Liquid AI 釋出 LFM2-VL：輕量端側視覺模型，推理速度翻倍

LFM2-VL 是 Liquid AI 推出的首個端側視覺語言模型系列，把自家的液態基礎模型擴充套件到了多模態領域。它包含 450M 和 1.6B 兩個尺寸，專門給手機、筆記本、可穿戴裝置以及邊緣單卡環境設計，支援文本和任意比例的影像輸入。

它是怎麼做到的

LFM2-VL 包含語言模型底座、視覺編碼器和多模態投影層三個部分。

它的語言底座來自 LFM2 家族，450M 版本採用 LFM2-350M，1.6B 版本採用 LFM2-1.2B。

視覺部分使用的是 SigLIP2 NaFlex 編碼器。450M 版本搭配 86M 的輕量編碼器以換取極致速度，1.6B 版本則搭配 400M 的細粒度編碼器。編碼器原生支援 512×512 解析度，小圖不需要強行拉伸插值，也能直接適配非常規寬高比。

遇到大圖時，系統會把它切分成多個 512×512 的不重疊切片。在 1.6B 版本里，模型還會額外看一張原圖縮小的全域性縮圖，用來把握畫面的整體結構。

連線視覺和文本的投影層採用了兩層 MLP 和畫素重排技術，大幅減少了影像 token 的數量。比如一張 256×384 的圖片只會產生 96 個 token，384×680 的圖片產生 240 個 token，就算面對 1000×3000 的大圖也只有 1020 個 token。

最實用的是，開發者在推理時不需要重新訓練模型，就能直接調節最大影像 token 數量和切片數量，在識別精度和延遲之間自己做取捨。

模型整體在約 1000 億個多模態 token 上訓練完成，訓練過程中圖文比例從最開始的 95% 純文本逐步過渡到 30%。

速度與實測表現

速度是 LFM2-VL 的核心賣點。在標準的 GPU 測試場景下，處理一張 1024×1024 的圖片配簡短提示詞並生成 100 個 token，LFM2-VL 的推理速度比同類最快模型快了最高 2 倍。

跑分上它也保持了相當的競爭力。1.6B 版本在 RealWorldQA 評測中拿下了 65.23 分，勝過 SmolVLM2-2.2B 的 57.50 分，與 InternVL3-2B 持平。在 MM-IFEval 複雜指令遵循上拿到 37.66 分，明顯領先 SmolVLM2 系列。它的 OCRBench 得分為 742 分。

即使是僅有 450M 引數的超小版本，RealWorldQA 得分也有 52.29 分，OCRBench 跑出 655 分，在同級別極小模型裡表現亮眼。

怎麼用起來

這兩個模型現在已經可以在 Hugging Face 上直接下載權重，官方還提供了 Colab 微調示例程式碼。

軟體生態方面，LFM2-VL 目前相容 Hugging Face transformers 和 TRL，企業使用者也可以通過官方的 LEAP 平臺進行定製和多平臺部署。

許可證基於 Apache 2.0 修改。學術和科研用途完全免費，年營收低於 1000 萬美元的企業也可以免費用於商業專案，超過該門檻的公司則需要聯絡官方獲取商業授權。

為什麼重要

如果你正在為智慧手錶、嵌入式攝像頭或本地桌面工具尋找極低延遲的看圖問答模型，LFM2-VL 很值得一試。以前要在移動端塞進一個視覺模型，要麼視訊記憶體吃緊，要麼推理卡頓，而 450M 和 1.6B 的規格把端側硬體門檻拉得足夠低。

我們認為，Liquid AI 聰明的地方在於沒有在通用大模型紅海里拼引數，而是靠緊湊架構和 token 壓縮把端側速度做到同類兩倍。雖然它的純文本能力和超難圖表推理相比數卡大模型仍有距離，但在端側即時響應的場景下，這套兼顧速度與精度的取捨非常精準。