Liquid AI、オンデバイス対応の視覚言語モデル「LFM2.5-VL-3B」を公開
本文の状態
日本語全文を表示中
詳細モードで約6分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
MarkTechPost
Liquid AI はオンデバイス向けの視覚言語モデル「LFM2.5-VL-3B」をリリースし、画面読み取りやオブジェクトの座標特定、ツール呼び出し機能を搭載して低遅延な実装を実現した。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るAI深層分析を開く2026年8月14日 01:21
AI深層分析
キーポイント
オンデバイスでの高度な機能
本モデルは約3GBのメモリで動作し、モバイルやデスクトップ上の画面を読み取り、オブジェクトを座標に特定してツールを呼び出すことができる。
ベンチマーク性能と比較
28のビジョンベンチマークで平均69.4点を獲得し、同サイズのInternVL-3.5-4Bと同等だが、Qwen3.5-4Bには0.7点及ばない。
商用利用ライセンスの制限
Apache-2.0ベースのLFM Open License v1.0を採用するが、年間収益が1,000万ドルを超える企業は商用利用のために別途ライセンス交渉が必要となる。
技術的進化とアーキテクチャ
機能呼び出しや多画像入力、座標特定機能が大幅に強化され、SigLIP2ベースのビジョンエンコーダーと34Tトークンによる事前学習を採用している。
4.7B クラスのモデルと同等の性能
28 のビジョンベンチマークで平均 69.4 を達成し、同サイズの InternVL-3.5-4B と同等、Qwen3.5-4B に僅差で迫る結果となった。
重要な引用
The model reads digital screens across mobile, web, and desktop.
It fits in roughly 3 GB of memory and decodes 228 tokens/s on an Apple M5 Max.
free commercial use ends once a company's annual revenue reaches $10M USD.
LFM2.5-VL-3B averages 69.4, matching InternVL-3.5-4B (69.4) and landing 0.7 points behind Qwen3.5-4B (70.1).
編集コメントを表示
編集コメント
オンデバイスでの複雑な画面操作とツール連携を可能にする点は、エッジAIの新たな基準を示すものである。特に収益制限付きのライセンスモデルは、スタートアップと大企業の利用戦略を分ける重要な要素となるだろう。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Liquid AI は昨日、オンデバイス展開を目的とした 31 億パラメータのビジョン・ランゲージモデル「LFM2.5-VL-3B」を発表しました。このモデルはモバイル、Web、デスクトップ上のデジタル画面を読み取り、物体を座標に特定し、文書やチャートを解析します。さらに、テキストまたは画像の入力からツール呼び出しも可能です。
Liquid AI によると、このモデルは 28 のビジョンベンチマークで平均スコア 69.4 を達成しました。これは 47 億パラメータの InternVL-3.5-4B と同等であり、Qwen3.5-4B（同 47 億パラメータ）には 0.7 ポイント及ばない程度です。推論機能を持たない設計のため、回答は直接的でレイテンシも低く抑えられています。メモリ使用量は約 3GB で、Apple M5 Max では 1 秒間に 228 トークンを生成できます。
実用性は担保されているでしょうか？
はい、チェックポイントはネイティブ、GGUF、ONNX、MLX の 4 つの形式で提供されます。対応するランタイムには llama.cpp、MLX、vLLM、SGLang、ONNX が含まれます。メモリ使用量は約 3GB です。
ライセンス条件は？
LFM Open License v1.0 は Apache-2.0 をベースにしていますが、一点だけ変更があります。それは、企業の年間収益が 1,000 万ドル（USD）を超えると商用利用の無料枠が終了することです。このライン以下のインディーズ開発者、スタートアップ、中小企業は無料で商用展開が可能です。一方、収益規模がこの基準を超える大企業は、Liquid AI と個別に商用ライセンスを交渉する必要があります。研究、教育、非営利活動については収益制限はありません。
適用業界：
家電、自動車、産業用ロボット、金融サービス、ヘルスケア、EC 分野に加え、GUI を自動化する QA や RPA ベンダーにも適しています。
活用シーン：オンデバイス画面エージェント、GUI テスト自動化、レイアウトラベル付き PDF から構造化テキストへの変換、請求書や領収書の OCR、車両内のニアリアルタイム物体検出、メニューや標識のオフライン翻訳、複数画像の比較など。
何が新しいのか？
LFM2.5-VL-3B は、LFM2-VL-3B を 4 つの軸で拡張したモデルです。
画面と UI の理解：ScreenSpot-v2 ベンチマークでの平均スコアは 80.7（デスクトップ 78.7、モバイル 81.2、Web 82.2）を記録。Liquid AI によると、Gemma-4-E4B は 51.2、Qwen3.5-4B は 78.5 で、より大規模な InternVL-3.5-4B が 84.1 と先行しています。
関数呼び出し：これは VL ラインでは初めての機能です。ToolSandbox のスコアは 26.4 から 59.5 に向上し、BFCL v4 も 20.5 から 32.5 に改善されました。ツール呼び出しは、<|tool_call_start|> と <|tool_call_end|> トークンの間に Python 風の呼び出しとして出力されます。
物体の位置特定（グラウンディング）：RefCOCO-avg の precision@1 は 57.1 から 87.9 に上昇し、30 ポイントもの大幅な向上を達成。これは、スケールされた合成グラウンディングデータによるものです。
複数画像入力：BLINK は 50.2 から 61.5 に、MuirBench は 34.9 から 58.3 にそれぞれ改善されました。
アーキテクチャとトレーニング
言語バックボーンには LFM2.5-2.6B を採用。ビジョンタワーは、形状最適化された SigLIP2 NaFlex の 400M エンコーダーです。NaFlex は、大きな画像を非重複の 512×512 パッチに分割し、縮小した全体像のスナップショットを追加することでネイティブ解像度を処理します。コンテキスト長は 32,768 トークンで、16 か国語に対応しています。
事前学習には約 34T トークンを使用しました。既存のトークナイザーを拡張して語彙サイズを 128K に倍増させることで、ラテン文字以外のスクリプトへの対応力を高めています。ビジョン分野の事前学習では、キュレーション済みおよび合成されたキャプション、OCR（光学式文字認識）、グラウンディング、指示従属データを用いてトークン数を 4 倍にスケールしました。
ポストトレーニングは、大規模な教師モデルからの知識蒸留と Antidoom トレーニングによる SFT（Supervised Fine-Tuning）を実施し、その後マルチリワード強化学習を適用しています。
このモデルは推論機能を持たず、直接回答する設計となっています。これはレイテンシ特性に直結した設計思想です。
ベンチマーク結果
Liquid AI は非推論モードで vLLM 0.26.0 を使用し、28 のビジョンベンチマークで評価を行いました。LFM2.5-VL-3B の平均スコアは 69.4 で、InternVL-3.5-4B（69.4）と同等の性能を達成しました。一方、Qwen3.5-4B（70.1）には 0.7 ポイント差で及びません。比較対象となった両モデルはいずれもパラメータ数が 4.7B です。
注目すべき個別結果は以下の通りです。RealWorldQA は 73.1 で InternVL-3.5-4B の 67.7 を上回り、TextVQA では 84.3 で Qwen3.5-4B の 81.2 を凌駕しました。また、MMStar は 63.3、MathVista-mini は 68.5、ChartQA は 81.3、DocVQA は 91.1、OCRBench v1 は 84.2 を記録しています。ただし、CountBenchQA のスコアは前回のリリースから 92.2 から 87.3 に低下しました。
テキストのみの評価では、IFEval が 72.9 から 82.3 に向上しました。この分野では依然として Gemma-4-E4B が 87.9 で首位を維持しています。
キーポイント
LFM2.5-VL-3B は 28 のビジョンベンチマークで平均 69.4 を達成し、4.7B クラスのモデルと肩を並べる結果となりました。
ScreenSpot-v2 は前回の 57.1 から 80.7 に急上昇し、RefCOCO-avg も同様に 87.9 まで向上しました。
機能呼び出し（Function calling）は VL ラインでは初めて採用されました。ToolSandbox のスコアは 26.4 から 59.5 に、BFCL v4 は 20.5 から 32.5 にそれぞれ大幅に改善されています。
推論には約 3 GB のメモリで済み、M5 Max では秒間 228 トークン、Galaxy S26 Ultra では秒間 20 トークンの速度で動作します。
LFM Open License v1.0 は、年間収益が 1,000 万ドル未満の企業であれば商用利用も無料です。
技術詳細やモデル重みについてはこちらをご覧ください。Twitter や 15 万人以上の ML 関係者が集まる SubReddit、そしてニュースレターへの登録もお忘れなく。Telegram をお使いの方にも好消息があります。今なら Telegram でも私たちに参加できます。
この記事は MarkTechPost に掲載されたものです。
原文を表示
Yesterday, Liquid AI released LFM2.5-VL-3B. It is a 3.1B-parameter vision-language model built for on-device deployment. The model reads digital screens across mobile, web, and desktop. It grounds objects to coordinates, parses documents and charts, and calls tools from text or image input. Liquid AI reports an average of 69.4 across 28 vision benchmarks. That matches InternVL-3.5-4B and sits 0.7 points behind Qwen3.5-4B, both 4.7B models. The model is non-reasoning, so it answers directly and keeps latency low. It fits in roughly 3 GB of memory and decodes 228 tokens/s on an Apple M5 Max.
Is it deployable?
Yes, the checkpoint ships in four formats: native, GGUF, ONNX, and MLX. Day-one runtimes include llama.cpp, MLX, vLLM, SGLang, and ONNX. It fits in roughly 3 GB of memory.
Which company levels: The LFM Open License v1.0 is Apache-2.0-based with one change: free commercial use ends once a company’s annual revenue reaches $10M USD. So indie developers, startups, and SMBs under that line can ship commercially at no cost. Enterprises above it must negotiate a commercial license with Liquid AI. Research, education, and non-profit use carry no revenue limit.
Industries: Consumer electronics, automotive, industrial and robotics, financial services, healthcare, and e-commerce. Also QA and RPA vendors that automate GUIs.
Applications: On-device screen agents, GUI test automation, PDF-to-structured-text with layout labels, invoice and receipt OCR, near-real-time object detection in vehicles, offline translation of menus and road signs, and multi-image comparison.
So, What is new?
LFM2.5-VL-3B extends LFM2-VL-3B along four axes.
Screen and UI understanding: The model averages 80.7 on ScreenSpot-v2 across desktop (78.7), mobile (81.2), and web (82.2). Liquid AI reports Gemma-4-E4B at 51.2 and Qwen3.5-4B at 78.5, with the larger InternVL-3.5-4B ahead at 84.1.
Function calling: This is new to the VL line. ToolSandbox moves from 26.4 to 59.5. BFCL v4 moves from 20.5 to 32.5. Tool calls are emitted as Pythonic calls between <|tool_call_start|> and <|tool_call_end|> tokens.
Grounding: RefCOCO-avg precision@1 rises from 57.1 to 87.9, a 30-point gain driven by scaled synthetic grounding data.
Multi-image input: BLINK improves from 50.2 to 61.5, and MuirBench from 34.9 to 58.3.
Architecture and training
The language backbone is LFM2.5-2.6B. The vision tower is a SigLIP2 NaFlex shape-optimized 400M encoder. NaFlex handles native resolution by splitting large images into non-overlapping 512×512 patches plus a resized whole-image thumbnail. Context length is 32,768 tokens, and 16 languages are supported.
Pre-training used approximately 34T tokens. Vocabulary was doubled to 128K by extending the existing tokenizer in place, which improves non-Latin script coverage. Vision pre-training was scaled 4× in tokens with curated and synthetic caption, OCR, grounding, and instruction-following data.
Post-training is SFT with knowledge distillation from a larger teacher and Antidoom training, followed by multi-reward reinforcement learning.
The model is non-reasoning. It answers directly, which is the design choice behind its latency profile.
Benchmarks
Liquid AI evaluated across 28 vision benchmarks using vLLM 0.26.0 in non-reasoning mode. LFM2.5-VL-3B averages 69.4, matching InternVL-3.5-4B (69.4) and landing 0.7 points behind Qwen3.5-4B (70.1). Both comparison models are 4.7B parameters.
Notable individual results: RealWorldQA 73.1 against InternVL-3.5-4B at 67.7, TextVQA 84.3 against Qwen3.5-4B at 81.2, MMStar 63.3, MathVista-mini 68.5, ChartQA 81.3, DocVQA 91.1, and OCRBench v1 84.2. CountBenchQA regressed to 87.3 from 92.2 in the prior release.
On text-only evaluation, IFEval reaches 82.3, up from 72.9. Gemma-4-E4B still leads there at 87.9.
Key Takeaways
LFM2.5-VL-3B hits a 69.4 average across 28 vision benchmarks, matching 4.7B-class models.
ScreenSpot-v2 jumps to 80.7 and RefCOCO-avg to 87.9, from 57.1 in the prior release.
Function calling is new to the VL line: ToolSandbox 26.4 → 59.5, BFCL v4 20.5 → 32.5.
Runs in ~3 GB, decoding 228 tok/s on M5 Max and 20 tok/s on a Galaxy S26 Ultra.
LFM Open License v1.0 is free commercially only under $10M annual revenue.
Check out the Technical Details and Model Weights. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
Need to partner with us for promoting your GitHub Repo OR Hugging Face Page OR Product Release OR Webinar etc.? Connect with us
The post Liquid AI Releases LFM2.5-VL-3B: A 3B Vision-Language Model That Reads Screens, Grounds Objects, and Calls Tools On-Device appeared first on MarkTechPost.
関連記事
News to Guide
ニュースの次に確認する
発表内容を、現在の料金や仕様と照らし合わせられる関連ガイドです。
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み