リキッドAI (LiquidAI) は2026年8月11日(現地時間)、エッジデバイス向けビジョン・言語モデル「LFM2.5-VL-3B」を発表した。このモデルは、ユーザー自身のハードウェア上で実行可能で、文書やデジタル画面の理解、オブジェクトの特定、ツールの呼び出しといった機能を備える。推論ではなく直接回答することで、リアルタイムおよびオンデバイスアプリケーションでの高速な応答を実現する。
LFM2.5-VL-3Bは、既存のビジョン・言語モデルの機能を拡張し、四つの主要な改善が施された。具体的には、異なるデバイス間のデジタル画面の理解、自然言語クエリによるグラウンディングとオブジェクト検出の向上、複数画像間での推論能力の強化、およびテキストのみとビジョン・テキストの両状況での関数呼び出し能力の向上が挙げられる。
モデルは、SigLIP2 400M NaFlexビジョンエンコーダと、LiquidAIのLFM2.5-2.6Bテキストモデルと同じ事前学習済みバックボーンを組み合わせている。約34兆トークンで事前学習され、以前の4倍のビジョンデータが使用された。非ラテン文字に対応するため、語彙は128Kに倍増されている。後学習は、より大規模な教師モデルからの知識蒸留とAntidoom訓練を用いた教師ありファインチューニング (SFT) と、多報酬強化学習 (RL) の二段階で実施された。
ベンチマーク評価では、LFM2.5-VL-3Bは、同サイズクラスのモデルの中でリアルワールド画像タスクにおいて高い性能を示し、文書、チャート、UI要素などのデジタルコンテンツの読解にも優位性がある。特にScreenSpot-v2ベンチマークでは、デスクトップで78.7、モバイルで81.2、ウェブで82.2のスコアを記録した。推論速度においても、M5 Maxで228トークン/秒、Ryzen AI Max+ 395で116トークン/秒、Galaxy S26 Ultraでも20トークン/秒を達成し、オンデバイスでの完全な動作が可能である。GPU (H100) においては、高並行性で約11Kトークン/秒の出力スループットを実現し、4Bクラスモデルの約2倍の速度である。
参考: Hugging Face Blog (アーカイブ) — 2026年8月12日 15:36 (JST)
原文ハイライト"LFM2.5-VL-3B is our most capable vision-language model"