AutoModelForImageTextToText.from_pretrained("LiquidAI/LFM3-VL-2B", trust_remote_code=True)；長い動画では processor_kwargs={"fps": 1} または max_frames=128 を使用してフレームレートを下げ、VRAMを節約できる。
- サンプリングは公式推奨の temperature 0.1、top_k 50、repetition_penalty 1.1 を使用；generate 実行時は max_new_tokens を十分に確保する必要があり、思考内容は非常に長くなる可能性がある。
リスク
- 公式はプログラミング、マルチターン対話、複雑な推論への使用を推奨していない；vLLM のサポートは開発中、SGLang のサポートは PR レビュー中。
- ライセンスは LFM Open License v1.0 であり、Apache / MIT ではない；trust_remote_code が必要。
- すべてのスコアは Liquid AI による自己テストであり、GPT-5.6 Luna、Gemini 3.5 Flash Lite などの比較値も公式の表から引用されている。