Liquid AI Lanza LFM2.5-VL-3B: Un Modelo Vision-Language de 3B para Comprensión de Pantallas y Documentos en Dispositivos

Liquid AI ha lanzado LFM2.5-VL-3B, un modelo vision-language con 3,1 mil millones de parámetros optimizado para implementación en dispositivos en plataformas móvil, web y escritorio. El modelo lee pantallas digitales, ancla objetos a coordenadas de pantalla, analiza documentos y gráficos, y ejecuta llamadas de herramientas desde entrada visual manteniendo baja latencia. Logra una puntuación promedio de 69,4 en 28 puntos de referencia de visión, igualando el rendimiento de modelos más grandes con 4,7 mil millones de parámetros. Funciona dentro de aproximadamente 3 GB de memoria y decodifica a 228 tokens por segundo en un procesador Apple M5 Max. La ventana de contexto de 32.768 tokens admite 16 idiomas, y los pesos están disponibles en formatos nativo, GGUF, ONNX y MLX compatibles con los principales motores de inferencia incluyendo vLLM, SGLang y llama.cpp.