Liquid AI e l'efficienza sull'edge con LFM2.5-VL-3B: dati dichiarati e limiti d'uso

Il 12 agosto 2026 Liquid AI ha rilasciato LFM2.5-VL-3B, un modello vision-language da 3,1 miliardi di parametri a pesi aperti progettato per operare su dispositivi consumer come telefoni, portatili e singole GPU. L'architettura, basata su un encoder visivo SigLIP2 e sul backbone testuale di LFM2.5-2.6B, il modello solo testo pubblicato otto giorni prima, supporta una finestra di contesto di 32.768 token e 16 lingue, tra cui l'italiano. Secondo quanto riportato nel blog ufficiale, l'obiettivo è l'elaborazione locale, riducendo la dipendenza dai data center.

I dati sulle prestazioni, forniti esclusivamente dall'azienda e ripresi dalla stampa di settore, indicano una media di 69,4 su 28 benchmark di visione: una media che eguaglia InternVL-3.5-4B (69,4) e resta 0,7 punti sotto Qwen3.5-4B (70,1), a fronte di 3,1 miliardi di parametri contro 4,7. Accanto ai miglioramenti in aree come il ToolSandbox, si registra una regressione su CountBenchQA, sceso a 87,3 rispetto ai 92,2 della versione precedente. Senza verifiche indipendenti di terze parti, questi numeri restano dichiarazioni dell'azienda, non ancora verificate da terze parti — la stessa MarkTechPost precisa di riportare i dati Liquid AI senza validarli.

Sul fronte dell'efficienza, Liquid AI dichiara velocità di 228 token al secondo su Apple M5 Max e un'occupazione di memoria di circa 3 GB. È fondamentale notare che le condizioni di questi test non sono state dettagliate, rendendo difficile valutare la replicabilità dei risultati. La distribuzione avviene sotto licenza LFM1.0: MarkTechPost riporta che questa consentirebbe l'uso commerciale gratuito fino a 10 milioni di dollari di ricavi annui, un dettaglio che non appare esplicitamente nella model card ufficiale su Hugging Face, la quale si limita a citare la tipologia di licenza senza specificare le soglie economiche.

La documentazione tecnica delimita chiaramente i campi di applicazione, specificando che il modello «non è raccomandato per compiti a contesto lungo e ad alta intensità di ragionamento» («is not recommended for long-context, reasoning-intensive tasks»), come il web design visivo o le domande molto tecniche su progetti tecnici. Il prodotto è invece ottimizzato per task a singolo turno e alto throughput, come l'OCR documentale e la traduzione on-device, dove la bassa latenza e la gestione locale dei dati rappresentano i principali vantaggi operativi.

— Olya L'efficienza è la nuova valuta nel mercato dei modelli di linguaggio, ma la velocità di generazione da sola non basta a validare un'architettura. È positivo vedere aziende spingersi verso l'edge computing con modelli competitivi, ma finché i benchmark rimangono autoproclamati e i dettagli sui set-up di test sono vaghi, la differenza tra un reale salto di qualità e una semplice ottimizzazione marketing resta sottile. La verifica indipendente non è un optional, è una necessità.