Liquid AI 发布 LFM2-VL：轻量端侧视觉模型，推理速度翻倍

LFM2-VL 是 Liquid AI 推出的首个端侧视觉语言模型系列，把自家的液态基础模型扩展到了多模态领域。它包含 450M 和 1.6B 两个尺寸，专门给手机、笔记本、可穿戴设备以及边缘单卡环境设计，支持文本和任意比例的图像输入。

它是怎么做到的

LFM2-VL 包含语言模型底座、视觉编码器和多模态投影层三个部分。

它的语言底座来自 LFM2 家族，450M 版本采用 LFM2-350M，1.6B 版本采用 LFM2-1.2B。

视觉部分使用的是 SigLIP2 NaFlex 编码器。450M 版本搭配 86M 的轻量编码器以换取极致速度，1.6B 版本则搭配 400M 的细粒度编码器。编码器原生支持 512×512 分辨率，小图不需要强行拉伸插值，也能直接适配非常规宽高比。

遇到大图时，系统会把它切分成多个 512×512 的不重叠切片。在 1.6B 版本里，模型还会额外看一张原图缩小的全局缩略图，用来把握画面的整体结构。

连接视觉和文本的投影层采用了两层 MLP 和像素重排技术，大幅减少了图像 token 的数量。比如一张 256×384 的图片只会产生 96 个 token，384×680 的图片产生 240 个 token，就算面对 1000×3000 的大图也只有 1020 个 token。

最实用的是，开发者在推理时不需要重新训练模型，就能直接调节最大图像 token 数量和切片数量，在识别精度和延迟之间自己做取舍。

模型整体在约 1000 亿个多模态 token 上训练完成，训练过程中图文比例从最开始的 95% 纯文本逐步过渡到 30%。

速度与实测表现

速度是 LFM2-VL 的核心卖点。在标准的 GPU 测试场景下，处理一张 1024×1024 的图片配简短提示词并生成 100 个 token，LFM2-VL 的推理速度比同类最快模型快了最高 2 倍。

跑分上它也保持了相当的竞争力。1.6B 版本在 RealWorldQA 评测中拿下了 65.23 分，胜过 SmolVLM2-2.2B 的 57.50 分，与 InternVL3-2B 持平。在 MM-IFEval 复杂指令遵循上拿到 37.66 分，明显领先 SmolVLM2 系列。它的 OCRBench 得分为 742 分。

即使是仅有 450M 参数的超小版本，RealWorldQA 得分也有 52.29 分，OCRBench 跑出 655 分，在同级别极小模型里表现亮眼。

怎么用起来

这两个模型现在已经可以在 Hugging Face 上直接下载权重，官方还提供了 Colab 微调示例代码。

软件生态方面，LFM2-VL 目前兼容 Hugging Face transformers 和 TRL，企业用户也可以通过官方的 LEAP 平台进行定制和多平台部署。

许可证基于 Apache 2.0 修改。学术和科研用途完全免费，年营收低于 1000 万美元的企业也可以免费用于商业项目，超过该门槛的公司则需要联系官方获取商业授权。

为什么重要

如果你正在为智能手表、嵌入式摄像头或本地桌面工具寻找极低延迟的看图问答模型，LFM2-VL 很值得一试。以前要在移动端塞进一个视觉模型，要么显存吃紧，要么推理卡顿，而 450M 和 1.6B 的规格把端侧硬件门槛拉得足够低。

我们认为，Liquid AI 聪明的地方在于没有在通用大模型红海里拼参数，而是靠紧凑架构和 token 压缩把端侧速度做到同类两倍。虽然它的纯文本能力和超难图表推理相比数卡大模型仍有距离，但在端侧即时响应的场景下，这套兼顾速度与精度的取舍非常精准。