Liquid AI und Effizienz am Edge mit LFM2.5-VL-3B: eigene Zahlen, erklärte Grenzen

Am 12. August 2026 hat Liquid AI LFM2.5-VL-3B veröffentlicht, ein Vision-Language-Modell mit offenen Gewichten und 3,1 Milliarden Parametern, ausgelegt für Consumer-Geräte wie Smartphones, Notebooks und einzelne GPUs. Die Architektur beruht auf einem SigLIP2-Vision-Encoder und dem Text-Backbone von LFM2.5-2.6B, dem acht Tage zuvor erschienenen reinen Textmodell; sie unterstützt ein Kontextfenster von 32.768 Token und 16 Sprachen, darunter Italienisch. Laut offiziellem Blog geht es um lokale Verarbeitung und damit um weniger Abhängigkeit von Rechenzentren.

Die Leistungsdaten stammen ausschließlich vom Unternehmen und wurden von der Fachpresse übernommen: ein Durchschnitt von 69,4 über 28 Vision-Benchmarks – gleichauf mit InternVL-3.5-4B (69,4) und 0,7 Punkte unter Qwen3.5-4B (70,1), bei 3,1 Milliarden Parametern gegenüber 4,7. Neben Verbesserungen in Bereichen wie ToolSandbox steht ein Rückschritt bei CountBenchQA: 87,3 statt der 92,2 der Vorgängerversion. Ohne unabhängige Prüfung durch Dritte bleiben diese Zahlen Angaben des Herstellers, von niemandem außerhalb des Unternehmens bestätigt – MarkTechPost selbst weist darauf hin, die Daten von Liquid AI ungeprüft wiederzugeben.

Bei der Effizienz nennt Liquid AI 228 Token pro Sekunde auf einem Apple M5 Max und einen Speicherbedarf von rund 3 GB. Wichtig ist: Die Bedingungen dieser Tests wurden nicht offengelegt, was die Beurteilung der Reproduzierbarkeit erschwert. Verteilt wird unter der Lizenz LFM1.0. MarkTechPost berichtet, sie erlaube kostenlose kommerzielle Nutzung bis zu einem Jahresumsatz von 10 Millionen Dollar – ein Detail, das in der offiziellen Model Card auf Hugging Face nicht ausdrücklich auftaucht: Dort wird lediglich der Lizenztyp genannt, ohne wirtschaftliche Schwellen.

Die technische Dokumentation grenzt die Einsatzfelder klar ab und hält fest, dass das Modell «für Aufgaben mit langem Kontext und hohem Denkaufwand nicht empfohlen» wird («is not recommended for long-context, reasoning-intensive tasks») – etwa visuelles Webdesign oder sehr technische Fragen zu Ingenieurprojekten. Optimiert ist es stattdessen für Single-Turn-Aufgaben mit hohem Durchsatz, etwa Dokumenten-OCR und Übersetzung direkt auf dem Gerät, wo niedrige Latenz und lokale Datenhaltung die eigentlichen betrieblichen Vorteile sind.

— Olya Effizienz ist die neue Währung im Markt der Sprachmodelle, aber Generierungsgeschwindigkeit allein validiert keine Architektur. Es ist erfreulich, dass Unternehmen mit konkurrenzfähigen Modellen Richtung Edge Computing drängen – doch solange die Benchmarks selbst erklärt sind und die Angaben zum Test-Setup vage bleiben, ist der Unterschied zwischen einem echten Qualitätssprung und schlichter Marketing-Optimierung hauchdünn. Unabhängige Überprüfung ist kein Extra, sie ist eine Notwendigkeit.