Liquid AI 最新發佈了 LFM2-VL 系列視覺語言基礎模型（Vision-Language Foundation Models），這標誌着多模態 AI 正朝着「精簡、快速、可部署在設備端」的方向加速發展。

這兩款型號分別是 LFM2-VL-450M 和 LFM2-VL-1.6B，前者專爲資源受限的硬件環境設計，參數量不足5億;後者雖參數更多但依舊輕量，適合單個 GPU 或設備直接部署。

image.png

LFM2-VL 擴展自 Liquid AI 之前推出的 LFM2架構，整合了視覺與語言處理能力，支持多分辨率的圖片輸入，可處理文本與圖像，具有極佳的靈活性與兼容性 。模型在 GPU 推理速度上實現了高達「兩倍」的提升，並且在常見性能評測中表現不凡。

在圖像處理方面，LFM2-VL 能以原始分辨率（最高512×512）輸入圖像，避免因強制縮放帶來的失真問題。對於更大尺寸圖像，模型會採用非重疊切片方式處理，並配合縮略圖以獲取全局語境信息 (Venturebeat， liquid.ai)。其架構由語言模型主幹、SigLIP2NaFlex 視覺編碼器與一個多模態投影器構成。投影器使用兩層 MLP(帶 pixel unshuffle 技術)來減少圖像 token 數量，從而提升處理速度 (Venturebeat， liquid.ai)。

訓練數據方面，LFM2-VL 涉及約1，000億多模態訓練 token，來源包括開源數據集與公司自有合成圖像數據 。評測結果顯示，LFM2-VL-1.6B 在 RealWorldQA(65.23)、InfoVQA(58.68)、OCRBench(742)等任務中成績優異，同時在推理效率上領先於同類模型。

目前，這些模型已在 Hugging Face 發佈，並附有在 Colab 上的微調示例代碼，兼容 Hugging Face Transformers 與 TRL 庫。它們採用了一種基於 Apache2.0原則的新“LFM1.0授權協議”，允許學術使用，年收入低於1，000萬美元的公司可用於商業，而年營收更高的企業則需聯繫 Liquid AI 獲取授權）。

Liquid AI 的 LFM2-VL 模型組合爲視覺與文本融合 AI 在設備端部署提供了新的路徑，尤其適合手機、筆記本、可穿戴設備等場景，有助於降低對雲端依賴，提升隱私與響應速度。

項目:https://huggingface.co/LiquidAI/LFM2-VL-1.6B

劃重點:

  • 🆕 兩種型號設計:LFM2-VL-450M（極簡資源環境適用）和 LFM2-VL-1.6B(更強但依然輕量)，適配設備端部署。

  • 速度與效率兼顧:GPU 推理速度高達2倍提升，同時具備優秀的多模態任務表現。

  • 多平臺友好環境:已發佈在 Hugging Face，提供授權選項，兼容主流開發工具，適合學術與中小企業商業用途。