Liquid AI发布LFM2.5-VL-3B：3B端侧视觉语言模型，屏幕理解与工具调用能力大幅提升

一句话看懂

Liquid AI发布LFM2.5-VL-3B，3.1B参数端侧视觉语言模型，屏幕理解、目标定位和工具调用能力大幅提升，平均分69.4，支持多格式部署。

详细发生了什么

Liquid AI正式发布LFM2.5-VL-3B，这是一款3.1B参数的视觉语言模型，专为端侧部署设计。模型能读取移动端、网页和桌面端的数字屏幕，把目标定位到坐标，解析文档和图表，还能根据文本或图像输入调用工具。

在28个视觉基准测试中，LFM2.5-VL-3B平均得分69.4，与InternVL-3.5-4B持平，仅比Qwen3.5-4B低0.7分，而这两款对比模型均为4.7B参数。模型采用非推理模式，直接输出答案，延迟更低。内存占用约3GB，在Apple M5 Max上解码速度达228 tokens/s。

模型提供四种格式：原生、GGUF、ONNX和MLX，首日支持llama.cpp、MLX、vLLM、SGLang和ONNX运行时。许可证基于Apache-2.0，但企业年收入超过1000万美元后需商业授权。

相比前代LFM2-VL-3B，新模型在四方面提升：屏幕理解（ScreenSpot-v2平均80.7）、工具调用（ToolSandbox从26.4升至59.5）、目标定位（RefCOCO从57.1升至87.9）和多图像输入（BLINK从50.2升至61.5）。

架构上，语言骨干为LFM2.5-2.6B，视觉塔为SigLIP2 NaFlex 400M编码器，支持32,768 token上下文和16种语言。预训练使用约34T tokens，词汇量翻倍至128K，优化非拉丁语系覆盖。

中文圈视角

对中文开发者而言，LFM2.5-VL-3B的端侧特性很有吸引力。模型支持16种语言，包括中文，词汇量扩展提升了非拉丁语系表现，中文OCR和文档解析场景值得期待。模型能在手机或边缘设备运行，无需云端API，降低数据出境风险，对金融、医疗等敏感行业尤为重要。

国产模型如Qwen3.5-4B在基准上略胜一筹，但LFM2.5-VL-3B在屏幕理解和工具调用上更专注，且开源许可证对小型团队友好。开发者可对比测试，选择适合自身场景的方案。目前中文社区对此模型讨论较少，建议关注其在GUI自动化和离线翻译方面的潜力。

几条值得记住的细节

ScreenSpot-v2平均80.7，其中桌面78.7、移动81.2、网页82.2，优于Gemma-4-E4B（51.2）和Qwen3.5-4B（78.5）。
RefCOCO定位精度从57.1提升至87.9，增长30点，得益于合成数据扩展。
工具调用为VL系列新增，ToolSandbox从26.4升至59.5，BFCL v4从20.5升至32.5。
内存约3GB，M5 Max上228 tok/s，Galaxy S26 Ultra上20 tok/s。
许可证免费商用上限为年收入1000万美元，超出需商业授权。

一句话总结

LFM2.5-VL-3B为端侧视觉AI树立新标杆，中文开发者应关注其在屏幕自动化和离线场景的落地机会。