Визуально-языковые модели серии Liquid AI LFM3 с 1.92B параметров (1.73B языковая модель + 164M собственный визуальный энкодер): чтение изображений в нативном разрешении, первая поддержка видеовхода (по умолчанию 2 кадров в секунду, диапазон 4–768 кадров), предварительное размышление перед ответом, предназначены для видеовопросов на мобильных телефонах и компьютерах, чтения документов и диаграмм, понимания интерфейсов приложений, поиска объектов и пространственного рассуждения для роботов.
Рост рейтинга 163 · Лайки 165 · Количество загрузок 4193
Причины
- Средний результат на 62 официальных визуальных бенчмарках составляет 71.4 (без режима размышления — 62.1), что выше показателя Qwen3.5 2B (64.0) и сопоставимо с Gemma 4 12B (71.7), но ниже, чем у Qwen3.5 4B и GPT-5.6 Luna (73.4); в задачах с документами / OCR / диаграммами результат составляет 83.9, в задачах понимания GUI — 83.1 (ScreenSpot-Pro 55.5).
- Средний результат в видеозадачах составляет 61.2, что ниже показателя Qwen3.5 4B (67.5); поддерживается вызов инструментов (формат изменен на надмножество qwen3_coder) и «поиск инструментов» с отложенной загрузкой, контекстное окно составляет 128K, поддерживается 16 языков, включая китайский.
- С момента релиза доступны версии GGUF, MLX 4-бит и ONNX, которые можно запускать локально в llama.cpp и LM Studio; в карточке модели прилагаются ноутбуки для дообучения SFT (преобразование чеков в JSON) и GRPO (преобразование изображений формул в LaTeX). Ранее в выпусках это не освещалось.
Использование
- llama.cpp (версия b11960 и выше): 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, запускает веб-чат и интерфейс, совместимый с OpenAI; для просмотра видео требуется ffmpeg, llama.cpp фиксирует частоту 2 кадров в секунду.
- Transformers ≥5.21.0: AutoModelForImageTextToText.from_pretrained("LiquidAI/LFM3-VL-2B", trust_remote_code=True); для длинных видео можно использовать processor_kwargs={"fps": 1} или max_frames=128 для снижения частоты кадров и экономии видеопамяти.
- Официально рекомендуемые параметры сэмплирования: temperature 0.1, top_k 50, repetition_penalty 1.1; при генерации необходимо задавать достаточное значение max_new_tokens, так как содержимое размышлений может быть очень длинным.
Риски
- Официально не рекомендуется использовать для программирования, многоходовых диалогов и сложных рассуждений; поддержка vLLM находится в разработке, поддержка SGLang проходит ревью в PR.
- Лицензия — LFM Open License v1.0, а не Apache / MIT; требуется параметр trust_remote_code.
- Все оценки получены в ходе собственного тестирования Liquid AI, контрольные значения для GPT-5.6 Luna, Gemini 3.5 Flash Lite и других также взяты из официальных таблиц.