OmniTools 8月12日消息，Liquid AI 于 8 月 12 日发布 LFM2.5-VL-3B 视觉语言模型。该模型参数量约 31 亿，采用 SigLIP2 400M NaFlex 视觉编码器与 LFM2.5-2.6B 文本骨干网络组合，预训练数据达 34 万亿 token，视觉数据量为前代的 4 倍，并扩展词表至 128K 以更好支持非拉丁文字。
模型在屏幕/UI 理解、自然语言目标定位（grounding）、多图推理及函数调用能力四方面实现提升，支持文档、图表、界面元素等数字内容识别。基准测试显示，其在 MMBench、DocVQA、ScreenSpot-v2 等任务中表现领先同规模模型，且在非推理模式下响应直接、延迟低。
该模型已适配 llama.cpp、MLX、vLLM 等主流推理框架，在 M5 Max 上可达 228 token/s，在 Ryzen AI Max+ 395 上为 116 token/s，甚至可在 Galaxy S26 Ultra 上实现 20 token/s 的纯端侧运行；GPU 高并发场景下输出吞吐达约 11K token/s。模型已在 Hugging Face 平台开源。
